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 PDFInfo
- 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
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023026996A1 (en) * | 2021-08-25 | 2023-03-02 | Craif Inc. | Neural-Network-Based Classifier |
Citations (2)
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)
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 |
-
2019
- 2019-04-09 JP JP2019074032A patent/JP7364206B2/ja active Active
-
2020
- 2020-04-03 US US17/601,857 patent/US20220172843A1/en active Pending
- 2020-04-03 WO PCT/JP2020/015290 patent/WO2020209191A1/ja active Application Filing
Patent Citations (2)
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)
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 |