JP7307926B2 - 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置 - Google Patents

被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置 Download PDF

Info

Publication number
JP7307926B2
JP7307926B2 JP2021127878A JP2021127878A JP7307926B2 JP 7307926 B2 JP7307926 B2 JP 7307926B2 JP 2021127878 A JP2021127878 A JP 2021127878A JP 2021127878 A JP2021127878 A JP 2021127878A JP 7307926 B2 JP7307926 B2 JP 7307926B2
Authority
JP
Japan
Prior art keywords
data
time
vital signs
machine learning
subject
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
Application number
JP2021127878A
Other languages
English (en)
Other versions
JP2021177429A (ja
Inventor
ヨンナム イ
イェハ イ
ジュンミョン グォン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hyewon Medical Foundation
Vuno Inc
Original Assignee
Hyewon Medical Foundation
Vuno Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from KR1020170102265A external-priority patent/KR101841222B1/ko
Priority claimed from KR1020170106529A external-priority patent/KR101843066B1/ko
Application filed by Hyewon Medical Foundation, Vuno Inc filed Critical Hyewon Medical Foundation
Publication of JP2021177429A publication Critical patent/JP2021177429A/ja
Application granted granted Critical
Publication of JP7307926B2 publication Critical patent/JP7307926B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法
、そのための機械学習において、データ拡張（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）を
利用してデータの分類を行う方法、及びその方法を利用するコンピューティング装置に関
する。
医療臨床において、心停止、敗血症のような被検体、つまり、患者の致命的症状は、そ
の発生後の生存退院率が非常に低い危険な現象である。例えば、心停止の場合、生存退院
率は２０～３０％に過ぎない。このような心停止は、発生前にバイタルサイン（Ｖｉｔａ
ｌ ｓｉｇｎ）に変化があるため早期予測が可能であるが、従来の予測方式には問題があ
った。これは、その予測が主に担当の看護師や医師のような医療専門家の経験や知識に依
存するためであるが、個人の力量によって被検体または患者の危険が相当異なるように評
価される傾向があり、そのような評価自体のための応急医学科の人力も足りない実情であ
る。
従来の予測方式について概略的に説明すると、従来は規則－基盤（ｒｕｌｅ－ｂａｓｅ
ｄ）にバイタルサインの値に応じて点数を与えて心停止のような致命的症状の危険を判定
する方式を取っているが、偽陰性（ｆａｌｓｅ ｎｅｇａｔｉｖｅ）と誤判するか、偽陽
性（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ）と誤判する割合が高かった。ここで、偽陰性とは致
命的症状が起こる患者の危険を予測できていない場合を称し、偽陽性とは実際に致命的な
症状が起こっていないのに起こると予測する場合を称する。
規格学習を介し、データのクラス分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）を行う問題に
おいて、現実的に台頭する問題はデータの不均衡問題である。
例えば、患者の心停止を予測する問題が挙げられるが、これは２－クラス分類問題であ
って、患者から獲得した一連のバイタルサインを学習データとする規格学習によって、そ
のバイタルサインを心停止に当たるバイタルサイン（第１クラス）に分類するか、心停止
ではない正常患者のバイタルサイン（第２クラス）に分類する問題である。しかし、殆ど
の被検体は正常患者であり、心停止に対応するバイタルサインデータは少数であるため、
つまり、学習データのクラスの不均衡が激しく現されている。
つまり、機械学習のアルゴリズムは一方のクラスに偏ったデータの集合をもって学習を
行うため、その結果から出来上がる分類モデルは、その全体的な正確度が落ちるだけでな
く、他方のクラスに当たるデータを分類する正確度も更に落ちるようになる。分類問題は
、多数のデータが属するクラス（多数クラス、前記例示では第２クラス）だけでなく、少
数のデータが属するクラス（少数クラス、前記例示では第１クラス）を合わせることも大
事であるため、このような問題点を解決する必要がある。
そこで、本発明では、従来の方式より正確に致命的症状を早期に予測し得る致命的症状
の早期予測結果の生成方法を提案しようとする。また、そのために、本発明ではデータの
クラス不均衡が高い状況を克服する方案として、実際のデータと類似してデータを生成す
ることで、つまり、効果的なデータ拡張を行うことで、機械学習による分類モデルの正確
度を上げる方法として従来のＧＡＮを改良した方法を提案する。
Ｇｏｏｄｆｅｌｌｏｗ，Ｉａｎ Ｊ．；Ｐｏｕｇｅｔ－Ａｂａｄｉｅ，Ｊｅａｎ；Ｍｉｒｚａ，Ｍｅｈｄｉ；Ｘｕ，Ｂｉｎｇ；Ｗａｒｄｅ－Ｆａｒｌｅｙ，Ｄａｖｉｄ；Ｏｚａｉｒ，Ｓｈｅｒｊｉｌ；Ｃｏｕｒｖｉｌｌｅ，Ａａｒｏｎ；Ｂｅｎｇｉｏ，Ｙｏｓｈｕａ（２０１４）．"Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ"
本発明は、従来方式の高い偽陰性を減らし、心停止のような致命的症状が発生する患者
を早期に見つけ出して患者の生存率を上げることを目的とする。
そのために、本発明は、機械学習における学習データのクラス不均衡が高い状況であっ
ても、実際と類似した少数クラスの学習データを生成するデータ拡張を介して、従来の機
械学習による分類モデルの正確度を上げることを目的とする。
また、本発明は、従来方式の高い偽陽性を減らし、不必要な診療時間を節約することで
、診療環境を改善することを目的とする。
上述したような本発明の目的を達成し、後述する本発明の特徴的な効果を実現するため
の本発明の特徴的な構成は以下のようである。
本発明の一様態によると、被検体の致命的症状の発生を早期に予測するための予測結果
を生成する方法が提供されるが、その方法は、（ａ）コンピューティング装置が、前記被
検体のバイタルサインを獲得するか、前記コンピューティング装置に連動される他の装置
が獲得するように支援するステップと、（ｂ）前記コンピューティング装置が、獲得され
た前記バイタルサインを前記被検体に対して個体化したデータである個体化データに変換
するか、前記他の装置が変換するように支援するステップと、（ｃ）前記コンピューティ
ング装置が、前記致命的症状の早期予測のための機械学習モデルに基づき、前記個体化デ
ータから前記早期予測に関する分析情報を生成するか、前記他の装置が生成するように支
援し、生成された前記分析情報を参照して、前記バイタルサインのうちいずれか一つの特
定のバイタルサインに対応する時点ｔから所定の時間間隔ｎ後の時点であるｔ＋ｎ時点ま
での前記致命的症状の発生を予測した結果として前記予測結果を生成するか、前記他の装
置が生成するように支援するステップと、（ｄ）前記コンピューティング装置が、生成さ
れた前記予測結果を外部エンティティ（ｅｎｔｉｔｙ）に提供するか、前記他の装置が提
供するように支援するステップと、を含む。
好ましくは、前記方法は、（ｅ）前記予測結果を評価した情報に基づき、前記コンピュ
ーティング装置が、前記機械学習モデルを更新するステップを更に含む。
本発明の他の様態によると、被検体の致命的症状の発生を早期に予測するための予測結
果を生成するコンピューティング装置が提供されるが、そのコンピューティング装置は、
前記被検体のバイタルサインを獲得する通信部と、獲得された前記バイタルサインを前記
被検体に対して個体化したデータである個体化データに変換するか、前記通信部を介して
連動される他の装置が変換するように支援するプロセッサと、を含むが、前記プロセッサ
は、前記致命的症状の早期予測のための機械学習モデルに基づき、前記個体化データから
前記早期予測に関する分析情報を生成するか、前記他の装置が生成するように支援し、生
成された前記分析情報を参照して、前記バイタルサインのうちいずれか一つの特定のバイ
タルサインに対応する時点ｔから所定の時間間隔ｎ後の時点であるｔ＋ｎ時点までの前記
致命的症状の発生を予測した結果として前記予測結果を生成するか、前記他の装置が生成
するように支援し、生成された前記予測結果を外部エンティティに提供する。
好ましくは、前記コンピューティング装置の前記プロセッサは、前記予測結果を評価し
た情報に基づいて前記規格学習モデルを更新する。
本発明のまた他の様態によると、機械学習においてデータ拡張を利用してデータの分類
を行う方法が提供されるが、その方法は、（ａ）コンピューティング装置が、実際データ
を獲得するか前記コンピューティング装置に連動される他の装置が獲得するように支援す
るステップと、（ｂ）前記コンピューティング装置が、獲得された前記実際データが属す
るラベル（ｌａｂｅｌ）の情報、及び前記実際データを利用して修正ＧＡＮ（ｍｏｄｉｆ
ｉｅｄ ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）の生成器
（ｇｅｎｅｒａｔｏｒ）、及び判別機（ｄｉｓｃｒｉｍｉｎａｔｏｒ）を学習させるか、
前記他の装置に学習させるステップであって、前記修正ＧＡＮにおいて、前記生成器は多
数のラベルそれぞれに対応する類似データを生成するサブ生成器（ｓｕｂ－ｇｅｎｅｒａ
ｔｏｒ）を含み、前記サブ生成器は、前記サブ生成器に対応するラベルに属する類似デー
タを生成し、前記判別機は、前記判別機の判別対象である対象データが属するラベルであ
る特定ラベルを前記多数のラベルのうちから予測することを特徴とするステップと、（ｃ
）前記コンピューティング装置が、学習された前記修正ＧＡＮを利用して前記類似データ
を生成し、（ｉ）前記実際データ及び前記類似データ、または（ｉｉ）前記類似データを
所定の分類用機械学習モデル（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｍｏｄｅｌ ｆｏｒ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ）の学習データとして利用することで前記機械学習モデ
ルを学習させるか、前記他の装置に学習させるステップと、（ｄ）分類対象データが獲得
されたら、前記コンピューティング装置が、学習された前記機械学習モデルに基づいて前
記分類対象データを分類することで前記分類対象データの分類情報を生成するか、前記他
の装置が生成するように支援するステップと、を含む。要するに、前記所定の分類用機械
学習モデルは、実際データに基づいて学習された修正ＧＡＮの生成器によって生成された
データを学習データとして利用する。
本発明の他の一様態によると、機械学習においてデータ拡張を利用してデータの分類を
行うコンピューティング装置が提供されるが、そのコンピューティング装置は、実際デー
タを獲得する通信部と、獲得された前記実際データが属するラベルの情報、及び前記実際
データを利用して修正ＧＡＮの生成器、及び判別機を学習させるか、前記通信部を介して
連動される他の装置に学習させるプロセッサと、を含むが、前記修正ＧＡＮにおいて、前
記生成器は多数のラベルそれぞれに対応する類似データを生成するサブ生成器を含み、前
記サブ生成器は、前記サブ生成器に対応するラベルに属する類似データを生成し、前記判
別機は、前記判別機の判別対象である対象データが属するラベルである特定ラベルを前記
多数のラベルのうちから予測し、前記プロセッサは、学習された前記修正ＧＡＮを利用し
て前記類似データを生成し、（ｉ）前記実際データ及び前記類似データ、または（ｉｉ）
前記類似データを所定の分類用機械学習モデルの学習データとして利用することで前記機
械学習モデルを学習させるか、前記他の装置に学習させ、分類対象データが獲得されたら
、学習された前記機械学習モデルに基づいて前記分類対象データを分類することで前記分
類対象データの分類情報を生成するか、前記他の装置が生成する。
本発明のまた他の一様態によると、本発明による方法を行うように具現されたインスト
ラクション（ｉｎｓｔｒｕｃｔｉｏｎｓ）を含む、媒体に貯蔵されたコンピュータプログ
ラムも提供される。
本発明の一様態によると、従来の医療専門家がその経験や知識に依存して患者の危険を
判定する方式に比べ、より迅速で繰り返しやすく心停止、敗血症などの致命的症状を予測
することができる効果がある。
また、本発明の一様態によると、従来の規則－基盤によって点数を与える方式に比べ、
致命的症状の予測において偽陰性及び偽陽性をより低くすることができる効果がある。
そして、本発明の一様態によると、時系列的に行われる臨床過程で持続的に予測するこ
とを可能にすることで、医療現場におけるワークフロー（ｗｏｒｋｆｌｏｗ）を革新する
ことができる効果がある。
その上、本発明は、本発明の方法を利用することで持続的にその予測性能が改善される
効果がある。
本発明の他の様態によると、従来に機械学習による分類モデル、つまり、分類用機械学
習モデルの学習において問題となっていた学習データのクラス不均衡（ｃｌａｓｓ ｉｍ
ｂａｌａｎｃｅ）を学習データのデータ拡張を介して解決することができる。
例えば、本発明によるデータ拡張によるデータの分類方法は、殆どの医療判定問題に適
用可能であるため、心停止、敗血症などのような殆どの患者が正常患者であって心停止、
敗血症などに関するデータが少数であることから、分類モデルが低い正確度を有する問題
を解決することができる。
本発明の実施例に利用されるために添付した下記図面は、本発明の実施例のうち単に一
部に過ぎず、本発明の属する技術分野における通常の知識を有する者（以下、「通常の技
術者」と称する）にとっては、発明的作業が行われずにこの図面に基づいて他の図面が得
られる。
図１は、本発明に利用される機械学習モデルである循環神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＲＮＮ）を説明するための主な概念を示す図である。 図２は、本発明によって被検体の致命的症状の発生を早期に予測するための予測結果の生成方法（以下、「致命的症状の早期予測結果生成方法」と称する）、及び本発明によってデータ拡張を利用してデータの分類を行う方法（以下、「データの分類方法」と称する）を行うコンピューティング装置の例示的構成を概略的に示す概念図である。 図３は、本発明による致命的症状の早期予測結果生成方法を行うコンピューティング装置のハードウェア及びソフトウェアアーキテクチャを例示的に示す概念図である。 図４は、本発明による致命的症状の早期予測結果生成方法を例示的に示すフローチャートである。 図５は、本発明の一実施例において、修正ＧＡＮを利用してデータ拡張を行う方式を例示するために概念的に示す図である。
後述する本発明による詳細な説明は、本発明の目的、技術的解法、及び長所を明確にす
るために本発明を実施可能な特定実施例の例示として図示する添付図面を参照する。これ
らの実施例は通常の技術者が本発明を十分に実施し得るように詳細に説明される。
本発明の詳細な説明及び請求項にわたって、「致命的症状（ｆａｔａｌ ｓｙｍｐｔｏ
ｍｓ）」という単語及びその変形は、本発明が適用される対象の一例示である心停止（ｃ
ａｒｄｉａｃ ａｒｒｅｓｔ）に限らず、敗血症などのような時系列的変化によって被検
体の生命に大きな危険をもたらす恐れがあるあらゆる種類の臨床的現象を含む概念として
理解すべきである。
また、本発明の詳細な説明及び請求項にわたって、「バイタルサイン」は対象者の体温
、心電図、呼吸、脈拍、血圧、酸素飽和度、皮膚伝導度などの測定値を称する通常の意味
にのみ限って解釈されてはならず、脳波信号、その他の測定を介して獲得可能な生物学的
資料のうち特定物質の量、濃度なども含むと理解すべきである。
ここで、「生物学的資料」とは、被検体の血液、血清、小便、リンパ液、脳脊髄液、唾
液、精液、膣液など、被検体から採取される多様な種類の物質であると理解すべきである
。
そして、本発明の詳細な説明及び請求項にわたって、「学習」または「ラーニング」は
手順によるコンピューティング（ｃｏｍｐｕｔｉｎｇ）を介して機械学習（ｍａｃｈｉｎ
ｅ ｌｅａｒｉｎｇ）を行うことを称する用語であり、通常の技術者ならば、人間の教育
活動のような精神的作用を称するように意図されていないことを理解できるはずである。
そして、本発明の詳細な説明及び請求項にわたって、「含む」という単語及びその変形
は、他の技術的特徴、付加物、構成要素、またはステップを除外すると意図されていない
。通常の技術者において、本発明の他の目的、長所、及び特性は、一部は本説明書から、
そして一部は本発明の実施から明らかになるはずである。以下の例示及び図面は実例とし
て提供されており、本発明を限定するように意図されていない。
なお、本発明は、本明細書に示した実施例の可能な全ての組み合わせを網羅する。本発
明の多様な実施例は、互いに異なるが相互排他的な必要なないことを理解すべきである。
例えば、ここに記載されている特定の形状、構造、及び特性は、実施例に関して本発明の
思想及び範囲を逸脱しないながらも他の実施例に具現されてもよい。また、それぞれの開
示された実施例内の個別の構成要素の位置または配置は、本発明の思想及び範囲を逸脱し
ないながらも変更可能であることを理解すべきである。よって、後述する詳細な説明は限
定的な意味で取られるものではなく、本発明の範囲は、適切に説明されれば、その請求項
が主張するものと均等な全ての範囲と共に添付した請求項によってのみ限られる。図面に
おいて、類似した参照符号は多様な側面にわたって同じであるか類似した機能を指す。
本明細書において、異なるように表示されるか明白に文脈に矛盾しない限り、単数と称
された項目は、その文脈で異なるように要求されない限り、複数のものを併せる。また、
本発明を説明するに当たって、関連する公知構成または機能に関する具体的な説明が本発
明の要旨を不明確にする恐れがあると判断されれば、その詳細な説明は省略する。
以下、通常の技術者が本発明を容易に実施し得るようにするために、本発明の好ましい
実施例について添付した図面を参照して詳細に説明する。
図１は、本発明に利用される機械学習モデルである循環神経網（ＲＮＮ）を説明するた
めの主な概念を示す図である。
図１を参照すると、本発明で利用される機械学習モデルのうち、深い神経網モデルは人
工神経網を多層に積み上げた形態と簡略に説明し得る。つまり、深い構造のネットワーク
という意味で深い神経網またはディープ神経網（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒ
ｋ）と表現するが、図１に示したように、多層のネットワークからなる構造において、大
量のデータを学習させることでそれぞれのバイタルサインの特徴、バイタルサイン間の関
係を自動的に学習し、それを介して目的関数、つまり、致命的症状の予測正確度のエラー
（ｅｒｒｏｒ）を最小化する方法にネットワークを学習させていく形態である。これは、
一見人間の頭脳の神経細胞間の連結とも表現されるが、このような深い神経網は人工知能
の次世代モデルとして位置づけられている。
本発明で使用される深い神経網モデルのうち、特に循環神経網（ＲＮＮ）は、図１に示
したように順次に入力されるデータを分析する際に利用する。時間順によるデータの特徴
を見つけ、以前の時点の特徴のうち現在の時点を分析する際に参考すべき主な特徴を選別
して反映する構造となっている。例えば、図１を参照すると、ｔ＋１時点に入力されたデ
ータを分析する場合、ｔ－１時点、ｔ時点に分析した主な特徴を反映した学習を介して該
当データを分析する。このように、本発明では循環神経網の構造を利用して、バイタルサ
インの時間による変化を抽出し、致命的症状の予測に活用し得る長所がある。
要するに、時系列的順序、時間の流れ、または時間軸に沿って展開される循環神経網は
無限の層を有する深い神経網と理解できるため、図１を参照して説明すると、ｘｔはｔ時
点における入力ベクトルを称し、ｓｔはｔ時点における隠匿状態（ｈｉｄｄｅｎ ｓｔａ
ｔｅ）（つまり、神経網の記憶）を称する。
付言すると、図１に概念的に示した循環神経網は、ｓｔ＝ｆ（Ｕｘｔ＋Ｗｓｔ－１）と
、ｙ＝ｇ（Ｖｓｔ）の式に従う。ちなみに、ｙは図１にｏと示されている。ここで、ｆは
活性化関数（ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ）（例えば、ｔａｎｈ（）及びＲ
ｅＬＵ関数）を称し、Ｕ、Ｖ、Ｗは神経網のパラメータを称する。ここで、Ｕ、Ｖ、Ｗは
前方伝達神経網（ｆｅｅｄｆｏｒｗａｒｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）でとは異な
って、循環神経網では全ての時点のステップにわたって同一に共有されるパラメータであ
る。ｇは出力層（ｏｕｔｐｕｔ ｌａｙｅｒ）のための活性化関数（典型的にはｓｏｆｔ
ｍａｘ関数がある）であり、ｙはｔ時点における前記神経網の出力ベクトルを称する。こ
のような循環神経網を利用する本発明の方法に関しては詳細に後述する。
次に、図２は、本発明による致命的症状の早期予測結果生成方法を行うコンピューティ
ング装置の例示的構成を概略的に示す概念図である。
図２を参照すると、本発明の一実施例によるコンピューティング装置２００は、通信部
２１０及びプロセッサ２２０を含むが、前記通信部２１０を介して外部コンピューティン
グ装置（図示せず）と直間接的に通信する。
詳しくは、前記コンピューティング装置２００は、典型的なコンピュータハードウェア
（例えば、コンピュータプロセッサ、メモリ、ストレージ、入力装置及び出力装置、その
他の従来のコンピューティング装置の構成要素を含む装置と、ルータ、スイッチなどのよ
うな電子通信装置と、ネットワークアタッチトストレージ（ＮＡＳ）、及びストレージエ
リアネットワーク（ＳＡＮ）のような電子情報ストレージシステム）と、コンピュータソ
フトウェア（つまり、コンピューティング装置を特定の方式で機能させるインストラクシ
ョン）の組み合わせを利用して所望のシステム性能を達成するものである。
このようなコンピューティング装置の通信部２１０は、連動される他のコンピューティ
ング装置と要請と応答を送受信することができるが、一実施例としてそのような要請と穏
当は同じＴＣＰセッションによって行われてもよいがそれに限らず、例えば、ＵＤＰデー
タグラムとして送受信されてもよい。付言して、広い意味での前記通信部２１０は、命令
後または指示などを伝達されるためのキーボード、マウス、その他の外部入力を含む。
また、コンピューティング装置のプロセッサ２２０は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃ
ｅｓｓｉｎｇ Ｕｎｉｔ）またはＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎ
ｉｔ）、キャッシュメモリ（Ｃａｃｈｅ Ｍｅｍｏｒｙ）、データバス（Ｄａｔａ Ｂｕ
ｓ）などのハードウェア構成を含む。また、運営体制、特定の目的を行うアプリケーショ
ンのソフトウェア構成を更に含んでもよい。
図３は、本発明による致命的症状の早期予測結果生成方法を行うコンピューティング装
置のハードウェア及びソフトウェアアーキテクチャを例示的に示す概念図である。
図３を参照して本発明による方法及び装置の構成を概観すると、コンピューティング装
置２００は、その一構成要素としてバイタルサイン獲得モジュール３１０を含む。このよ
うなバイタルサイン獲得モジュール３１０は、前記コンピューティング装置２００に含ま
れた通信部２１０、または前記通信部２１０及びプロセッサ２２０の連動によって具現さ
れることは通常の技術者ならば理解できるはずである。
バイタルサイン獲得モジュール３１０は、被検体のバイタルサインを獲得する。例えば
、これは前記被検体の電子医療記録（ｅｌｅｃｔｒｏｎｉｃ ｍｅｄｉｃａｌ ｒｅｃｏ
ｒｄ；ＥＭＲ）から獲得してもよいが、これに限らない。
次に、その獲得されたバイタルサインは個体化モジュール３２０に伝達されるが、個体
化モジュール３２０ではそのバイタルサインを前記被検体に対して個体化または個人化し
たデータである個体化データに変換する。例えば、このようなバイタルサインは人間（ｈ
ｏｍｏ ｓａｐｉｅｎｓ）である被検体から獲得されるが、通常の技術者はこれに限らな
いことを理解できるはずであるため、特定の人間である被検体に対して「個人化」するこ
とに対応して、特定の動物である被検体に対して「個体化」することもできるはずである
。
このような変換を行う理由は、被検体ごとに正常的なバイタルサインと致命的症状の発
生直前のバイタルサインが異なるためである。例えば、ある被検体が正常の際に分当たり
４５回呼吸するのなら、他の被検体は心停止直前に分当たり４５回呼吸することもありう
る。このように、本発明では獲得されたバイタルサインを単に利用するだけでなく、個別
被検体に合わせて補正する必要がある。
このような必要に応じて、被検体に対してバイタルサインを個体化する前記変換の一例
として、個体化モジュール３２０は、前記バイタルサインのうち最初の所定時間の間のバ
イタルサインの平均を、前記バイタルサインの全体時間の間のバイタルサインから除する
ことで、前記全体時間の間のバイタルサインの偏差を求め、提供された多数の他の被検体
のバイタルサインの平均及び分散を参照して、前記被検体の前記全体時間の間のバイタル
サインの標準化点数（ｚ－ｓｃｏｒｅ）を前記個体化データとして算出する方式で、前記
バイタルサインを前記個体化データに変換する。
その具体的な一例を挙げると、被検体の最初の１０時間のバイタルサインを正常と仮定
し、残りの時間のバイタルサインから前記１０時間のバイタルサインの平均を引いた値が
平均からの差、つまり、偏差を求めることができ、全ての被検体を対象に個々のバイタル
サインの平均及び分散を計算することで、前記被検体の全体のバイタルサインに対する標
準化点数を求めることができる。こうすると、後のバイタルサインを絶対的な値として扱
われるよりは、被検体に応じて各被検体の正常的なバイタルサインから相対的にどれだけ
逸脱した値であるのかで扱われるようになる。
このように、それぞれの被検体に対して個体化されたデータである個体化データが第１
分析モジュール３３０ａ、及び第２分析モジュール３３０ｂに入力されれば前記早期予測
に関する分析情報が生成され、この分析情報に基づいて予測モジュール３４０は特定時点
までの致命的症状の発生確率に関する予測結果を生成するが、この分析情報及び予測結果
が生成される具体的な過程については後述する。
次に、更新モジュール及び学習モジュール３５０は、本発明の方法を行うことで被検体
の致命的症状の発生に利用される機械学習モデルを予め学習するか、本発明の方法を行う
ことによる予測結果を評価した情報に基づいて前記機械学習モデルを更新する機能をする
。
以下、本発明による致命的症状の早期予測結果の生成方法を図４を参照して詳しく説明
する。図４は、本発明による致命的症状の早期予測結果生成方法を例示的に示すフローチ
ャートである。
図４を参照すると、本発明による予測結果生成方法は、まず、コンピューティング装置
２００の通信部２１０によって具現されるバイタルサイン獲得モジュール３１０が、前記
被検体のバイタルサインを獲得するステップＳ４１０を含む。例えば、そのようなバイタ
ルサインはｔ０時点からｔ時点までの時系列的なバイタルサインであるが、これに限らず
、バイタルサインは単一時点におけるバイタルサインであってもよい。本明細書を読んだ
通常の技術者ならば、単一時点におけるバイタルサインについても致命的症状に対する予
測結果を生成し得ることを理解できるはずである。
続けて、図４を参照すると、前記予測結果生成方法は、前記コンピューティング装置２
００のプロセッサ２２０によって具現される個体化モジュール３２０が、獲得された前記
バイタルサインを前記被検体に対して個体化したデータである個体化データに変換するか
、前記通信部２１０を介して連動される他の装置が変換するように支援するステップＳ２
４０を更に含む。
一実施例において、ステップＳ２４０は、上述したように、前記バイタルサインのうち
最初の所定時間の間のバイタルサインの平均を前記バイタルサインの全体時間の間のバイ
タルサインから除することで、前記全体時間の間のバイタルサインの偏差を求め、提供さ
れた多数の他の被検体のバイタルサインの平均及び分散を参照して、前記被検体の前記全
体時間の間のバイタルサインの標準化点数が前記個体化データとして算出されることを特
徴とする。但し、通常の技術者であれば、被検体別に患者の特性に合わせて変換して個体
化データを構成する方式はこのような方式に限らないということを理解できるはずである
。
更に図４を参照すると、次に、本発明による致命的症状の早期予測結果生成方法は、前
記致命的症状の早期予測のための機械学習モデルに基づいて前記個体化データから前記早
期予測に関する分析情報を生成するか、前記他の装置が生成するように支援Ｓ４３２し、
生成された前記分析情報を参照して、前記バイタルサインのうちいずれか一つの特定のバ
イタルサインに対応する時点ｔから所定の時間間隔ｎ後の時点であるｔ＋ｎ時点までの前
記致命的症状の発生を予測した結果として前記予測結果を生成するか、前記他の装置が生
成するように支援Ｓ４３４するステップＳ４３２；Ｓ４３４を更に含む。
本発明の一実施例によると、前記機械学習モデルに循環神経網モデルが分析モデルとし
て含まれるが、この分析モデルを具現する分析モジュール３３０ａ；３３０ｂが前記プロ
セッサ２２０によって実行される。上述したように、ｓｔ＝ｆ（Ｕｘｔ＋Ｗｓｔ－１）と
、ｙ＝ｇ（Ｖｓｔ）の式に従う前記循環神経網において、前記ｘｔはｔ時点における入力
ベクトルである前記個体化データまたは前記個体化データから加工された値を称するが、
前記個体化データから加工された値とは、例えば、前記個体化データの（以前時点から該
当時点への）変化量、または前記変化量の変化量である。
続けて説明すると、前記ｓｔは前記ｔ時点における前記循環神経網モデルの記憶に相応
する隠匿状態を称し、前記ｓｔ－１はｔ－１時点における前記隠匿状態を称し、前記Ｕ、
Ｖ、及びＷは前記循環神経網モデルの全ての時点にわたって同じく共有される神経網パラ
メータを称し、前記ｆは前記隠匿状態を算出するように選択された所定の第１活性化関数
を称し、前記ｙは前記分析情報であってｔ時点における前記循環神経網モデルによる潜在
的特徴（ｌａｔｅｎｔ ｆｅａｔｕｒｅ）である出力層を称し、前記ｇは前記出力層を算
出するように算出された所定の第２活性化関数を称する。
詳しくは、本発明による分析モジュール３３０ａ；３３０ｂのうち第１分析モジュール
３３０ａは、前記ｔ時点における個体化データを参照して前記個体化データ間の関係を反
映する機能をすることであるため、例えば、前記循環神経網モデルにおけるＵｘｔに対応
する。また、本発明による分析モジュール３３０ａ；３３０ｂのうち第２分析モジュール
３３０ｂは、前記ｔ－１時点までの個体化データを参照して時間による前記個体化データ
の変化を反映する機能をするため、例えば、前記循環神経網モデルにおけるＷｓｔ－１に
対応する。
ここで、前記所定の第１活性化関数ｆとしては、通常利用されるｔａｎｈ（）またはＲ
ｅＬＵ関数である。また、前記所定の第２活性化関数ｇは、通常利用されるｓｏｆｔｍａ
ｘ関数である。それぞれの用途に応じて、計算の複雑度に応じて、このような第１活性化
関数及び第２活性化関数の選択が異なりうることが知られている。
また、前記実施例によると、前記機械学習モデルには前記出力層（ｙ）から前記致命的
症状の発生確率を算出するための少なくとも一つの完全連結層（ｆｕｌｌｙ ｃｏｎｎｅ
ｃｔｅｄ ｌａｙｅｒ）を含む第２神経網モデルが予測モデルの少なくとも一部として更
に含まれるが、この予測モデルを具現する予測モジュール３４０が前記プロセッサ２２０
によって実行される。
一方、本発明による致命的症状の早期予測結果生成方法を行う前に、前記機械学習モデ
ルが予め学習されるステップＳ４０５を経る必要があるが、このための更新及び学習モデ
ル、または学習モジュール３５０が前記プロセッサ２２０によって実行される。
前記循環神経網モデルの学習のために、前記学習モジュール３５０は多数の従来の被検
体に対する個別個体化データを学習データとして利用する時間遡及逆伝播（ｂａｃｋ－ｐ
ｒｏｐａｇａｔｉｏｎ ｔｈｒｏｕｇｈ ｔｉｍｅ；ＢＰＴＴ）を介して前記循環神経網
モデルを学習するが、このような学習によって前記Ｕ、Ｖ、及びＷが決定される。
また、第２神経網モデルの学習のために、前記学習モジュール３５０は、多数の従来の
被検体に対する個別個体化データ、及び前記従来の被検体のそれぞれの時点における致命
的症状の発生可否を学習データとして利用した逆伝播（ｂａｃｋ－ｐｒｏｐａｇａｔｉｏ
ｎ）を介して、前記第２神経網モデルを学習する。
この実施例による前記ステップＳ４３２；Ｓ４３４をより詳しく説明すると、ステップ
Ｓ４３２では、前記プロセッサ２２０が、前記個体化データまたは前記個体化データから
加工された値を前記分析モジュール３３０ａ；３３０ｂの入力として利用することで、前
記ｔ＋ｎ時点における前記出力層を前記分析情報として獲得するか、前記他の装置が獲得
するように支援し、ステップＳ４３４では、前記プロセッサ２２０が、前記ｔ＋ｎ時点に
おける前記出力層を前記予測モジュールの入力として利用することで、前記ｔ＋ｎ時点ま
での前記致命的症状の発生確率を前記予測結果として生成するか、前記他の装置が生成す
るように支援する。
続けて、図４を参照すると、本発明による予測結果生成方法は、前記プロセッサ２２０
が、生成された前記予測結果を外部エンティティに提供するステップＳ４４０を更に含む
。ここで、外部エンティティとは、前記コンピューティング装置のユーザ、管理者、前記
被検体を担当する担当医療専門家などを含むが、その他にもその予測結果を獲得し得る主
体であればどの主体でも含められると理解すべきである。
一方、図４に例示的に示したように、前記致命的症状の発生確率が所定の確率より高い
と予測される場合のみ、前記外部エンティティに前記予測結果が提供される実施例もあり
うる。
このように、本発明による致命的症状の早期予測結果生成方法は、予め学習された機械
学習モデルに基づいて致命的症状に関する予測結果を提供するため、その予測結果を評価
した情報などを更に前記機械学習モデルに対する再学習の資料として活用すれば、前記機
械学習モデルがより正確な予測を行うことができる長所があるため、このような長所を取
るための本発明による予測結果生成方法は、前記プロセッサ２２０が、前記予測結果を評
価した情報に基づいて、前記機械学習モデルを更新するか前記他の装置が更新するように
支援するステップＳ４５０を更に含む。この際、以前の学習の際には考慮されなかった（
バイタルサインから始まる）個体化データが更に考慮され、以前の学習の際にあったエラ
ーを直すことができて前記機械学習モデルの正確度が向上されるため、データが積み上が
るほど前記機械学習の性能が持続的に向上する長所がある。
ここで、前記予測結果を評価した情報は、前記医療専門家などの外部エンティティから
提供される。
このような更新は、新しく提供されたデータに基づいて更に学習を行うことを称するた
め、実質的に上述したステップＳ４０５と同じであるといえる。つまり、前記予測結果を
評価した情報に応じて、その予測の正確度を考慮して前記分析モジュール３３０ａ；３３
０ｂ、及び予測モジュール３４０が利用する分析モデル及び予測モデルを修正する。より
詳しくは、その分析モデル及び予測モデルで利用されるパラメータ、例えば、前記Ｕ、Ｖ
、Ｗなどが修正される。
このように、本発明は上述した全ての実施例にわたって、従来の医療専門家がその経験
や知識に依存して一々患者の危険をその都度判定する方式で心停止、敗血症などの致命的
症状を予測することに比べ、より迅速で簡便にその致命的症状を予測し得る効果がある。
ここで説明された前記実施例の利点は、一日にも多くの診断資料に基づいて正確に判定
乃至予測すべき忙しい医療環境に置かれている医療専門家の負担を大きく軽減することが
できる点である。機械学習、特に深い神経網を利用する技術を利用すれば、多くの学習用
データを介して、医者も多年の修練を経てのみ始めて身に付けることができる致命的症状
に関する患者の危険をコンピューティング装置自体で分析及び学習することができるよう
になるため、人である医療専門家が見逃し得る事例、または致命的症状の予測が難しい事
例に対してもその判定を補助することができるようになる。要するに、この実施例による
と、自動的に生成された予測情報、つまり、所定時点まで致命的症状が現れると疑われる
患者のみがスクリーニングされ、医療チームはその患者のみを確認すればよいため、致命
的症状の予測の正確度及び速度を向上させる長所がある。
次に、図５は、本発明の一実施例において、修正ＧＡＮを利用してデータ拡張を行う方
式を例示するために概念的に示す図である。
これは、従来の機械学習において問題点として指摘されていた階級不均衡の問題、つま
り、階級不均衡によって機械学習が多数のクラスに属するデータを中心に行われることで
、その機械学習モデルの信頼度及び正確度が落ちるようになる問題を解決するためのもの
である。
本発明のこの実施例では、このような問題を解決するために以下のようなデータ拡張が
行われるが、図５を参照すると、本発明によるＧＡＮは実際と類似した致命的症状のバイ
タルサインを生成する機能をする生成器（「Ｇ」と示される）、及び生成されたデータと
実際のデータを区分する判別機（「Ｄ」と示される）を含む構成を有する。
詳しくは、従来のＧＡＮに関する論文である非特許文献１：［Ｇｏｏｄｆｅｌｌｏｗ，
Ｉａｎ Ｊ．；Ｐｏｕｇｅｔ－Ａｂａｄｉｅ，Ｊｅａｎ；Ｍｉｒｚａ，Ｍｅｈｄｉ；Ｘｕ
，Ｂｉｎｇ；Ｗａｒｄｅ－Ｆａｒｌｅｙ，Ｄａｖｉｄ；Ｏｚａｉｒ，Ｓｈｅｒｊｉｌ；Ｃ
ｏｕｒｖｉｌｌｅ，Ａａｒｏｎ；Ｂｅｎｇｉｏ，Ｙｏｓｈｕａ（２０１４）．“Ｇｅｎｅ
ｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ”］によると、生成器は実際
と類似したデータを生成することで、判別機を騙してその類似したデータを実際のデータ
と判別するようにすることを目標し、判別機は実際データと生成された類似データを区別
し出すことを目標とする。このＧＡＮによる学習が行われる過程において、生成器と判別
機はそれぞれの目標を達成するためにネットワーク重みづけを更新するが、十分な学習の
後には生成器が実際と類似したデータを生成し、判別機による判別率が理論的に０．５に
収斂することが明らかになっている。
結果的に、従来のＧＡＮによって十分に学習された生成器は実際データに近いデータを
生成するようになるため、従来のＧＡＮの生成器によって生成された類似データを機械学
習モデルを学習させるための学習データとして利用することで、上述したデータの不均衡
問題は解決される。
ところが、このような従来のＧＡＮは入力されたデータが実際のデータであるのか否か
（ｔｒｕｅ ｏｒ ｆａｋｅ）のみを利用して学習することにだけ焦点を合わせているた
め、従来のＧＡＮは入力されたデータが多様なラベルに属する場合に、その入力されたデ
ータがその多様なラベルのうちどのラベルのデータに当たるのかを知ることが難しい。
このような限界を克服するために、本発明では、従来のＧＡＮを修正した修正ＧＡＮを
利用するが、この修正ＧＡＮを利用すれば、データに結び付いているラベルの上方が更に
考慮されることで、多様な種類（つまり、ラベルによって種類が区分される）のデータが
生成及び判別される長所がある。
詳しくは、従来のＧＡＮとは異なって、修正ＧＡＮの生成器は多数のラベルそれぞれに
対応する類似データを生成するサブ生成器（図５で「Ｇ－ｌａｂｅｌ１」、「Ｇ－ｌａｂ
ｅｌ２」、「Ｇ－ｌａｂｅｌ３」などに示される）を含み、前記サブ生成器は前記サブ生
成器に対応するラベルに属する類似データを生成する。
また、従来のＧＡＮとは異なって、修正ＧＡＮの判別機はその判別機が判別する対象で
ある対象データが実際のデータであるのか否かのみ判別するのではなく、前記多数のラベ
ルのうちから前記対象データが属するラベルも予測乃至区分する。
例えば、そのようなラベルは「心停止発生群」、「敗血症発生群」、「正常」などであ
る。よって、本発明による修正ＧＡＮは、その判別機が前記生成器によって生成されたデ
ータが実際データに近い類似データになるように支援し、また、その判別機に入力される
実際データまたは類似データがどのラベルに属するのかを区分することで、前記生成器が
サブ生成器を介して特定のラベルを生成するように支援する。
要するに、本発明による修正ＧＡＮは実際データおよびその実際データが属するラベル
の種類に基づいて学習されることで、ラベルによって区分される、より多様な種類の類似
データを実際と類似して生成することができるため、特に、実際データの数量が少ない特
定のラベルに対し、その特定のラベルに当たる類似データを生成してその少ない数量を補
足することで、その特定のラベルに対するデータの不均衡を解消することができる。
上述した内容に基づいて、本発明によるデータの分類方法を説明する。本発明によるデ
ータの分類方法は、まず、コンピューティング装置２００が、通信部２１０を介して、実
際データを獲得するか前記コンピューティング装置に連動される他の装置が獲得するよう
に支援するステップＳ１００’を含む。例えば、そのような実際データは時系列的信号で
あるが、これに限らず、分類が要求されるデータであればこれに含まれるとみなすべきで
ある。
次に、前記データの分類方法は、コンピューティング装置２００が、プロセッサ２２０
を介して、獲得された前記実際データが属するラベルの情報、及び実際データを利用して
修正ＧＡＮの生成器及び判別機を学習させるか、前記通信部２１０を介して連動される他
の装置に学習させるステップＳ２００’を更に含む。この修正ＧＡＮが従来のＧＡＮと異
なる点は上述した通りであるため、重複する説明は省略する。
その後、前記データ分類方法は、前記コンピューティング装置２００が、プロセッサ２
２０を介して、学習された前記修正ＧＡＮを利用して前記類似データを生成し、（ｉ）前
記実際データ及び類似データ、または（ｉｉ）前記類似データを所定の分類用機械学習モ
デルの学習データとして利用することで、前記機械学習モデルを学習させるか前記他の装
置に学習させるステップＳ３００’を更に含む。
例えば、前記機械学習モデルにはＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ）、ＲＮＮなどが含まれるが、通常の技術者であればこれに限らないこ
とを理解できるはずである。
また、前記データの分類方法は、前記コンピューティング装置２００の通信部２１０に
よって分類対象データが獲得される際、前記コンピューティング装置２００が、前記プロ
セッサ２２０を介して、前記機械学習モデルに基づいて前記分類対象データを分類するこ
とで前記分類対象データの分類情報を生成するか、前記他の装置が生成するように支援す
るステップＳ４００’を更に含む。
続けて説明すると、本発明によるデータ分類方法は、前記コンピューティング装置２０
０が、前記プロセッサ２２０を介して、前記分類情報を外部のエンティティに提供するか
前記他の装置が提供するように支援するステップＳ５００’を更に含む。ここで、外部エ
ンティティとは、前記コンピューティング装置のユーザ、管理者などを含むが、その他に
もその分類情報を獲得する正当な権限がある主体であればどの主体でも含められると理解
すべきである。
また、本発明によるデータ分類方法は、前記分類情報の正確度を評価した情報に基づい
て、前記コンピューティング装置２００が、前記機械学習モデルを更新するか前記他の装
置が更新するように支援するステップＳ６００’を更に含む。
このように、本発明によるデータの分類方法は、所定の機械学習モデルに基づいて分類
対象データに関する分類情報を提供するため、その分類情報に関してその正確度などを評
価した情報などを再学習の資料として活用すれば、より正確な予測を行うようにすること
ができる長所があるため、このような長所を取るための本発明によるデータ分類方法は、
前記コンピューティング装置２００が、前記プロセッサ２２０を介して、前記分類情報を
評価した情報に基づいて前記機械学習モデル及び前記修正ＧＡＮのうちいずれか一つを更
新するか、前記他の装置が更新するように支援するステップＳ６００’を更に含む。
例えば、前記ステップＳ６００’は、前記コンピューティング装置２００は、前記分類
情報を評価した情報に基づいて直接的に前記機械学習モデルを更新するか、前記他の装置
が更新するように支援するステップと、または前記予測結果を評価した情報に基づいて前
記修正ＧＡＮを学習させることで、その修正ＧＡＮが生成器を介して生成するデータを介
して、間接的に前記機械学習モデルを更新するか、前記他の装置が更新するように支援す
るステップを更に含む。
この際、以前の学習の際には考慮されなかった学習データが更に考慮され、以前の学習
の際にあったエラーを直すことができて前記機械学習モデル、修正ＧＡＮの正確度が向上
されるため、データが積み上がるほどその分類性能が持続的に向上される長所がある。そ
の上、本発明によると、提供される実際データ自体のエラーも著しく減少され、前記機械
学習モデルを学習するのに利用される学習データの階級不均衡を解決した結果、学習され
た前記機械学習モデル自体の信頼性も向上される。
このように、本発明のこの実施例は、機械学習における学習データのクラス不均衡が高
い状況であっても、実際と類似した少数クラスの学習データを生成するデータ拡張を介し
て、従来の機械学習による分類モデルの正確度を上げる効果がある。
前記実施例の説明に基づいて、該当技術分野の通常の技術者は、本発明がソフトウェア
及びハードウェアの結合を介して達成されるか、ハードウェアのみで達成されることを明
確に理解できるはずである。本発明の技術的解法の対象物、または先行技術に寄与する部
分は、多様なコンピュータ構成要素を介して行われるプログラム命令語の形態に具現され
てコンピュータで読み出し可能な記録媒体に記録される。前記コンピュータで読み出し可
能な記録媒体は、プログラム命令語、データファイル、データ構造などを単独にまたは組
み合わせて含む。前記コンピュータで読み出し可能な記録媒体に記録されるプログラム命
令語は、本発明のために特別に設計されて構成されたものであるか、コンピュータソフト
ウェア分野の通常の技術者に公知されて使用可能なものであってもよい。コンピュータで
読み出し可能な記録媒体の例としては、ハードディスク、フロッピーディスク、及び磁気
テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルデ
ィスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ)のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐ
ｔｉｃａｌ ｍｅｄｉａ)、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログ
ラム命令語を貯蔵し行うように特別に構成されたハードウェア装置が含まれる。プログラ
ム命令語の例としては、コンパイラによって作られるもののような機械語コードだけでな
く、インタプリタなどを使用してコンピュータによって実行される高級言語コードも含ま
れる。
前記ハードウェア装置は、本発明による処理を行うために一つ以上のソフトウェアモジ
ュールとして作動するように構成されるが、その逆も同じである。前記ハードウェア装置
は、プログラム命令語を貯蔵するためのＲＯＭ／ＲＡＭなどのようなメモリと結合され、
前記メモリに貯蔵された命令語を実行するように構成されるＣＰＵやＧＰＵのようなプロ
セッサを含み、外部装置と信号を交換する通信部を含む。ちなみに、前記ハードウェア装
置は開発者によって作成された命令語を伝達されるためのキーボード、マウス、その他の
外部入力装置を含む。
これまで本発明が具体的な構成要素などのような特定の事項と限定された実施例及び図
面によって説明されたが、これは本発明のより全般的な理解を助けるために提供されたも
のに過ぎず、本発明は前記実施例に限らないものであって、本発明の属する技術分野の通
常的な知識を有する者であれば、このような記載から多様な修正及び変形を図ることがで
きるはずである。
よって、本発明の思想は上述した実施例に限って決められてはならず、後述する特許請
求の範囲だけでなく、この特許請求の範囲と均等にまたは等価的に変形された全てのもの
は本発明の思想の範疇に属するといえる。
そのように均等にまたは等価的に変形されたものとしては、例えば、本発明による方法
を実施したものと同じ結果を出す、論理的に同値（ｌｏｇｉｃａｌｌｙ ｅｑｕｉｖａｌ
ｅｎｔ）の方法が含まれる。

Claims (8)

  1. 機械学習モデル（ｍａｃｈｉｎｅ ｌｅａｒｉｎｇ ｍｏｄｅｌ）に基づきコンピューティング装置を動作させる方法において、
    ｔ時点を含む第１時間の間に被検体の第１バイタルサイン（ｖｉｔａｌ ｓｉｇｎ）を獲得するステップと、
    前記第１バイタルサインのうちの前記第１時間の最初の一部時間のバイタルサインの平均に基づいて、前記被検体の特性に適合するように、獲得された前記第１バイタルサインを第２バイタルサインに変換するステップと、
    前記第２バイタルサインに基づいて個体化データを生成するステップと、
    前記機械学習モデルに基づき、前記個体化データを用いて、ｔ時点より時間間隔ｎだけ遅いｔ＋ｎ時点での関心症状の発生に関する予測結果を生成するステップと、
    を含むことを特徴とする方法。
  2. 前記予測結果を評価した情報に基づき、前記機械学習モデルを更新するステップ
    を更に含む請求項１に記載の方法。
  3. 前記第１バイタルサインは、
    前記被検体の電子医療記録（ｅｌｅｃｔｒｏｎｉｃ ｍｅｄｉｃａｌ ｒｅｃｏｒｄ；ＥＭＲ）から獲得されることを特徴とする請求項１または２に記載の方法。
  4. 前記第２バイタルサインは、前記バイタルサインの平均に基づいた前記第１時間全体の前記第１バイタルサインの偏差を含み、
    前記個体化データは、多数の他の被検体のバイタルサインの平均及び分散を参照して、前記被検体の前記第１時間全体の前記第２バイタルサインの標準化点数（ｚ－ｓｃｏｒｅ）を算出して生成されることを特徴とする請求項１～３のいずれか一項に記載の方法。
  5. 実際（ｔｒｕｅ）データと偽（ｆａｋｅ）データを利用して機械学習モデルを学習させるステップ
    を更に含むことを特徴とする請求項１～４のいずれか一項に記載の方法。
  6. 前記機械学習モデルは、
    （ｉ）ｓｔ＝ｆ（Ｕｘｔ＋Ｗｓｔ－１）及びｙ＝ｇ（Ｖｓｔ）の式に従う循環神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルと、
    ｘｔは、ｔ時点における前記個体化されたバイタルサインデータから獲得された入力ベクトルを称し、
    ｓｔは、ｔ時点における前記循環神経網モデルの記憶に相応する隠匿状態（ｈｉｄｄｅｎ ｓｔａｔｅ）を称し、
    ｓｔ－１は、ｔ－１時点における前記隠匿状態を称し、
    Ｕ、Ｖ、及びＷは、前記循環神経網モデルの全ての時点にわたって同じく共有される神経網パラメータを称し、
    ｆは、前記隠匿状態を算出するための第１活性化関数を称し、
    ｙは、ｔ時点における前記循環神経網モデルによる潜在的特徴（ｌａｔｅｎｔ ｆｅａｔｕｒｅ）である出力層を称し、
    ｇは、前記出力層を算出するための第２活性化関数を称し、
    （ｉｉ）前記出力層から前記関心症状の発生確率を算出するための少なくとも一つの完全連結層（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）とを含むことを特徴とする請求項１～５のいずれか一項に記載の方法。
  7. 前記関心症状は、
    心停止（ｃａｒｄｉａｃ ａｒｒｅｓｔ）または敗血症を含むことを特徴とする請求項１～６のいずれか一項に記載の方法。
  8. コンピューティング装置が、請求項１～７のいずれか一項に記載の方法を行うように具現されたインストラクション（ｉｎｓｔｒｕｃｔｉｏｎｓ）を含む、媒体に貯蔵されたコンピュータプログラム。
JP2021127878A 2017-08-11 2021-08-04 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置 Active JP7307926B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
KR10-2017-0102265 2017-08-11
KR1020170102265A KR101841222B1 (ko) 2017-08-11 2017-08-11 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR10-2017-0106529 2017-08-23
KR1020170106529A KR101843066B1 (ko) 2017-08-23 2017-08-23 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치
JP2020530296A JP6931897B2 (ja) 2017-08-11 2018-08-07 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2020530296A Division JP6931897B2 (ja) 2017-08-11 2018-08-07 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置

Publications (2)

Publication Number Publication Date
JP2021177429A JP2021177429A (ja) 2021-11-11
JP7307926B2 true JP7307926B2 (ja) 2023-07-13

Family

ID=65271422

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020530296A Active JP6931897B2 (ja) 2017-08-11 2018-08-07 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
JP2021127878A Active JP7307926B2 (ja) 2017-08-11 2021-08-04 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2020530296A Active JP6931897B2 (ja) 2017-08-11 2018-08-07 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置

Country Status (3)

Country Link
US (2) US11735317B2 (ja)
JP (2) JP6931897B2 (ja)
WO (1) WO2019031794A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593716B2 (en) 2019-04-11 2023-02-28 International Business Machines Corporation Enhanced ensemble model diversity and learning
US20200342968A1 (en) 2019-04-24 2020-10-29 GE Precision Healthcare LLC Visualization of medical device event processing
JP7239109B2 (ja) * 2019-06-12 2023-03-14 株式会社モリタ製作所 推定装置、推定システム、推定装置の作動方法、および推定用プログラム
US11507803B2 (en) 2020-01-31 2022-11-22 Rohde & Schwarz Gmbh & Co. Kg System for generating synthetic digital data for data multiplication
US11551061B2 (en) 2020-01-31 2023-01-10 Rohde & Schwarz Gmbh & Co. Kg System for generating synthetic digital data of multiple sources
JP7372614B2 (ja) * 2020-05-14 2023-11-01 学校法人早稲田大学 情報処理システムおよびプログラム
CN112183376A (zh) * 2020-09-29 2021-01-05 中国人民解放军军事科学院国防科技创新研究院 针对eeg信号分类任务的深度学习网络架构搜索方法
KR102559047B1 (ko) * 2021-01-28 2023-07-21 사회복지법인 삼성생명공익재단 증상악화 예측 시스템 및 방법
KR102623020B1 (ko) * 2023-09-11 2024-01-10 주식회사 슈파스 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013524865A (ja) 2010-03-15 2013-06-20 シンガポール ヘルス サービシーズ ピーティーイー リミテッド 患者の生存性を予測する方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3050624B2 (ja) 1991-04-12 2000-06-12 三菱電機株式会社 相関データ収集システム
US7761309B2 (en) * 2002-03-22 2010-07-20 Thinksharp, Inc. Method and system of mass and multiple casualty triage
US20050182655A1 (en) * 2003-09-02 2005-08-18 Qcmetrix, Inc. System and methods to collect, store, analyze, report, and present data
US20110202486A1 (en) * 2009-07-21 2011-08-18 Glenn Fung Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
CN103189883A (zh) * 2010-09-07 2013-07-03 里兰斯坦福初级大学理事会 医学评分系统及方法
KR20130082551A (ko) * 2011-12-08 2013-07-22 한국전자통신연구원 임상 자료 분석 장치 및 그것의 임상 자료 분석 방법
KR20140108417A (ko) 2013-02-27 2014-09-11 김민준 영상정보를 이용한 건강 진단 시스템
US10262108B2 (en) * 2013-03-04 2019-04-16 Board Of Regents Of The University Of Texas System System and method for determining triage categories
US20160143594A1 (en) * 2013-06-20 2016-05-26 University Of Virginia Patent Foundation Multidimensional time series entrainment system, method and computer readable medium
US20160364536A1 (en) * 2015-06-15 2016-12-15 Dascena Diagnostic support systems using machine learning techniques
US20160364545A1 (en) * 2015-06-15 2016-12-15 Dascena Expansion And Contraction Around Physiological Time-Series Trajectory For Current And Future Patient Condition Determination
KR20170061222A (ko) * 2015-11-25 2017-06-05 한국전자통신연구원 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
US20190139631A1 (en) * 2016-05-04 2019-05-09 Koninklijke Philips N.V. Estimation and use of clinician assessment of patient acuity
US20180004901A1 (en) * 2016-06-30 2018-01-04 General Electric Company Systems and methods for holistic analysis of medical conditions
US20200176114A1 (en) * 2017-05-30 2020-06-04 Koninklijke Philips N.V. System and method for providing a layer-based presentation of a model-generated patient-related prediction

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013524865A (ja) 2010-03-15 2013-06-20 シンガポール ヘルス サービシーズ ピーティーイー リミテッド 患者の生存性を予測する方法

Also Published As

Publication number Publication date
JP2021177429A (ja) 2021-11-11
US20230352164A1 (en) 2023-11-02
JP2020532025A (ja) 2020-11-05
US20200176117A1 (en) 2020-06-04
JP6931897B2 (ja) 2021-09-08
US11735317B2 (en) 2023-08-22
WO2019031794A1 (ko) 2019-02-14

Similar Documents

Publication Publication Date Title
JP7307926B2 (ja) 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
Souri et al. A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment
Jerlin Rubini et al. Efficient classification of chronic kidney disease by using multi‐kernel support vector machine and fruit fly optimization algorithm
Folorunso et al. Heart disease classification using machine learning models
Chitra et al. Prediction of heart disease and chronic kidney disease based on internet of things using RNN algorithm
Alotaibi et al. Stroke in-patients' transfer to the ICU using ensemble based model
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
Dhanalakshmi et al. Early detection of sepsis using LSTM and reinforcement learning
JP7165266B2 (ja) 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置
Sengupta et al. Analyzing historical diagnosis code data from NIH N3C and RECOVER Programs using deep learning to determine risk factors for Long Covid
Jahan Machine learning with IoT and big data in healthcare
Bhardwaj et al. Machine learning toward infectious disease treatment
Bhidayasiri et al. Embracing the promise of artificial intelligence to improve patient care in movement disorders
Pradhan et al. Wearable device based on IoT in the healthcare system for disease detection and symptom recognition
Rajaraman et al. Uncovering the effects of model initialization on deep model generalization: A study with adult and pediatric chest X-ray images
Awotunde et al. An IoT Machine Learning Model-Based Real-Time Diagnostic and Monitoring System
Rguibi et al. Automatic searching of deep neural networks for medical imaging diagnostic
Chai et al. Edge Computing with Fog-cloud for Heart Data Processing using Particle Swarm Optimized Deep Learning Technique
Jyothi et al. Decision Support Predictive Model for Prognosis of Diabetes Using PSO-Based Ensemble Learning
Moreira Performance Evaluation of Smart Decision Support Systems on Healthcare
Sahoo et al. Utilizing predictive analysis to aid emergency medical services
Gonzalez Comparing Classifier Performance to Predict Infectious Diseases
Khambampati et al. CureNet: Improving Explainability of AI Diagnosis Using Custom Large Language Models
Shiraj et al. Non-communicable Disease Detection Based on Early Symptoms Using Machine Learning Approach Enabling Smart Healthcare Model (IoMT)
Dhoot et al. A Novel Security Model for Healthcare Prediction by Using DL

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210804

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220920

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221216

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230117

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230406

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20230406

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20230406

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20230426

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: 20230620

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230623

R150 Certificate of patent or registration of utility model

Ref document number: 7307926

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150