JP7364206B2 - 学習装置、学習方法、及び制御プログラム - Google Patents

学習装置、学習方法、及び制御プログラム Download PDF

Info

Publication number
JP7364206B2
JP7364206B2 JP2019074032A JP2019074032A JP7364206B2 JP 7364206 B2 JP7364206 B2 JP 7364206B2 JP 2019074032 A JP2019074032 A JP 2019074032A JP 2019074032 A JP2019074032 A JP 2019074032A JP 7364206 B2 JP7364206 B2 JP 7364206B2
Authority
JP
Japan
Prior art keywords
learning
cancer
urine
candidate data
cancer patient
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
JP2019074032A
Other languages
English (en)
Other versions
JP2020173528A (ja
Inventor
聡 山田
力 江藤
純子 渡辺
正夫 宮下
真吏奈 後藤
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.)
NEC Corp
Original Assignee
NEC Corp
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
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2019074032A priority Critical patent/JP7364206B2/ja
Priority to PCT/JP2020/015290 priority patent/WO2020209191A1/ja
Priority to US17/601,857 priority patent/US20220172843A1/en
Publication of JP2020173528A publication Critical patent/JP2020173528A/ja
Application granted granted Critical
Publication of JP7364206B2 publication Critical patent/JP7364206B2/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
    • 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
    • G16H50/70—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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Description

本開示は、学習装置、学習方法、及び制御プログラムに関する。
被験者の尿サンプルから臭いを検出し、検出した臭い（つまり、センシング結果データ）から疾病を判別する判別モデルを作成する技術が提案されている（例えば、特許文献１）。
特表２００４－５３１７１８号公報
しかしながら、特許文献１に開示されている技術では、センシング結果データを選別することなくすべてを判別モデルの作成に用いるデータ（つまり、学習対象データ）としているので、判別モデルの精度が所望レベルに達しない可能性がある。
本開示の目的は、判別モデルの精度向上を実現できる、学習装置、学習方法、及び制御プログラムを提供することにある。
第１の態様にかかる学習装置は、複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別する選別部と、
前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する判別モデル形成部と、
を具備する。
第２の態様にかかる学習方法は、複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別し、
前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する。
第３の態様にかかる制御プログラムは、複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別し、
前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する、
処理を、学習装置に実行させる。
本開示により、判別モデルの精度向上を実現できる、学習装置、学習方法、及び制御プログラムを提供することができる。
第１実施形態における学習装置の一例を示すブロック図である。 第２実施形態における選別ルールの一例の説明に供する図である。 第３実施形態における選別ルールの一例の説明に供する図である。 第３実施形態における選別ルールの他の一例の説明に供する図である。 第４実施形態における学習装置の一例を示すブロック図である。 第５実施形態における癌診断システムの一例を示すブロック図である。 第５実施形態における収集データテーブルの一例を示す図である。 第６実施形態における学習装置の一例を示すブロック図である。 第６実施形態における学習対象データセットの形成方法の一例の説明に供する図である。 第９実施形態における学習装置の一例を示すブロック図である。 第１０実施形態における癌診断システムの一例を示すブロック図である。 学習装置のハードウェア構成例を示す図である。
以下、図面を参照しつつ、実施形態について説明する。なお、実施形態において、同一又は同等の要素には、同一の符号を付し、重複する説明は省略される。
＜第１実施形態＞
図１は、第１実施形態における学習装置の一例を示すブロック図である。図１に示す学習装置１０は、判別対象の尿臭データユニット（以下、「判別対象尿臭データユニット」と呼ぶ）が癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための「判別モデル」を学習する装置である。図１において学習装置１０は、選別部１１と、判別モデル形成部１２とを有している。
選別部１１は、複数の「学習候補データユニット」（つまり、学習候補データユニット群）を入力する。該複数の学習候補データユニットは、複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応する。また、各学習候補データユニットは、「尿臭データユニット」及び「癌ラベル」を少なくとも含んでいる。学習候補データユニットに含まれる尿臭データユニットは、対応する被験者の尿から検出された臭いに関するデータであり、その形式は、例えば臭いの特徴量から成るベクトル、又は、階数が２以上のテンソルであってもよい。また、「癌ラベル」は、対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示すラベルであり、例えば、対応する被験者が癌患者であるか又は非癌患者であるかを示すサブラベルを含んでいてもよい。すなわち、「癌ラベル」は、対応する被験者が癌患者であるか又は非癌患者であるかを示すサブラベルの他に、例えば、癌種別を示すサブラベル又は癌の進行度を示すサブラベル等を含んでいてもよい。
そして、選別部１１は、入力された複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。
判別モデル形成部１２は、選別部１１にて選別された学習対象データセットを用いて、上記の「判別モデル」を形成する。このように形成された判別モデルは、対応する被験者が癌患者であるか非癌患者であるか判別されていない、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するために、判別処理において用いられる。「判別モデル」を形成する学習方法は、特に限定されるものではなく、例えば、ロジスティック回帰（ＬＲ）、サポートベクターマシン（ＳＶＭ）、ランダムフォレスト（ＲＦ）、ニューラルネットワーク（ＮＮ）等であってもよい。
以上のように第１実施形態によれば、学習装置１０にて選別部１１は、上記の複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。判別モデル形成部１２は、選別部１１にて選別された学習対象データセットを用いて、上記の「判別モデル」を形成する。
この学習装置１０の構成により、実際に学習対象とする学習候補データユニットを選別することができるので、判別モデルの精度向上を実現できる。
＜第２実施形態＞
第２実施形態は、上記の「選別ルール」の具体例に関する。第２実施形態の学習装置の基本構成は、第１実施形態の学習装置１０と同じなので、図１を参照して説明する。
第２実施形態の学習装置１０にて選別部１１は、第１実施形態と同様に、入力された複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。
第２実施形態における「選別ルール」は、「学習対象データセット」において癌患者を示す癌ラベルを有する学習候補データユニットの数と非癌患者を示す癌ラベルを有する学習候補データユニットの数とをバランスさせる、サブルール（以下では、「第１サブルール」と呼ぶことがある）を含んでいる。
図２は、第２実施形態における選別ルールの一例の説明に供する図である。図２の左図は、選別部１１に入力される学習候補データユニット群の一例を示し、図２の右図は、選別部１１にて選別された「学習対象データセット」の一例を示している。
図２の左図において各エントリは、学習候補データユニットに対応し、項目として、インデックス（Ｉｎｄ）と尿臭データユニットと癌ラベル（ガン／ｎｏｔ）とを含んでいる。そして、図２の例では、上記の第１サブルールに従って、選別部１１によって、エントリ１，４，５，６が学習対象データセットとして選択され、エントリ２，３が学習対象データセットから除外されている。なお、被験者が癌患者であることを示す癌ラベルを有するエントリ１～４のうちから学習対象データセットとして選択される２つのエントリは、ランダムに選択されてもよいし、所定のルールに基づいて選択されてもよい。
以上のように第２実施形態によれば、学習装置１０にて選別部１１は、入力された複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。「選別ルール」は、「学習対象データセット」において癌患者を示す癌ラベルを有する学習候補データユニットの数と非癌患者を示す癌ラベルを有する学習候補データユニットの数とをバランスさせる、サブルールを含む。
この学習装置１０の構成により、「学習対象データセット」において癌患者を示す癌ラベルを有する学習候補データユニットの数と非癌患者を示す癌ラベルを有する学習候補データユニットの数とをバランスさせることができる。これにより、判別モデルの精度向上を実現できる。
＜第３実施形態＞
第３実施形態は、上記の「選別ルール」のバリエーションに関する。第３実施形態の学習装置の基本構成は、第１実施形態の学習装置１０と同じなので、図１を参照して説明する。
第３実施形態において、各学習候補データユニットは、上記の「尿臭データユニット」及び「癌ラベル」の他に、被験者に関する「特性パラメータ」を含んでいる。「特性パラメータ」は、Ｎ（Ｎは、２以上の自然数）個の第ｋ値（ｋ＝１，・・・，Ｎ）を取り得る。すなわち、「特性パラメータ」は、少なくとも第１値及び第２値を取り得る。例えば、「特性パラメータ」は、被験者についての、「性別」、「身長」、「体重」、「癌以外の並存病」、及び、「投薬種別」のうちのいずれか１つ又は任意の組み合わせであってもよい。
第３実施形態の学習装置１０にて選別部１１は、第１実施形態及び第２実施形態と同様に、入力された複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。
第３実施形態における「選別ルール」は、「学習対象データセット」において、各第ｋ値を有する学習候補データユニットの数をバランスさせる、サブルール（以下では、「第２サブルール」と呼ぶことがある）を含む。すなわち、第２サブルールは、学習対象データセットにおいて上記の第１値を有する学習候補データユニットの数と上記の第２値を有する学習候補データユニットの数とをバランスさせる、ルールである。この第２サブルールは、上記の第１サブルールと共に用いられてもよいし、単独で用いられてもよい。
（サブルールの例１）
図３は、第３実施形態における選別ルールの一例の説明に供する図である。図３の左図は、選別部１１に入力される学習候補データユニット群の一例を示し、図３の右図は、選別部１１にて選別された「学習対象データセット」の一例を示している。
図３の左図において各エントリは、学習候補データユニットに対応し、項目として、インデックス（Ｉｎｄ）と尿臭データユニットと癌ラベル（ガン／ｎｏｔ）と性別とを含んでいる。すなわち、図３の例では、上記の特性パラメータとして、性別が用いられている。そして、図３の例では、上記の第１サブルール及び第２サブルールに従って、選別部１１によって、エントリ３，４，５，８が学習対象データセットとして選択され、エントリ１，２，６，７が学習対象データセットから除外されている。なお、被験者が癌患者であることを示す癌ラベルを有し且つ性別が男であるエントリ１～３のうちから学習対象データセットとして選択されるエントリは、ランダムに選択されてもよいし、所定のルールに基づいて選択されてもよい。また、被験者が非癌患者であることを示す癌ラベルを有し且つ性別が女であるエントリ６～８のうちから学習対象データセットとして選択されるエントリは、ランダムに選択されてもよいし、所定のルールに基づいて選択されてもよい。
（サブルールの例２）
図４は、第３実施形態における選別ルールの他の一例の説明に供する図である。図４の左図は、選別部１１に入力される学習候補データユニット群の一例を示し、図４の右図は、選別部１１にて選別された「学習対象データセット」の一例を示している。
図４の左図において各エントリは、学習候補データユニットに対応し、項目として、インデックス（Ｉｎｄ）と尿臭データユニットと癌ラベル（ガン／ｎｏｔ）と年齢とを含んでいる。すなわち、図４の例では、上記の特性パラメータとして、年齢が用いられている。ここで、年齢のように連続的な値を取る特性パラメータである場合には、特性パラメータの値に関する複数の範囲が定義され、上記の第２サブルールは、「学習対象データセット」において各範囲の学習候補データユニットの数をバランスさせる、ルールであってもよい。例えば、上記の複数の範囲は、１０歳未満、１０代、２０代、３０代、４０代、・・・である。図４の例では、上記の第１サブルール及び第２サブルールに従って、選別部１１によって、エントリ１，２，４，５，７，８が学習対象データセットとして選択され、エントリ３，６が学習対象データセットから除外されている。
（サブルールの例３）
また、上記の特性パラメータとして、被験者に対して癌以外の並存病の治療のために投与された投薬種別が用いられてもよい。この場合、「選別ルール」は、学習対象データセットにおいて、被験者の尿に影響を及ぼす投薬を示す投薬種別及び癌患者を示す癌ラベルを有する学習候補データユニットの数と、被験者の尿に影響を及ぼす投薬を示す投薬種別及び非癌患者を示す癌ラベルを有する学習候補データユニットの数とをバランスさせる、サブルールを含んでいてもよい。このサブルールによって選別された学習対象データセットを判別モデルの学習に用いることにより、判別モデル形成部１２にて形成された判別モデルが「被験者の尿に影響を及ぼす投薬種別を判別する判別モデル」になってしまう弊害を防止することができる。
そして、第３実施形態の判別モデル形成部１２は、第１実施形態及び第２実施形態と同様に、選別部１１にて選別された「学習対象データセット」を用いて、上記の「判別モデル」を形成する。ここで、判別モデル形成部１２は、判別モデルの学習において用いる学習パラメータとして、学習対象データセットの各学習候補データユニットに含まれる特性パラメータを学習に用いずに尿臭データユニット及び癌ラベルを用いて、判別モデルを形成してもよい。これに代えて、判別モデル形成部１２は、判別モデルの学習において用いる学習パラメータとして、学習対象データセットの各学習候補データユニットに含まれる特性パラメータ、尿臭データユニット、及び癌ラベルのすべてを用いて、判別モデルを形成してもよい。
以上のように第３実施形態によれば、学習装置１０にて選別部１１は、入力された複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。各学習候補データユニットは、少なくとも第１値及び第２値を取り得る、被験者に関する「特性パラメータ」をさらに含む。「選別ルール」は、学習対象データセットにおいて第１値を有する学習候補データユニットの数と第２値を有する学習候補データユニットの数とをバランスさせる、サブルールを含む。
この学習装置１０の構成により、学習対象データセットにおいて各特性パラメータ値間の学習候補データユニットの数をバランスさせることができる。これにより、判別モデルの精度向上を実現できる。
＜第４実施形態＞
第４実施形態は、選別ルールに含まれる互いに異なる複数のサブルールのうちで使用対象のサブルールの指定を受付可能な学習装置に関する。
図５は、第４実施形態における学習装置の一例を示すブロック図である。図５において学習装置２０は、選別部１１と、判別モデル形成部１２と、指定受付部２１とを有している。
第４実施形態において「選別ルール」は、互いに異なる複数のサブルールを含んでいる。指定受付部２１は、ユーザが操作部（不図示）を操作することにより指定した、１つのサブルール又は複数のサブルールの組み合わせを示す「指定信号」を受け付ける。そして、指定受付部２１は、指定信号が示す、１つのサブルール又は複数のサブルールの組み合わせを「使用選別ルール」として、選別部１１に対して設定する。これにより、選別部１１は、入力された複数の学習候補データユニットから、指定受付部２１によって設定された「使用選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。
以上のように第４実施形態によれば、学習装置２０にて指定受付部２１は、ユーザが操作部（不図示）を操作することにより指定した、１つのサブルール又は複数のサブルールの組み合わせを示す「指定信号」を受け付ける。そして、指定受付部２１は、指定信号が示す、１つのサブルール又は複数のサブルールの組み合わせを「使用選別ルール」として、選別部１１に対して設定する。
この学習装置２０の構成により、ユーザのニーズにマッチした選別ルールを用いて、「学習対象データセット」を選別することができる。
＜第５実施形態＞
第５実施形態は、学習装置を含む癌検診システムに関する。
＜癌検診システムの概要＞
図６は、第５実施形態における癌診断システムの一例を示すブロック図である。図６において癌診断システム１は、データ取得装置３０と、学習装置４０と、判別装置５０とを有している。例えば、データ取得装置３０は、病院又は研究機関に配設されてもよい。また、例えば、学習装置４０は、病院又は研究機関でも、クラウド上で構築されてもよい。また、判別装置５０は、判別対象の尿が癌患者の尿及び非癌患者の尿のいずれであるかを判別する判別機関に配設されてもよく、判別機関は病院又は研究機関であってもよい。
＜データ取得装置の構成例＞
図６においてデータ取得装置３０は、臭いセンサ３１と、記憶部３２と、通信部３３とを有している。臭いセンサ３１は、被験者の尿から臭いを検知して尿臭データユニットを形成し、形成した尿臭データユニットを記憶部３２へ出力する。
記憶部３２は、臭いセンサ３１から受け取った尿臭データユニットを、テーブル（以下では、「収集データテーブル」と呼ぶことがある）の形式で記憶する。図７は、第５実施形態における収集データテーブルの一例を示す図である。図７に示す収集データテーブルにおいて各エントリは、項目として、インデックスと尿臭データユニットと癌ラベル（ガン／ｎｏｔ）と「被験者情報」とを含んでいる。「被験者情報」は、例えば、被験者についての、「性別」、「身長」、「体重」、「癌以外の並存病」、及び、「投薬種別」、並びに、尿が採取されたときの採取条件（病院内又は外来等）及び採取日を含んでいてもよい。すなわち、「被験者情報」には、上記の「特性パラメータ」の情報が含まれている。なお、図７の例では、収集データテーブルを１つのテーブルの形式で表しているが、収集データテーブルは、複数のテーブルの集合として形成されてもよい。例えば、収集データテーブルは、尿サンプルＩＤと被験者ＩＤとを対応づけた第１テーブルと、尿サンプルＩＤと尿臭データユニットとを対応づけた第２テーブルと、被験者ＩＤと被験者情報とを対応づけた第３テーブルと、尿サンプルＩＤと癌ラベルとを対応づけた第４テーブルとから成る、テーブル集合であってもよい。
通信部３３は、記憶部３２に記憶されている収集データテーブルを学習装置４０へ送信する。
＜学習装置の構成例＞
図６において学習装置４０は、通信部４１と、記憶部４２と、選別部４３と、判別モデル形成部４４とを有している。
通信部４１は、データ取得装置３０から送信された収集データテーブルを受信して、記憶部４２へ出力する。
記憶部４２は、通信部４１から受け取った収集データテーブルを記憶する。
選別部４３は、記憶部４２に記憶されている収集データテーブルの各エントリから学習候補データユニットを抽出して取得する。すなわち、収集データテーブルの各エントリには、選別部４３における選別処理に必要のない項目も含まれているので、各エントリから必要な項目の情報を抽出して学習候補データユニットとして取得する。
そして、選別部４３は、第１実施形態から第４実施形態のいずれかの選別部１１と同様に、取得した複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する。
判別モデル形成部４４は、第１実施形態から第４実施形態の判別モデル形成部１２と同様に、選別部４３にて選別された学習対象データセットを用いて、上記の「判別モデル」を形成する。
＜判別装置の構成例＞
図６において判別装置５０は、臭いセンサ５１と、判別部５２とを有している。
臭いセンサ５１は、判別対象の被験者の尿から臭いを検知して判別対象尿臭データユニットを形成し、形成した判別対象尿臭データユニットを判別部５２へ出力する。
判別部５２は、学習装置４０にて形成された判別モデルを用いて、臭いセンサ５１から受け取った判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別する。ここで、判別部５２は、学習装置４０において判別モデルの学習に特性パラメータが用いられずに尿臭データユニットが用いられている場合、臭いセンサ５１から受け取った判別対象尿臭データユニットを用いて判別する。一方、学習装置４０において判別モデルの学習に尿臭データユニットと共に特性パラメータが用いられている場合、判別部５２には、判別対象の被験者に関する特性パラメータの値も入力される。そして、判別部５２は、入力された判別対象尿臭データユニット及び特性パラメータ値と判別モデルとに基づいて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別する。
なお、以上の説明では、判別装置５０をデータ取得装置３０及び学習装置４０と独立した装置として説明したが、これに限定されるものではない。例えば、判別装置５０は、データ取得装置３０に含まれてもよい。この場合、臭いセンサ３１と臭いセンサ５１とは、１つの臭いセンサであってもよい。また、例えば、判別装置５０の判別部５２は、学習装置４０に設けられてもよい。この場合、臭いセンサ５１で形成された判別対象尿臭データユニットは、判別装置５０の通信部（不図示）を介して学習装置４０へ送信され、学習装置４０に設けられた判別部５２が、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別してもよい。
以上の第１実施形態から第５実施形態では、学習装置の選別部において、複数の学習候補データユニットから、「選別ルール」に基づいて、該複数の学習候補データユニットの一部を、「学習対象データセット」として選別する、実施形態について説明した。第６実施形態以降では、学習装置において、複数の学習候補データユニットの各々に対して、バランシングルールに基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成する、実施形態について説明する。
＜第６実施形態＞
図８は、第６実施形態における学習装置の一例を示すブロック図である。図８に示す学習装置６０は、第１実施形態から第５実施形態の学習装置と同様に、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための「判別モデル」を学習する装置である。図８において学習装置６０は、学習対象データセット形成部６１と、判別モデル形成部６２とを有している。
学習対象データセット形成部６１は、第１実施形態から第５実施形態の学習装置の選別部と同様に、複数の学習候補データユニット（学習候補データユニット群）を入力する。
そして、学習対象データセット形成部６１は、複数の学習候補データユニットの各々に対して、「バランシングルール」に基づいて、「ウェイト」を付与することにより、「学習対象データセット」を形成する。該ウェイトは、判別モデルを形成するために用いられる損失関数のウェイトである。ここで、ウェイトとしてゼロを学習候補データユニットに対して付与すれば該学習候補データユニットは判別モデル形成部６２における学習に寄与しないことになる。従って、学習候補データユニットに対してゼロ値のウェイトを付与することは、第１実施形態から第５実施形態における「選別処理」において学習対象データセットから除外されることと同等である。
図８の説明に戻り、判別モデル形成部６２は、学習対象データセット形成部６１にて形成された学習対象データセットに基づいて、上記の判別モデルを形成する。
具体的には、判別モデル形成部６２は、学習対象データセットの各学習候補データユニットの尿臭データユニットと癌ラベルと判別モデルfから得られる損失関数ｌｏｓｓの値に対してウェイトｗを乗算して得られた値を、すべての学習候補データユニットについてサマリした総和（下記の式（１）を参照）が最小となるように、判別モデルfを形成する。この損失関数は特に限定されるものではなく、例えばクロスエントロピー、ヒンジロス、指数ロス、0/1ロスなどであっても良い。
Figure 0007364206000001
 式（１）において、Ｎは、学習対象データセットに含まれる学習候補データユニットの数を示す。また、ｉは、ｉ番目の学習候補データユニットを示す。ｗｉは、ｉ番目の学習候補データユニットのウェイトを表す。ｘｉは、ｉ番目の学習候補データユニットの説明変数を示し、少なくともｉ番目の学習候補データユニットの尿臭データユニットを含む。また、ｙｉは、癌ラベルを示す。
以上のように第６実施形態によれば、学習装置６０にて学習対象データセット形成部６１は、入力された複数の学習候補データユニットの各々に対して、バランシングルールに基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成する。判別モデル形成部６２は、学習対象データセット形成部６１にて形成された学習対象データセットに基づいて、上記の判別モデルを形成する。
この学習装置６０の構成により、判別モデル形成部６２の学習に対する、各学習候補データユニットの寄与度を調整することができる。これにより、判別モデルの精度向上を実現できる。
＜第７実施形態＞
第７実施形態は、上記の「バランシングルール」の具体例に関する。第７実施形態の学習装置の基本構成は、第６実施形態の学習装置６０と同じなので、図８を参照して説明する。
第７実施形態の学習装置６０にて学習対象データセット形成部６１は、第６実施形態と同様に、入力された複数の学習候補データユニットの各々に対して、「バランシングルール」に基づいて、「ウェイト」を付与することにより、「学習対象データセット」を形成する。
第７実施形態における「バランシングルール」は、「学習対象データセット」にて癌患者を示す癌ラベルを有する学習候補データユニットに付与されたウェイトの総和と非癌患者を示す癌ラベルを有する学習候補データユニットに付与されたウェイトの総和とをバランスさせる、サブルールＡ１を含む。
図９は、第６実施形態における学習対象データセットの形成方法の一例の説明に供する図である。図９の左図は、学習対象データセット形成部６１に入力される学習候補データユニット群の一例を示し、図９の右図は、学習対象データセット形成部６１にて選別された「学習対象データセット」の一例を示している。
図９の左図において各エントリは、学習候補データユニットに対応し、項目として、インデックス（Ｉｎｄ）と尿臭データユニットと癌ラベル（ガン／ｎｏｔ）とを含んでいる。そして、図９の右図に示すように、「バランシングルール」に従って、学習対象データセット形成部６１によって、各エントリに対してウェイト（重み）ｗが、付されている。図９に示す例では、癌患者を示す癌ラベルを有するエントリのウェイトの総和と、非癌患者を示す癌ラベルを有するエントリのウェイトの総和とが等しくなるように、各エントリに対してウェイトが付されている。また、図９に示す例では、癌患者を示す癌ラベルを有する学習候補データユニットのウェイトは、非癌患者を示す癌ラベルを有する学習候補データユニットのウェイトよりも小さくなっている。このため、癌患者を示す癌ラベルを有する学習候補データユニットは、非癌患者を示す癌ラベルを有する学習候補データユニットに比べて、判別モデル形成部６２の学習に対する寄与度が低くなっている。なお、図９の例では、癌患者を示す癌ラベルを有する複数の学習候補データユニットのそれぞれに付されるウェイトが等しくなっているが、これに限定されるものではなく、異なっていてもよい。非癌患者を示す癌ラベルを有する複数の学習候補データユニットについても同様である。
第７実施形態の判別モデル形成部６２は、第６実施形態と同様に、例えば上記の式（１）によって得られる値が最小となるように、判別モデルを形成する。図９の例では、式（１）におけるｘｉは、ｉ番目の学習候補データユニットの尿臭データユニットである。
以上のように第７実施形態によれば、学習装置６０にて学習対象データセット形成部６１は、入力された複数の学習候補データユニットの各々に対して、「バランシングルール」に基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成する。「バランシングルール」は、「学習対象データセット」において癌患者を示す癌ラベルを有する学習候補データユニットに付与されたウェイトの総和と非癌患者を示す癌ラベルを有する学習候補データユニットに付与されたウェイトの総和とをバランスさせる、サブルールを含む。
この学習装置６０の構成により、判別モデル形成部６２の学習に対する、「学習対象データセット」において癌患者を示す癌ラベルを有する学習候補データユニットの全体の寄与度と非癌患者を示す癌ラベルを有する学習候補データユニットの全体の寄与度とをバランスさせることができる。これにより、判別モデルの精度向上を実現できる。
＜第８実施形態＞
第８実施形態は、上記の「バランシングルール」のバリエーションに関する。第８実施形態の学習装置の基本構成は、第６実施形態の学習装置６０と同じなので、図８を参照して説明する。
第８実施形態において、各学習候補データユニットは、上記の「尿臭データユニット」及び「癌ラベル」の他に、被験者に関する「特性パラメータ」を含んでいる。「特性パラメータ」は、Ｎ（Ｎは、２以上の自然数）個の第ｋ値（ｋ＝１，・・・，Ｎ）を取り得る。すなわち、「特性パラメータ」は、少なくとも第１値及び第２値を取り得る。例えば、「特性パラメータ」は、被験者についての、「性別」、「身長」、「体重」、「癌以外の並存病」、及び、「投薬種別」のうちのいずれか１つ又は任意の組み合わせであってもよい。
第８実施形態の学習装置６０にて学習対象データセット形成部６１は、第６実施形態及び第７実施形態と同様に、入力された複数の学習候補データユニットの各々に対して、「バランシングルール」に基づいて、「ウェイト」を付与することにより、「学習対象データセット」を形成する。
第８実施形態における「バランシングルール」は、「学習対象データセット」において、各第ｋ値を有する学習候補データユニットのウェイトの総和をバランスさせる、サブルールＡ２を含む。すなわち、サブルールＡ２は、学習対象データセットにおいて上記の第１値を有する学習候補データユニットのウェイトの総和と上記の第２値を有する学習候補データユニットのウェイトの総和とをバランスさせる、ルールである。サブルールＡ２は、上記のサブルールＡ１と共に用いられてもよいし、単独で用いられてもよい。
例えば、上記の特性パラメータとして、被験者に対して癌以外の並存病の治療のために投与された投薬種別が用いられてもよい。この場合、「バランシングルール」は、学習対象データセットにおいて、被験者の尿に影響を及ぼす投薬を示す投薬種別及び癌患者を示す癌ラベルを有する学習候補データユニットのウェイトの総和と被験者の尿に影響を及ぼす投薬を示す投薬種別及び非癌患者を示す癌ラベルを有する学習候補データユニットのウェイトの総和とをバランスさせる、サブルールを含んでいてもよい。
以上のように第８実施形態によれば、学習装置６０にて学習対象データセット形成部６１は、入力された複数の学習候補データユニットの各々に対して、「バランシングルール」に基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成する。各学習候補データユニットは、少なくとも第１値及び第２値を取り得る、被験者に関する「特性パラメータ」をさらに含む。「バランシングルール」は、学習対象データセットにおいて、上記の第１値を有する学習候補データユニットのウェイトの総和と上記の第２値を有する学習候補データユニットのウェイトの総和とをバランスさせる、サブルールを含む。
この学習装置６０の構成により、学習対象データセットにおいて各特性パラメータ値間のウェイトの総和をバランスさせることができる。これにより、判別モデルの精度向上を実現できる。
＜第９実施形態＞
第９実施形態は、バランシングルールに含まれる互いに異なる複数のサブルールのうちで使用対象のサブルールの指定を受付可能な学習装置に関する。
図１０は、第９実施形態における学習装置の一例を示すブロック図である。図１０において学習装置７０は、学習対象データセット形成部６１と、判別モデル形成部６２と、指定受付部７１とを有している。
第９実施形態において「バランシングルール」は、互いに異なる複数のサブルールを含んでいる。指定受付部７１は、ユーザが操作部（不図示）を操作することにより指定した、１つのサブルール又は複数のサブルールの組み合わせを示す「指定信号」を受け付ける。そして、指定受付部７１は、指定信号が示す、１つのサブルール又は複数のサブルールの組み合わせを「使用バランシングルール」として、学習対象データセット形成部６１に対して設定する。これにより、学習対象データセット形成部６１は、入力された各学習候補データユニットに対して、指定受付部７１によって設定された「使用バランシングルール」に基づき、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成できる。
以上のように第９実施形態によれば、学習装置７０にて指定受付部７１は、ユーザが操作部（不図示）を操作することにより指定した、１つのサブルール又は複数のサブルールの組み合わせを示す「指定信号」を受け付ける。そして、指定受付部７１は、指定信号が示す、１つのサブルール又は複数のサブルールの組み合わせを「使用バランシングルール」として、学習対象データセット形成部６１に対して設定する。
この学習装置７０の構成により、ユーザのニーズにマッチしたバランシングルールを用いて、「学習対象データセット」を形成することができる。
＜第１０実施形態＞
第１０実施形態は、学習装置を含む癌検診システムに関する。
＜癌検診システムの概要＞
図１１は、第１０実施形態における癌診断システムの一例を示すブロック図である。図１０において癌診断システム２は、データ取得装置３０と、学習装置８０と、判別装置５０とを有している。例えば、学習装置８０は、病院又は研究機関でも、クラウド上で構築されてもよい。なお、データ取得装置３０及び判別装置５０は、第５実施形態と同じである。
＜学習装置の構成例＞
図１１において学習装置８０は、通信部４１と、記憶部４２と、学習対象データセット形成部８１と、判別モデル形成部８２とを有している。
学習対象データセット形成部８１は、記憶部４２に記憶されている収集データテーブルの各エントリから学習候補データユニットを抽出して取得する。すなわち、収集データテーブルの各エントリには、選別部４３における選別処理に必要のない項目も含まれているので、各エントリから必要な項目の情報を抽出して学習候補データユニットとして取得する。
そして、学習対象データセット形成部８１は、第６実施形態から第９実施形態のいずれかの学習対象データセット形成部６１と同様に、複数の学習候補データユニットの各々に対して、「バランシングルール」に基づいて、「ウェイト」を付与することにより、「学習対象データセット」を形成する。
判別モデル形成部８２は、第６実施形態から第９実施形態の判別モデル形成部６２と同様に、学習対象データセット形成部８１にて形成された学習対象データセットを用いて、上記の「判別モデル」を形成する。
＜他の実施形態＞
図１２は、学習装置のハードウェア構成例を示す図である。図１２において学習装置１００は、プロセッサ１０１と、メモリ１０２と、通信回路１０３とを有している。プロセッサ１０１は、例えば、マイクロプロセッサ、MPU（Micro Processing Unit）、又はCPU（Central Processing Unit）であってもよい。プロセッサ１０１は、複数のプロセッサを含んでもよい。メモリ１０２は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。メモリ１０２は、プロセッサ１０１から離れて配置されたストレージを含んでもよい。この場合、プロセッサ１０１は、図示されていないI/Oインタフェースを介してメモリ１０２にアクセスしてもよい。
第１実施形態から第１０実施形態の学習装置１０，２０，４０，６０，７０，８０は、それぞれ、図１２に示したハードウェア構成を有することができる。第１実施形態から第１０実施形態の学習装置１０，２０，４０，６０，７０，８０の選別部１１，４３と、判別モデル形成部１２，４４と、指定受付部２１と、学習対象データセット形成部６１，８１と、判別モデル形成部６２，８２と、指定受付部７１とは、プロセッサ１０１がメモリ１０２に記憶されたプログラムを読み込んで実行することにより実現されてもよい。また、記憶部４２は、メモリ１０２によって実現されてもよい。また、通信部４１は、通信回路１０３によって実現されてもよい。プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、学習装置１０，２０，４０，６０，７０，８０に供給することができる。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）を含む。さらに、非一時的なコンピュータ可読媒体の例は、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗを含む。さらに、非一時的なコンピュータ可読媒体の例は、半導体メモリを含む。半導体メモリは、例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によって学習装置１０，２０，４０，６０，７０，８０に供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムを学習装置１０，２０，４０，６０，７０，８０に供給できる。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記Ａ１）
複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別する選別部と、
前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する判別モデル形成部と、
を具備する、学習装置。
（付記Ａ２）
各学習候補データユニットは、少なくとも第１値及び第２値を取り得る、前記被験者に関する特性パラメータをさらに含み、
前記選別ルールは、前記学習対象データセットにおいて前記第１値を有する前記学習候補データユニットの数と前記第２値を有する前記学習候補データユニットの数とをバランスさせる、第１サブルールを含む、
付記Ａ１記載の学習装置。
（付記Ａ３）
前記選別ルールは、前記学習対象データセットにおいて癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数と非癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数とをバランスさせる、第２サブルールをさらに含む、
付記Ａ２記載の学習装置。
（付記Ａ４）
前記特性パラメータは、前記被験者についての、性別、身長、体重、癌以外の並存病、及び、投薬種別のうちのいずれか１つ又は任意の組み合わせである、
付記Ａ２又はＡ３に記載の学習装置。
（付記Ａ５）
前記選別ルールは、互いに異なる複数のサブルールを含み、
前記複数のサブルールのうちで、前記選別部にて前記学習対象データセットの選別に用いられるサブルールの指定を受け付ける、指定受付部をさらに具備する、
付記Ａ２からＡ４のいずれか１項に記載の学習装置。
（付記Ａ６）
前記判別モデル形成部は、前記選別された学習対象データセットの各学習候補データユニットに含まれる前記特性パラメータを学習に用いずに前記尿臭データユニット及び癌ラベルを用いて、前記判別モデルを形成する、
付記Ａ２からＡ５のいずれか１項に記載の学習装置。
（付記Ａ７）
各学習候補データユニットは、前記被験者に対して癌以外の並存病の治療のために投与された投薬種別をさらに含み、
前記選別ルールは、前記学習対象データセットにおいて、前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数と前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び非癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数とをバランスさせる、第３サブルールを含む、
付記Ａ１記載の学習装置。
（付記Ａ８）
前記癌ラベルは、前記被験者の癌の種類及び癌の進行度のうちの少なくとも１つをさらに含む、
付記Ａ１からＡ７のいずれか１項に記載の学習装置。
（付記Ａ９）
複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別し、
前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する、
学習方法。
（付記Ａ１０）
複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別し、
前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する、
処理を、学習装置に実行させる制御プログラム。
（付記Ｂ１）
複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットの各々に対して、バランシングルールに基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成する、学習対象データセット形成部と、
前記形成された学習対象データセットに基づいて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための前記判別モデルを形成する判別モデル形成部と、
を具備する、学習装置。
（付記Ｂ２）
前記バランシングルールは、前記学習対象データセットにおいて前記被験者が癌患者であることを示す癌ラベルを有する前記学習候補データユニットに付与されたウェイトの総和と前記被験者が非癌患者であることを示す癌ラベルを有する前記学習候補データユニットに付与されたウェイトの総和とをバランスさせる、サブルールを含む、
付記Ｂ１記載の学習装置。
（付記Ｂ３）
各学習候補データユニットは、少なくとも第１値及び第２値を取り得る、前記被験者に関する特性パラメータをさらに含み、
前記バランシングルールは、前記学習対象データセットにおいて前記第１値を有する前記学習候補データユニットに付与されたウェイトの総和と前記第２値を有する前記学習候補データユニットに付与されたウェイトの総和とをバランスさせる、サブルールを含む、
付記Ｂ１記載の学習装置。
（付記Ｂ４）
前記特性パラメータは、前記被験者についての、性別、身長、体重、癌以外の並存病、及び、投薬種別のうちのいずれか１つ又は任意の組み合わせである、
付記Ｂ３に記載の学習装置。
（付記Ｂ５）
前記バランシングルールは、互いに異なる複数のサブルールを含み、
前記複数のサブルールのうちで、前記学習対象データセット形成部にて前記学習対象データセットの形成に用いられるサブルールの指定を受け付ける、指定受付部をさらに具備する、
付記Ｂ３又はＢ４に記載の学習装置。
（付記Ｂ６）
各学習候補データユニットは、前記被験者に対して癌以外の並存病の治療のために投与された投薬種別をさらに含み、
前記バランシングルールは、前記学習対象データセットにおいて、前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び癌患者を示す前記癌ラベルを有する前記学習候補データユニットのウェイトの総和と前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び非癌患者を示す前記癌ラベルを有する前記学習候補データユニットのウェイトの総和とをバランスさせる、サブルールを含む、
付記Ｂ１記載の学習装置。
（付記Ｂ７）
前記学習対象データセット形成部は、前記複数の学習候補データユニットのうちの一部に対して、ゼロ値の前記ウェイトを付与することにより、該一部の学習候補データユニットを前記学習対象データセットから除外する、
付記Ｂ１からＢ６のいずれか１項に記載の学習装置。
（付記Ｂ８）
前記癌ラベルは、前記被験者の癌の種類及び癌の進行度のうちの少なくとも１つをさらに含む、
付記Ｂ１からＢ７のいずれか１項に記載の学習装置。
（付記Ｂ９）
複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットの各々に対して、バランシングルールに基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成し、
前記形成された学習対象データセットに基づいて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための前記判別モデルを形成する、
学習方法。
（付記Ｂ１０）
複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットの各々に対して、バランシングルールに基づいて、判別モデルを形成するために用いられる損失関数のウェイトを付与することにより、学習対象データセットを形成し、
前記形成された学習対象データセットに基づいて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための前記判別モデルを形成する、
処理を、学習装置に実行させる制御プログラム。
１ 癌診断システム
２ 癌診断システム
１０ 学習装置
１１ 選別部
１２ 判別モデル形成部
２０ 学習装置
２１ 指定受付部
３０ データ取得装置
３１ 臭いセンサ
３２ 記憶部
３３ 通信部
４０ 学習装置
４１ 通信部
４２ 記憶部
４３ 選別部
４４ 判別モデル形成部
５０ 判別装置
５１ 臭いセンサ
５２ 判別部
６０ 学習装置
６１ 学習対象データセット形成部
６２ 判別モデル形成部
７０ 学習装置
７１ 指定受付部
８０ 学習装置
８１ 学習対象データセット形成部
８２ 判別モデル形成部

Claims (9)

  1. 複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別する選別部と、
    前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する判別モデル形成部と、
    を具備し、
    各学習候補データユニットは、前記被験者に対して癌以外の並存病の治療のために投与された投薬種別をさらに含み、
    前記選別ルールは、前記学習対象データセットにおいて、前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数と前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び非癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数とをバランスさせる、第３サブルールを含む、
    学習装置。
  2. 各学習候補データユニットは、少なくとも第１値及び第２値を取り得る、前記被験者に関する特性パラメータをさらに含み、
    前記選別ルールは、前記学習対象データセットにおいて前記第１値を有する前記学習候補データユニットの数と前記第２値を有する前記学習候補データユニットの数とをバランスさせる、第１サブルールを含む、
    請求項１記載の学習装置。
  3. 前記選別ルールは、前記学習対象データセットにおいて癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数と非癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数とをバランスさせる、第２サブルールをさらに含む、
    請求項２記載の学習装置。
  4. 前記特性パラメータは、前記被験者についての、性別、身長、体重、癌以外の並存病、及び、投薬種別のうちのいずれか１つ又は任意の組み合わせである、
    請求項２又は３に記載の学習装置。
  5. 前記選別ルールは、互いに異なる複数のサブルールを含み、
    前記複数のサブルールのうちで、前記選別部にて前記学習対象データセットの選別に用いられるサブルールの指定を受け付ける、指定受付部をさらに具備する、
    請求項２から４のいずれか１項に記載の学習装置。
  6. 前記判別モデル形成部は、前記選別された学習対象データセットの各学習候補データユニットに含まれる前記特性パラメータを学習に用いずに前記尿臭データユニット及び癌ラベルを用いて、前記判別モデルを形成する、
    請求項２から５のいずれか１項に記載の学習装置。
  7. 前記癌ラベルは、前記被験者の癌の種類及び癌の進行度のうちの少なくとも１つをさらに含む、
    請求項１から６のいずれか１項に記載の学習装置。
  8. 学習方法であって、
    複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別することと、
    前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成することと、
    を含み、
    各学習候補データユニットは、前記被験者に対して癌以外の並存病の治療のために投与された投薬種別をさらに含み、
    前記選別ルールは、前記学習対象データセットにおいて、前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数と前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び非癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数とをバランスさせる、サブルールを含む、
    学習方法。
  9. 複数の癌患者及び複数の非癌患者から成る複数の被験者にそれぞれ対応し、且つ、各学習候補データユニットが、対応する被験者の尿から得られた尿臭データユニット、及び、前記対応する被験者が癌患者であるか又は非癌患者であるかを少なくとも示す癌ラベルを少なくとも含む、複数の学習候補データユニットから、選別ルールに基づいて、前記複数の学習候補データユニットの一部を、学習対象データセットとして選別し、
    前記選別された学習対象データセットを用いて、判別対象尿臭データユニットが癌患者の尿及び非癌患者の尿のいずれに対応するかを判別するための判別モデルを形成する、
    処理を、学習装置に実行させ、
    各学習候補データユニットは、前記被験者に対して癌以外の並存病の治療のために投与された投薬種別をさらに含み、
    前記選別ルールは、前記学習対象データセットにおいて、前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数と前記被験者の尿に影響を及ぼす投薬を示す前記投薬種別及び非癌患者を示す前記癌ラベルを有する前記学習候補データユニットの数とをバランスさせる、サブルールを含む、
    制御プログラム。
JP2019074032A 2019-04-09 2019-04-09 学習装置、学習方法、及び制御プログラム Active JP7364206B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019074032A JP7364206B2 (ja) 2019-04-09 2019-04-09 学習装置、学習方法、及び制御プログラム
PCT/JP2020/015290 WO2020209191A1 (ja) 2019-04-09 2020-04-03 学習装置、学習方法、及び非一時的なコンピュータ可読媒体
US17/601,857 US20220172843A1 (en) 2019-04-09 2020-04-03 Learning device, learning method, and non-transitory computer-readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019074032A JP7364206B2 (ja) 2019-04-09 2019-04-09 学習装置、学習方法、及び制御プログラム

Publications (2)

Publication Number Publication Date
JP2020173528A JP2020173528A (ja) 2020-10-22
JP7364206B2 true JP7364206B2 (ja) 2023-10-18

Family

ID=72751574

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019074032A Active JP7364206B2 (ja) 2019-04-09 2019-04-09 学習装置、学習方法、及び制御プログラム

Country Status (3)

Country Link
US (1) US20220172843A1 (ja)
JP (1) JP7364206B2 (ja)
WO (1) WO2020209191A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023026996A1 (en) * 2021-08-25 2023-03-02 Craif Inc. Neural-Network-Based Classifier

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010046057A (ja) 2008-07-22 2010-03-04 Akita Univ 癌細胞の治療感受性増強剤、癌細胞の治療感受性の判定方法、および癌細胞の治療感受性判定キット
JP2013122383A (ja) 2011-12-09 2013-06-20 Kochi Univ 膀胱癌の測定方法、または癌治療後の予後の判定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706327B2 (en) * 2016-08-03 2020-07-07 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010046057A (ja) 2008-07-22 2010-03-04 Akita Univ 癌細胞の治療感受性増強剤、癌細胞の治療感受性の判定方法、および癌細胞の治療感受性判定キット
JP2013122383A (ja) 2011-12-09 2013-06-20 Kochi Univ 膀胱癌の測定方法、または癌治療後の予後の判定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ryouta0506，不均衡データに対するClassification，オンライン，2017年08月15日，p.1， http://web.archive.org/web/20170815211140/https://qiita.com/ryouta0506/items/619d9ac0d80f8c0aed92，[検索日2023年4月20日]

Also Published As

Publication number Publication date
WO2020209191A1 (ja) 2020-10-15
US20220172843A1 (en) 2022-06-02
JP2020173528A (ja) 2020-10-22

Similar Documents

Publication Publication Date Title
Ganggayah et al. Predicting factors for survival of breast cancer patients using machine learning techniques
Pradeep et al. Lung cancer survivability prediction based on performance using classification techniques of support vector machines, C4. 5 and Naive Bayes algorithms for healthcare analytics
KR101855117B1 (ko) 질병에 대한 발병 확률 예측 방법 및 장치
US11664126B2 (en) Clinical predictor based on multiple machine learning models
EP1292912A1 (en) Heuristic method of classification
WO2012145616A2 (en) Predictive modeling
JP6941309B2 (ja) 遺伝子変異の評価装置、評価方法、プログラム、および記録媒体
KR20190017105A (ko) 보험 가입 희망자와 추천 보험 상품을 매칭시키는 방법
Choudhury et al. Evaluating patient readmission risk: a predictive analytics approach
Haque et al. [Retracted] Predicting Characteristics Associated with Breast Cancer Survival Using Multiple Machine Learning Approaches
WO2015026953A1 (en) Methods for predicting prognosis
JP7364206B2 (ja) 学習装置、学習方法、及び制御プログラム
US20150347695A1 (en) Physician attribution for inpatient care
JP2020154512A (ja) 文分類装置、文分類方法及び文分類プログラム
KR102102848B1 (ko) 전립선암 위험점수 산출기, 상기 산출기의 동작 방법
Gupta et al. Keeping up with innovation: A predictive framework for modeling healthcare data with evolving clinical interventions
CN111684539B (zh) 改善临床工作流程的系统
Werner et al. The study of preprocessing methods’ utility in analysis of multidimensional and highly imbalanced medical data
Hackl et al. Unsupervised learning to subphenotype heart failure patients from electronic health records
CN114239741B (zh) 基于证据推理分类器的医疗数据分类方法及相关设备
Bai Multiobjective clustering using support vector machine: application to microarray cancer data
EP4386767A1 (en) Characteristics of patient influencing disease progession
Schlieker et al. Multivariate binary classification of imbalanced datasets—A case study based on high‐dimensional multiplex autoimmune assay data
Arthur Using Machine Learning on an Imbalanced Cancer Dataset
Kraus et al. Credit scoring optimization using the area under the curve

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190809

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20210726

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20210728

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220304

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230502

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230630

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: 20230905

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230928

R150 Certificate of patent or registration of utility model

Ref document number: 7364206

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150