JP7411619B2 - 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム - Google Patents
疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム Download PDFInfo
- Publication number
- JP7411619B2 JP7411619B2 JP2021187345A JP2021187345A JP7411619B2 JP 7411619 B2 JP7411619 B2 JP 7411619B2 JP 2021187345 A JP2021187345 A JP 2021187345A JP 2021187345 A JP2021187345 A JP 2021187345A JP 7411619 B2 JP7411619 B2 JP 7411619B2
- Authority
- JP
- Japan
- Prior art keywords
- disease
- biomarkers
- determination
- importance
- trained model
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 472
- 201000010099 disease Diseases 0.000 title claims description 469
- 238000000034 method Methods 0.000 title claims description 142
- 239000000090 biomarker Substances 0.000 claims description 209
- 239000002679 microRNA Substances 0.000 claims description 82
- 108091070501 miRNA Proteins 0.000 claims description 81
- 238000004364 calculation method Methods 0.000 claims description 67
- 238000000605 extraction Methods 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 206010006187 Breast cancer Diseases 0.000 claims description 22
- 208000026310 Breast neoplasm Diseases 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 15
- 206010060862 Prostate cancer Diseases 0.000 claims description 12
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 12
- 230000003211 malignant effect Effects 0.000 claims description 10
- 208000011803 breast fibrocystic disease Diseases 0.000 claims description 8
- 206010061902 Pancreatic neoplasm Diseases 0.000 claims description 7
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 claims description 7
- 201000002528 pancreatic cancer Diseases 0.000 claims description 7
- 208000008443 pancreatic carcinoma Diseases 0.000 claims description 7
- 208000005718 Stomach Neoplasms Diseases 0.000 claims description 6
- 201000009036 biliary tract cancer Diseases 0.000 claims description 6
- 208000020790 biliary tract neoplasm Diseases 0.000 claims description 6
- 206010017758 gastric cancer Diseases 0.000 claims description 6
- 201000011549 stomach cancer Diseases 0.000 claims description 6
- 206010009944 Colon cancer Diseases 0.000 claims description 4
- 208000000461 Esophageal Neoplasms Diseases 0.000 claims description 4
- 206010030155 Oesophageal carcinoma Diseases 0.000 claims description 4
- 201000004101 esophageal cancer Diseases 0.000 claims description 4
- 201000007270 liver cancer Diseases 0.000 claims description 4
- 208000014018 liver neoplasm Diseases 0.000 claims description 4
- 208000017497 prostate disease Diseases 0.000 claims description 4
- 208000029742 colonic neoplasm Diseases 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 76
- 238000012549 training Methods 0.000 description 61
- 230000006870 function Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 32
- 238000012545 processing Methods 0.000 description 29
- 206010028980 Neoplasm Diseases 0.000 description 22
- 238000003745 diagnosis Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 18
- 201000011510 cancer Diseases 0.000 description 16
- 206010021042 Hypopharyngeal cancer Diseases 0.000 description 7
- 206010056305 Hypopharyngeal neoplasm Diseases 0.000 description 7
- 201000006866 hypopharynx cancer Diseases 0.000 description 7
- 230000002087 whitening effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 208000025844 Prostatic disease Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 108700011259 MicroRNAs Proteins 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000011712 cell development Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000012531 culture fluid Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003026 hypopharynx Anatomy 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 208000037819 metastatic cancer Diseases 0.000 description 1
- 208000011575 metastatic malignant neoplasm Diseases 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
- C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/178—Oligonucleotides characterized by their use miRNA, siRNA or ncRNA
Description
以下、図面を参照しながら、第1の実施の形態に係る疾患の特徴抽出装置の例について説明する。図1は、本発明に係る疾患の罹患判定装置10の構成を表したブロック図である。なお、疾患の罹患判定装置10は、専用マシンとして設計した装置であってもよいが、一般的なコンピュータによって実現可能なものであるものとする。この場合に、データ圧縮装置10及びデータ再現装置20は、一般的なコンピュータが通常備えているであろうCPU(Central Processing Unit:中央演算処理装置)、GPU(Graphics Processing Unit:画像処理装置)、メモリ、ハードディスクドライブ等のストレージを具備しているものとする(図示省略)。また、これらの一般的なコンピュータを本例の疾患の罹患判定装置10として機能させるためにプログラムよって各種処理が実行されることは言うまでもない。
第1の実施の形態においては、疾患の罹患判定のための演算として損失関数Liを求める演算を採用し、損失関数Liの各特徴の勾配を特徴抽出のための重要度とするものとして説明を行った。しかし、この例に限定されるものではなく、他の例について、この第2の実施の形態で説明を行う。
特徴抽出のための演算は、layer-wise relevance propagation(LRP)による演算で各特徴の重要度を求めるものであってもよい。ただし、この手法においては、予測器が、(1)分岐のないニューラルネットワークであること、(2)予測器に用いるニューラルネットワーク内の層のうち、次元の入出力で次元が異なる層は全結合層のみであること、(3)ラベルの種類の数kに応じたk次元のベクトルを出力し、i番目の出力はi番目の予測確率を表すものであること、との3つの性質を備えていることを仮定する。
第1の実施の形態において説明したように、本発明は、様々な疾患の罹患判定に対して適用可能である。図5は、様々な疾患について本発明を適用した場合の罹患判定精度を表した表である。図5においては、各疾患に罹患した患者と健常者のサンプルデータから機械学習を行い、複数のがん種における罹患判定を行うことが可能な学習済モデルを用いて、罹患判定を行なった場合の結果を示すものである。ここでは一例として、学習用のサンプルデータとして特定のがん種に罹患した患者のサンプルデータと、健常者のサンプルデータを複数用いて行う場合を説明する。ここで、特定のがん種に罹患した患者のサンプルデータとは、例えば「乳がんに罹患した患者のサンプルデータ」や「前立腺がんに罹患した患者のサンプルデータ」などであり、一つのサンプルデータには1種類のがん種のラベルが付与されているものとする。ここでは、乳がんや前立腺がんなど、複数のがん種を疾患群としてあらかじめ定めておき、その疾患群のいずれか疾患に罹患しているかどうか、または、その疾患群で定めた疾患のいずれにも罹患していないか、ということを判断するために、その疾患群で定めた疾患に罹患した患者と、その疾患群で定めた疾患のいずれにも罹患していない患者のサンプルデータを用いる。
疾患群で定めた疾患のいずれにも罹患していない患者は、健常者として扱われ、この場合はがん種を示すラベルは付与されておらず、代わりに健常者であることを示すラベルが付与されているものとする。(健常者を示すラベルを別途付与せずに、がん種を示すラベルが付与されていない場合に、これを健常者のサンプルデータとして判断しても良いが、ここでは説明を簡略化するため、健常者の場合は、がん種を示すラベルは付与されず、代わりに健常者を示すラベルが付与されているものとする。)
この機械学習の結果、得られた学習済みモデルを使って、特定の患者のサンプルデータの罹患判定を行うと、「乳がんの罹患有無、前立腺がんの罹患有無、膵がんの罹患有無・・・」など複数がんの罹患の有無がそれぞれ独立して排他的に判定され、そのうちのいずれか一つのがん種について罹患有りと判定される。例えば、次の3つのがんについて「乳がんの罹患率が70%、前立腺がんの罹患率が20%、前立腺がんの罹患率が10%、健常者である確率0%」と判断されたとすると、この患者については最も罹患率が高い乳がんに罹患していると判断した結果を出力する。一方、例えば、「乳がんの罹患率が10%、前立腺がんの罹患率が5%、前立腺がんの罹患率が5%、健常者である確率が80%」と判断された場合は、これらのうち最も確率が高い健常者として判断する。このような手法は一般的にはマルチクラスといい、上記の判断結果それぞれを合計すると100%になる。このような方法でそれぞれのがん種および良性疾患について判断した判定精度を一覧にまとめたものが図5となる。なお良性疾患と悪性疾患についての詳細は後述する。
この図5における判定に用いたトータルのサンプル数は約5000程度となっている。この図5に示すように、健常者についての判定精度は99.79%、乳がんについての判定精度は99.72%、乳良性疾患についての判定精度は100%、前立腺がんについての判定精度は99.16%、前立腺良性疾患についての判定精度は99.16%、膵がんについての判定精度は99.10%、胆道がんについての判定精度は99.06%、大腸がんについての判定精度は99.61%、胃がんについての判定精度は99.61%、食道がんについての判定精度は99.70%、肝がんについての判定精度は99.85%、膵胆良性疾患についての判定精度は99.74%となっており、様々な疾患について非常に高い精度で罹患判定を行うことが可能となっている。
第1から第4の実施の形態における罹患判定装置は、学習済モデルに対して患者のサンプルデータを入力して疾患に罹患しているか否かの結論を出力することはできるが、その結論に至るための判定に影響を及ぼしたバイオマーカーについて知ることはできない構成となっている。しかし、医師が結論に至った理由を認識するため、若しくは、医師が患者に対して結論に至った理由を説明するために、判定に影響を及ぼしたバイオマーカーが何れであったのかを知りたいというニーズが生じる可能性がある。
第1から第3の実施の形態においては、特徴抽出部13における重要度の演算方法として、勾配演算、LIME、LRPなどに基づく演算方法を説明し、その際に、複数のサンプルデータについての和の絶対値を求めることで重要度を算出していた。しかし、和の絶対値による演算方法に限定されるものではない。例えば、L1ノルム、L2ノルム、及び、これらを一般化したLPノルム等の演算方法を採用して重要度を算出するようにしてもよい。
第1から第6の実施の形態においては、学習済モデルを構成する機械学習器としてニューラルネットワークを採用したものとして説明を行ったが、ニューラルネットワークに限らず、勾配ブースティング、ランダムフォレスト(random forest:決定森)、エクストラツリー、サポートベクターマシン、ロジスティック回帰、K近傍法など、様々な手法が機械学習器として採用し得る。ニューラルネットワーク以外の機械学習器においては重要度の計算の際に誤差逆伝播法が適用できないため、そのような場合には、数値微分によって勾配を計算することで重要度を算出することが可能となる。
第1から第7の実施の形態においては、1つの学習済モデルからなる疾患の罹患判定装置に対して罹患判定対象の患者のサンプルデータを入力して、学習済モデルからなる罹患判定部12において罹患判定を行う構成としていた。しかし、これに限らず、複数の機械学習器によってそれぞれ罹患判定の予測を行い、得られた複数の予測結果に基づいて判定結果を出力するスタッキング用機械学習器によって罹患判定結果を得る構成としてもよい。
第1から第7の実施の形態においては、1つの機械学習器からなる疾患の罹患判定装置として説明を行ったが、複数の機械学習器でそれぞれ予測された予測結果を用いたアンサンブル学習を行うようにしてもよい。アンサンブル学習は、複数の機械学習器それぞれが出力した予測確率について幾何平均を求めて最終的な予測結果を出力する手法である。複数の機械学習器は同種のものであってもよいし、種類の異なる機械学習器を採用するものであってもよい。このようなアンサンブル学習を行うことによって、疾患の罹患判定精度を向上させることが可能となる。また、第8の実施の形態において説明したスタッキングの手法を採用した疾患の罹患判定装置22においてアンサンブル学習を適用することもできる。この場合、スタッキング用機械学習器21を複数用意して、複数のスタッキング用機械学習器21の予測結果の出力について幾何平均を求めて最終的な予測結果を出力するようにすることで、疾患の罹患判定精度を向上させることが可能となる。
上述した実施形態の説明は、少なくとも下記発明を、当該発明の属する分野における通常の知識を有する者がその実施をすることができるように記載した。
[1]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルと、
前記学習済モデルを用いて各バイオマーカーの重要度に基づいてサンプルデータについて罹患判定を行う罹患判定部、
を具備した疾患の罹患判定装置。
[2]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルと、
前記学習済モデルに対してサンプルデータを入力して、各バイオマーカー毎の重要度を数値化する重要度算出部と、
該重要度からサンプルデータについて罹患判定を行う罹患判定部、
を具備した疾患の罹患判定装置。
[3]
前記重要度に基づいて当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出部を具備し、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度に基づいて罹患判定を行うことを特徴とする、
[1]又は[2]記載の疾患の罹患判定装置。
[4]
前記重要度に基づいて当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出部と、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度を数値化する特徴重要度算出部と、
を具備し、
前記罹患判定部が該特徴重要度から罹患判定を行うことを特徴とする、
[1]又は[2]記載の疾患の罹患判定装置。
[5]
前記重要度算出部が、サンプルデータ毎に学習済モデルを用いてi番目のサンプルデータに関する損失関数Liを演算する処理と、損失関数の値Liを起点として誤差逆伝播を行い、サンプルiの複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gij=∂Li/∂xjを計算する処理と、全てのサンプルについての勾配の和の絶対値をその特徴の重要度Sj=|Σ_{i}gij|として求める処理とによって、バイオマーカーそれぞれの特徴の重要度を数値化する、
[2]から[4]の何れかに記載の疾患の罹患判定装置。
[6]
前記訓練データは、前記サンプルデータに対して各個人が疾患に罹患しているか否かのラベル情報を付したものである
[1]から[5]の何れかに記載の疾患の罹患判定装置。
[7]
前記学習済モデルの生成は、前記訓練データの特徴ベクトルの各次元について訓練データ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから学習を行うようにした
[6]記載の疾患の罹患判定装置。
[8]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルを用いて各バイオマーカーの重要度に基づいてサンプルデータについて罹患判定を行う罹患判定手順と、
を含むことを特徴とする疾患の罹患判定方法。
[9]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルに対してサンプルデータを入力して、各バイオマーカー毎の重要度を数値化する重要度算出手順と、
該重要度からサンプルデータについて罹患判定を行う罹患判定手順と、
を含むことを特徴とする疾患の罹患判定方法。
[10]
前記重要度の和から当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出手順
を含み、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度に基づいて罹患判定を行うことを特徴とする、
[8]又は[9]記載の疾患の罹患判定方法。
[11]
前記重要度の和から当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出手順と、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度を数値化する特徴重要度算出手順と、
を含み、
前記罹患判定手順において、該特徴重要度から罹患判定を行うことを特徴とする、
[8]又は[9]記載の疾患の罹患判定方法。
[12]
前記重要度算出手順が、サンプルデータ毎に学習済モデルを用いてi番目のサンプルデータに関する損失関数Liを演算する処理と、損失関数の値Liを起点として誤差逆伝播を行い、サンプルiの複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gij=∂Li/∂xjを計算する処理と、全てのサンプルについての勾配の和の絶対値をその特徴の重要度Sj=|Σ_{i}gij|として求める処理とによって、バイオマーカーそれぞれの特徴の重要度を数値化する、
[9]から[11]の何れか記載の疾患の罹患判定方法。
[13]
前記訓練データは、前記サンプルデータに対して各個人が疾患に罹患しているか否かのラベル情報を付したものである
[8]から[12]の何れかに記載の疾患の罹患判定方法。
[14]
前記学習済モデルの生成は、前記訓練データの特徴ベクトルの各次元について訓練データ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから学習を行うようにした
[12]記載の疾患の罹患判定方法。
[15]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーのそれぞれ発現量を個人毎に記録したサンプルデータを取得するサンプルデータ取得部と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルからなる罹患判定部と、
前記罹患判定部に対して、疾患に罹患したラベル情報の付された複数のサンプルデータを入力してそれぞれ罹患判定をさせ、各サンプルデータ毎に罹患判定の演算によって学習済モデルで得られる複数のバイオマーカーそれぞれの特徴の重要度を数値化し、各バイオマーカー毎に複数のサンプルデータの重要度の数値に基づいて所定数のバイオマーカーを当該疾患に関する特徴的なバイオマーカーとして抽出する特徴抽出部と
を具備した疾患の特徴抽出装置。
[16]
前記特徴抽出部は、サンプルデータ毎に学習済モデルを用いてi番目のサンプルデータに関する損失関数Liを演算する処理と、損失関数の値Liを起点として誤差逆伝播を行い、サンプルiの複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gij=∂Li/∂xjを計算する処理と、全てのサンプルについての勾配の和の絶対値をその特徴の重要度Sj=|Σ_{i}gij|として求める処理とによって、バイオマーカーそれぞれの特徴の重要度を数値化するようにした
[15]記載の疾患の特徴抽出装置。
[17]
前記訓練データは、前記サンプルデータに対して各個人が疾患に罹患しているか否かの
ラベル情報を付したものである
[15]又は[16]記載の疾患の特徴抽出装置。
[18]
前記学習済モデルの生成は、前記訓練データの特徴ベクトルの各次元について訓練データ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから学習を行うようにした
[15]から[17]の何れかに記載の疾患の特徴抽出装置。
[19]
前記特徴抽出部において使用される疾患に罹患したラベル情報の付された複数のサンプルデータは、特徴ベクトルの各次元について当該サンプルデータ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから用いられる
[18]に記載の疾患の特徴抽出装置。
[20]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーのそれぞれ発現量を個人毎に記録したサンプルデータを取得するサンプルデータ取得手順と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルに対して、疾患に罹患したラベル情報の付された複数のサンプルデータを入力してそれぞれ罹患判定をさせ、各サンプルデータ毎に罹患判定の演算によって学習済モデルで得られる複数のバイオマーカーそれぞれの特徴の重要度を数値化し、各バイオマーカー毎に複数のサンプルデータの重要度の数値に基づいて所定数のバイオマーカーを当該疾患に関する特徴的なバイオマーカーとして抽出する特徴抽出手順と
を含む疾患の特徴抽出方法。
[21]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルと、
前記学習済モデルを用いて判定対象のサンプルデータについて複数の疾患について罹患しているか否かの罹患判定を行う罹患判定部と
を具備した疾患の罹患判定装置。
[22]
疾患の罹患判定対象のサンプルデータに含まれるバイオマーカーのうち疾患の罹患判定結果に寄与したバイオマーカーを抽出して出力する判定寄与バイオマーカー出力部を具備した
[21]記載の疾患の罹患判定装置。
[23]
前記判定寄与バイオマーカー出力部は、サンプルデータについて学習済モデルを用いて損失関数Lを演算する処理と、損失関数の値Lを起点として誤差逆伝播を行い、複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gj=∂L/∂xjを計算する処理とによって、バイオマーカーに対応した特徴次元ごとの重要度を特徴xjに関する勾配gjとして算出し、重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出するようにした
[22]記載の疾患の罹患判定装置。
[24]
前記判定寄与バイオマーカー出力部は、罹患判定部における学習済モデルを近似する線形学習器をLIMEによって学習し、線形学習器に対して罹患判定対象のサンプルデータを入力した場合の各バイオマーカーの特徴次元に対応した線形学習器の係数を各バイオマーカーの重要度として算出し、重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出するようにした
[22]記載の疾患の罹患判定装置。
[25]
前記判定寄与バイオマーカー出力部は、LRPにより、罹患判定部における学習済モデルに罹患判定対象の患者のサンプルデータの特徴を与えて順伝播を行い、出力部から逆順に層を渡っていき、各層における重要度を表す重要度ベクトルRを帰納的に計算し、重要度ベクトルRを各バイオマーカーに対応した特徴次元ごとの重要度として算出し、重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出するようにした
[22]記載の疾患の罹患判定装置。
[26]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを共通に用いて機械学習行ったものであり、それぞれが同じ疾患について罹患判定することを予め学習させた種類の異なる学習済モデルからなり、それぞれが疾患の罹患判定対象のサンプルデータが疾患に罹患しているか否かの予測結果を出力する少なくとも2以上の機械学習器と、
複数の機械学習器からの予測結果を入力として最終的な判定結果を出力することを予め学習したスタッキング用機械学習器であって、複数の機械学習器からの予測結果に基づいて罹患判定対象のサンプルデータが疾患に罹患しているか否かの判定結果を出力するスタッキング用機械学習器と
を具備した疾患の罹患判定装置。
[27]
前記複数の疾患は、乳がん、乳良性疾患、前立腺がん、前立腺良性疾患、膵がん、胆道がん、大腸がん、胃がん、食道がん、肝がん、膵胆良性疾患のうち、少なくとも2種類を含む
[21]から[26]の何れかに記載の疾患の罹患判定装置。
[28]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータと、
前記複数のサンプルデータの各々に、当該個々の生体各々が複数の疾患に罹患しているか否かを識別する為の項目をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該複数の疾患の各々の罹患有無を判定可能な学習モデルと、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該複数の疾患の各々について罹患有無の判定を行う罹患判定部と
を具備した疾患の罹患判定装置。
[29]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータと、
前記複数のサンプルデータの各々に、当該個々の生体各々が予め定めた所定の疾患群のいずれか1つの疾患に罹患しているか、予め定めた所定の疾患群のいずれにも罹患していないか、を識別する為の項目を、罹患している場合はその疾患に関する情報、罹患していない場合は、罹患していないことを示す情報をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該所定の疾患の罹患有無を判定可能な学習モデルと、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該所定の疾患群のうち、いずれか1つの疾患について罹患しているか
、当該所定の疾患群のいずれにも罹患していないかについての判定を行う罹患判定部と
を具備した疾患の罹患判定装置。
[30]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを用いて機械学習を行って予め得た複数の疾患について罹患しているか否かの罹患判定が可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルを用いて判定対象のサンプルデータについて複数の疾患について罹患しているか否かの罹患判定を行う罹患判定手順と
を含む疾患の罹患判定方法。
[31]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを共通に用いて機械学習行ったものであり、それぞれが同じ疾患について罹患判定することを予め学習させた種類の異なる学習済モデルからなり、それぞれが疾患の罹患判定対象のサンプルデータが疾患に罹患しているか否かの予測結果を出力する少なくとも2以上の機械学習器に基づいて、複数の予測結果を取得する複数予測結果取得手順と、
複数の機械学習器からの予測結果を入力として最終的な判定結果を出力することを予め学習したスタッキング用機械学習器であって、複数の機械学習器からの予測結果に基づいて罹患判定対象のサンプルデータが疾患に罹患しているか否かの判定結果を出力するスタッキング用機械学習器に基づいて、最終的な判定結果を取得する最終判定結果取得手順と
を含む疾患の罹患判定方法。
[32]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する手順と、
前記複数のサンプルデータの各々に、当該個々の生体各々が複数の疾患に罹患しているか否かを識別する為の項目をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該複数の疾患の各々の罹患有無を判定可能な学習モデルを生成する学習済モデル生成手順と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該複数の疾患の各々について罹患有無の判定を行う罹患判定手順と
を含む疾患の罹患判定方法。
[33]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する手順と、
前記複数のサンプルデータの各々に、当該個々の生体各々が予め定めた所定の疾患群のいずれか1つの疾患に罹患しているか、予め定めた所定の疾患群のいずれにも罹患していないか、を識別する為の項目を、罹患している場合はその疾患に関する情報、罹患していない場合は、罹患していないことを示す情報をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該所定の疾患の罹患有無を判定可能な学習モデルを生成する学習済モデル生成手順と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該所定の疾患群のうち、いずれか1つの疾患について罹患しているか、当該所定の疾患群のいずれにも罹患していないかについての判定を行う罹患判定手順と
を含む疾患の罹患判定方法。
[34]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得処理と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを用いて機械学習を行って予め得た複数の疾患について罹患しているか否かの罹患判定が可能な学習済モデルを生成する学習済モデル生成処理と、
前記学習済モデルを用いて判定対象のサンプルデータについて複数の疾患について罹患しているか否かの罹患判定を行う罹患判定処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
[35]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得処理と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを共通に用いて機械学習行ったものであり、それぞれが同じ疾患について罹患判定することを予め学習させた種類の異なる学習済モデルからなり、それぞれが疾患の罹患判定対象のサンプルデータが疾患に罹患しているか否かの予測結果を出力する少なくとも2以上の機械学習器に基づいて、複数の予測結果を取得する複数予測結果取得処理と、
複数の機械学習器からの予測結果を入力として最終的な判定結果を出力することを予め学習したスタッキング用機械学習器であって、複数の機械学習器からの予測結果に基づいて罹患判定対象のサンプルデータが疾患に罹患しているか否かの判定結果を出力するスタッキング用機械学習器に基づいて、最終的な判定結果を取得する最終判定結果取得処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
[36]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する処理と、
前記複数のサンプルデータの各々に、当該個々の生体各々が複数の疾患に罹患しているか否かを識別する為の項目をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該複数の疾患の各々の罹患有無を判定可能な学習モデルを生成する学習済モデル生成処理と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該複数の疾患の各々について罹患有無の判定を行う罹患判定処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
[37]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する処理と、
前記複数のサンプルデータの各々に、当該個々の生体各々が予め定めた所定の疾患群のいずれか1つの疾患に罹患しているか、予め定めた所定の疾患群のいずれにも罹患していないか、を識別する為の項目を、罹患している場合はその疾患に関する情報、罹患していない場合は、罹患していないことを示す情報をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該所定の疾患の罹患有無を判定可能な学習モデルを生成する学習済モデル生成処理と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該所定の疾患群のうち、いずれか1つの疾患について罹患しているか、当該所定の疾患群のいずれにも罹患していないかについての判定を行う罹患判定処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
11 サンプルデータ取得部
12 罹患判定部
13 特徴抽出部
14 記憶部
15 サンプルデータ
16 訓練データ
17 学習済モデル
18 重要度算出部
19 特徴重要度算出部
201、202、…、20n 機械学習器
21 スタッキング用機械学習器
22 疾患の罹患判定装置
Claims (26)
- 生体由来の複数のバイオマーカーに関する情報を取得する取得部と、
前記複数のバイオマーカーに関する情報を1つの学習済モデルに入力することで、少なくとも第1の疾患および第2の疾患を含む複数の疾患の罹患の有無に関する情報を生成する判定部と、を備え、
前記1つの学習済モデルは、少なくとも、
前記生体が、前記第1の疾患および前記第2の疾患に罹患している第1の状態、
前記生体が、前記第1の疾患に罹患しているが、前記第2の疾患に罹患していない第2の状態、
前記生体が、前記第1の疾患に罹患していないが、前記第2の疾患に罹患している第3の状態、および、
前記生体が、前記第1の疾患および前記第2の疾患のそれぞれに罹患していない第4の状態、
の判定に利用可能なデータを出力し、
前記1つの学習済モデルは、少なくとも、
他の生体が前記第1の状態であることを示すラベル情報を有するデータ、
他の生体が前記第2の状態であることを示すラベル情報を有するデータ、
他の生体が前記第3の状態であることを示すラベル情報を有するデータ、および、
他の生体が前記第4の状態であることを示すラベル情報を有するデータ、
を用いて学習されたものである、
罹患判定装置。 - 前記1つの学習済モデルから出力される前記データは、少なくとも第1の値および第2の値を含み、
前記第1の値は、前記第1の疾患の罹患の有無に関する値であり、
前記第2の値は、前記第2の疾患の罹患の有無に関する値である、
請求項1に記載の罹患判定装置。 - 前記1つの学習済モデルから出力される前記データに基づいて、前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーの重要度を算出する重要度算出部、を更に備える、
請求項1又は請求項2に記載の罹患判定装置。 - 前記重要度算出部は、前記複数のバイオマーカーに関する情報を前記1つの学習済モデルに入力した際の損失関数の値に基づいて誤差逆伝播を行うことで勾配情報を計算し、
前記重要度算出部は、前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーに対応する前記勾配情報に基づいて、前記重要度を算出する、
請求項3に記載の罹患判定装置。 - 前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーの前記重要度のランク付けに基づいて、前記複数のバイオマーカーから特徴的なバイオマーカーを抽出する特徴抽出部、を更に備える、
請求項3又は請求項4に記載の罹患判定装置。 - 前記複数のバイオマーカーは、2500種類以上のmiRNAを含む、
請求項1乃至5のいずれか1項に記載の罹患判定装置。 - 前記複数のバイオマーカーに関する情報は、複数種類のmiRNAの発現量に関する情報を含む、
請求項1乃至6のいずれか1項に記載の罹患判定装置。 - 前記判定部は、前記1つの学習済モデルを含む複数の学習済モデルからの出力に基づいて、前記疾患の罹患の有無に関する情報を出力する、
請求項1乃至7のいずれか1項に記載の罹患判定装置。 - 前記疾患の罹患の有無に関する情報は、前記疾患の罹患の有無に関するスコアである、
請求項1乃至8のいずれか1項に記載の罹患判定装置。 - 前記スコアは、前記疾患への罹患確率である、
請求項9に記載の罹患判定装置。 - 前記複数の疾患は、悪性疾患と良性疾患を含む、
請求項1乃至10のいずれか1項に記載の罹患判定装置。 - 前記複数の疾患は、複数の体の部位の疾患を含む、
請求項1乃至請求項11のいずれか1項に記載の罹患判定装置。 - 前記複数の疾患は、乳がん、乳良性疾患、前立腺がん、前立腺良性疾患、膵がん、胆道がん、大腸がん、胃がん、食道がん、肝がん、膵胆良性疾患のうち、少なくとも2つを含む、
請求項1乃至12のいずれか1項に記載の罹患判定装置。 - 前記1つの学習済モデルは、1つのニューラルネットワークである、
請求項1乃至13のいずれか1項に記載の罹患判定装置。 - 取得部と判定部とを備える罹患判定装置における罹患判定方法であって、
前記取得部により、生体由来の複数のバイオマーカーに関する情報を取得する取得手順と、
前記判定部により、前記複数のバイオマーカーに関する情報を1つの学習済モデルに入力することで、少なくとも第1の疾患および第2の疾患を含む複数の疾患の罹患の有無に関する情報を生成する判定手順と、を備え、
前記の1つの学習済モデルは、少なくとも、
前記生体が、前記第1の疾患および前記第2の疾患に罹患している第1の状態、
前記生体が、前記第1の疾患に罹患しているが、前記第2の疾患に罹患していない第2の状態、
前記生体が、前記第1の疾患に罹患していないが、前記第2の疾患に罹患している第3の状態、および、
前記生体が、前記第1の疾患および前記第2の疾患のそれぞれに罹患していない第4の状態、
の判定に利用可能なデータを出力し、
前記1つの学習済モデルは、少なくとも、
他の生体が前記第1の状態であることを示すラベル情報を有するデータ、
他の生体が前記第2の状態であることを示すラベル情報を有するデータ、
他の生体が前記第3の状態であることを示すラベル情報を有するデータ、および、
他の生体が前記第4の状態であることを示すラベル情報を有するデータ、
を用いて学習されたものである、
罹患判定方法。 - 前記1つの学習済モデルから出力される前記データは、少なくとも第1の値および第2の値を含み、
前記第1の値は、前記第1の疾患の罹患の有無に関する値であり、
前記第2の値は、前記第2の疾患の罹患の有無に関する値である、
請求項15に記載の罹患判定方法。 - 重要度算出部を更に備える罹患判定装置における罹患判定方法であって、
前記重要度算出部により、前記1つの学習済モデルから出力される前記データに基づいて、前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーの重要度を算出する重要度算出手順、を更に備える、
請求項15又は請求項16に記載の罹患判定方法。 - 前記重要度算出手順は、前記複数のバイオマーカーに関する情報を前記1つの学習済モデルに入力した際の損失関数の値に基づいて誤差逆伝播を行うことで勾配情報を計算する手順と、
前記重要度算出部により、前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーに対応する前記勾配情報に基づいて、前記重要度を算出する手順と、を備える、
請求項17に記載の罹患判定方法。 - 特徴抽出部を更に備える罹患判定装置における罹患判定方法であって、
前記特徴抽出部により、前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーの前記重要度のランク付けに基づいて、前記複数のバイオマーカーから特徴的なバイオマーカーを抽出する抽出手順、を更に備える、
請求項17又は18に記載の罹患判定方法。 - 前記1つの学習済モデルは、1つのニューラルネットワークである、
請求項15乃至19のいずれか1項に記載の罹患判定方法。 - コンピュータにより実行可能な罹患判定プログラムであって、
前記罹患判定プログラムは、前記コンピュータに、
生体由来の複数のバイオマーカーに関する情報を取得する取得手順と、
前記複数のバイオマーカーに関する情報を1つの学習済モデルに入力することで、少なくとも第1の疾患および第2の疾患を含む複数の疾患の罹患の有無に関する情報を生成する判定手順と、を実行させ、
前記1つの学習済モデルは、少なくとも、
前記生体が、前記第1の疾患および前記第2の疾患に罹患している第1の状態、
前記生体が、前記第1の疾患に罹患しているが、前記第2の疾患に罹患していない第2の状態、
前記生体が、前記第1の疾患に罹患していないが、前記第2の疾患に罹患している第3の状態、および、
前記生体が、前記第1の疾患および前記第2の疾患のそれぞれに罹患していない第4の状態、
の判定に利用可能なデータを出力し、
前記1つの学習済モデルは、少なくとも、
他の生体が前記第1の状態であることを示すラベル情報を有するデータ、
他の生体が前記第2の状態であることを示すラベル情報を有するデータ、
他の生体が前記第3の状態であることを示すラベル情報を有するデータ、および、
他の生体が前記第4の状態であることを示すラベル情報を有するデータ、
を用いて学習されたものである、
罹患判定プログラム。 - 前記1つの学習済モデルから出力される前記データは、少なくとも第1の値および第2の値を含み、
前記第1の値は、前記第1の疾患の罹患の有無に関する値であり、
前記第2の値は、前記第2の疾患の罹患の有無に関する値である、
請求項21に記載の罹患判定プログラム。 - 前記罹患判定プログラムは、前記コンピュータに、
前記1つの学習済モデルから出力される前記データに基づいて、前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーの重要度を算出する重要度算出手順、を更に実行させる、
請求項21又は22に記載の罹患判定プログラム。 - 前記重要度算出手順は、前記複数のバイオマーカーに関する情報を前記1つの学習済モデルに入力した際の損失関数の値に基づいて誤差逆伝播を行うことで勾配情報を計算する手順と、
前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーに対応する前記勾配情報に基づいて、前記重要度を算出する手順と、を備える、
請求項23に記載の罹患判定プログラム。 - 前記罹患判定プログラムは、前記コンピュータに、
前記複数のバイオマーカーに含まれるそれぞれのバイオマーカーの前記重要度のランク付けに基づいて、前記複数のバイオマーカーから特徴的なバイオマーカーを抽出する抽出手順、を更に実行させる、
請求項23又は24に記載の罹患判定プログラム。 - 前記1つの学習済モデルは、1つのニューラルネットワークである、
請求項21乃至25のいずれか1項に記載の罹患判定プログラム。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016213690 | 2016-10-31 | ||
JP2016213690 | 2016-10-31 | ||
PCT/JP2017/039363 WO2018079840A1 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP2018547221A JP7021097B2 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018547221A Division JP7021097B2 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022024092A JP2022024092A (ja) | 2022-02-08 |
JP2022024092A5 JP2022024092A5 (ja) | 2022-07-21 |
JP7411619B2 true JP7411619B2 (ja) | 2024-01-11 |
Family
ID=61195694
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017008789A Active JP6280997B1 (ja) | 2016-10-31 | 2017-01-20 | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2018547221A Active JP7021097B2 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP2021187345A Active JP7411619B2 (ja) | 2016-10-31 | 2021-11-17 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017008789A Active JP6280997B1 (ja) | 2016-10-31 | 2017-01-20 | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2018547221A Active JP7021097B2 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190267113A1 (ja) |
EP (1) | EP3534281A4 (ja) |
JP (3) | JP6280997B1 (ja) |
CN (1) | CN109923614A (ja) |
RU (1) | RU2765695C2 (ja) |
WO (1) | WO2018079840A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010126577A1 (en) | 2009-04-30 | 2010-11-04 | Patientslikeme, Inc. | Systems and methods for encouragement of data submission in online communities |
US11250340B2 (en) * | 2017-12-14 | 2022-02-15 | Microsoft Technology Licensing, Llc | Feature contributors and influencers in machine learned predictive models |
JP6879239B2 (ja) * | 2018-03-14 | 2021-06-02 | オムロン株式会社 | 異常検知システム、サポート装置およびモデル生成方法 |
WO2020008502A1 (ja) * | 2018-07-02 | 2020-01-09 | シンセティックゲシュタルト エルティーディー | 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法 |
JP7362241B2 (ja) * | 2018-11-02 | 2023-10-17 | 公益財団法人がん研究会 | 大腸がんの検査方法 |
CN113056672A (zh) * | 2018-11-19 | 2021-06-29 | 佳能株式会社 | 信息处理装置、信息处理装置的控制方法、程序、计算装置和计算方法 |
US11151420B2 (en) * | 2018-11-19 | 2021-10-19 | International Business Machines Corporation | Determination using learned model |
US11894139B1 (en) * | 2018-12-03 | 2024-02-06 | Patientslikeme Llc | Disease spectrum classification |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
JPWO2020222287A1 (ja) * | 2019-04-29 | 2020-11-05 | ||
JP6884810B2 (ja) * | 2019-05-08 | 2021-06-09 | キユーピー株式会社 | 情報提供装置、情報提供方法及びmiRNA重要度テーブル生成方法 |
CN110327074A (zh) * | 2019-08-02 | 2019-10-15 | 无锡海斯凯尔医学技术有限公司 | 肝脏评价方法、装置、设备及计算机可读存储介质 |
CN110338843A (zh) * | 2019-08-02 | 2019-10-18 | 无锡海斯凯尔医学技术有限公司 | 组织评价方法、装置、设备及计算机可读存储介质 |
JP7412150B2 (ja) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | 予測装置、予測方法及び予測プログラム |
JP7452990B2 (ja) * | 2019-11-29 | 2024-03-19 | 東京エレクトロン株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
WO2021142417A2 (en) * | 2020-01-10 | 2021-07-15 | Bisquertt Alejandro | Systems for detecting alzheimer's disease |
CN111312401B (zh) * | 2020-01-14 | 2021-12-17 | 之江实验室 | 一种基于多标签学习的体检后慢性疾病预后系统 |
US11468276B2 (en) * | 2020-04-16 | 2022-10-11 | Robert Bosch Gmbh | System and method of a monotone operator neural network |
CN111696662A (zh) * | 2020-05-26 | 2020-09-22 | 平安科技(深圳)有限公司 | 疾病预测方法、装置及存储介质 |
CN112530595A (zh) * | 2020-12-21 | 2021-03-19 | 无锡市第二人民医院 | 一种基于多分支链式神经网络的心血管疾病分类方法和装置 |
CN112685561A (zh) * | 2020-12-26 | 2021-04-20 | 广州知汇云科技有限公司 | 一种跨病种的小样本临床医疗文本后结构化处理方法 |
WO2023053703A1 (ja) * | 2021-09-29 | 2023-04-06 | 富士フイルム株式会社 | 測定可能好適特徴量の選択方法、測定可能好適特徴量の選択プログラム、及び測定可能好適特徴量の選択装置 |
CN114613438B (zh) * | 2022-03-08 | 2023-05-26 | 电子科技大学 | 一种miRNA与疾病的关联预测方法及系统 |
CN116578711B (zh) * | 2023-07-06 | 2023-10-27 | 武汉楚精灵医疗科技有限公司 | 腹痛特征提取方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006329A (ja) | 2001-06-26 | 2003-01-10 | Hitachi Ltd | 診断支援システム |
JP2003310557A (ja) | 2002-04-19 | 2003-11-05 | Keio Gijuku | 診療支援装置、診療支援方法、及び診療支援プログラム |
US20030207278A1 (en) | 2002-04-25 | 2003-11-06 | Javed Khan | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
JP2007052774A (ja) | 1995-07-25 | 2007-03-01 | Ortho-Clinical Diagnostics Inc | コンピュータ援用疾病診断方法 |
JP2008077603A (ja) | 2006-09-25 | 2008-04-03 | Toshiba Corp | 検査項目選定装置、検査項目選定方法、及び検査項目選定プログラム |
JP2012502281A (ja) | 2008-09-09 | 2012-01-26 | ソマロジック・インコーポレーテッド | 肺癌バイオマーカーとその使用 |
JP2013008159A (ja) | 2011-06-23 | 2013-01-10 | Toshio Kobayashi | 医療データ解析方法、医療データ解析装置およびプログラム |
JP2014511677A (ja) | 2011-03-22 | 2014-05-19 | コーネル・ユニバーシティー | 鑑別困難な良性甲状腺病変と悪性甲状腺病変との識別法 |
CN104677999A (zh) | 2013-11-29 | 2015-06-03 | 沈阳药科大学 | 血浆用于区分肝癌与肺癌的生物标记物 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3480940B2 (ja) * | 1996-02-09 | 2003-12-22 | アデザ・バイオメデイカル・コーポレイシヨン | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
JP3525082B2 (ja) * | 1999-09-16 | 2004-05-10 | 日本電信電話株式会社 | 統計モデル作成方法 |
US20040219575A1 (en) * | 2002-12-26 | 2004-11-04 | Toomas Neuman | Methods and compositions for the diagnosis, prognosis, and treatment of cancer |
EP1633234A4 (en) * | 2003-06-03 | 2009-05-13 | Physiosonics Inc | SYSTEMS AND METHODS FOR DETERMINING INTRACRANIAL FA NON-INVASIVE PRESSURE AND ACOUSTIC TRANSDUCER ASSEMBLIES FOR USE THEREIN |
ES2651849T3 (es) * | 2003-07-10 | 2018-01-30 | Genomic Health, Inc. | Algoritmo del perfil de expresión y test para el pronóstico del cáncer |
RU2473555C2 (ru) * | 2006-12-19 | 2013-01-27 | ДжинГоу, Инк. | Новые способы функционального анализа большого количества экспериментальных данных и групп генов, идентифицированных из указанных данных |
FI20070159A0 (fi) * | 2007-02-23 | 2007-02-23 | Teknillinen Korkeakoulu | Menetelmä informaation integrointiin, valintaan ja esityksen oppimiseen |
US20120143805A1 (en) * | 2008-09-09 | 2012-06-07 | Somalogic, Inc. | Cancer Biomarkers and Uses Thereof |
CN107254538A (zh) * | 2008-11-12 | 2017-10-17 | 卡里斯生命科学瑞士控股有限责任公司 | 使用外来体来确定表现型的方法和系统 |
EP2239675A1 (en) * | 2009-04-07 | 2010-10-13 | BIOCRATES Life Sciences AG | Method for in vitro diagnosing a complex disease |
CN101901345B (zh) * | 2009-05-27 | 2013-02-27 | 复旦大学 | 一种差异蛋白质组学的分类方法 |
JP2013515270A (ja) * | 2009-12-22 | 2013-05-02 | ザ リージェンツ オブ ザ ユニバーシティ オブ ミシガン | 前立腺癌の代謝学的プロファイリング |
EP2354246A1 (en) * | 2010-02-05 | 2011-08-10 | febit holding GmbH | miRNA in the diagnosis of ovarian cancer |
JP2012051822A (ja) * | 2010-08-31 | 2012-03-15 | Institute Of Physical & Chemical Research | 肺癌診断用ポリペプチド、肺癌の検出方法、および治療効果の評価方法 |
JP5637373B2 (ja) * | 2010-09-28 | 2014-12-10 | 株式会社Screenホールディングス | 画像の分類方法、外観検査方法および外観検査装置 |
KR102237960B1 (ko) * | 2014-08-07 | 2021-04-08 | 에이전시 포 사이언스, 테크놀로지 앤드 리서치 | 위암 진단용 microrna 바이오마커 |
CN105243296A (zh) * | 2015-09-28 | 2016-01-13 | 丽水学院 | 联合mRNA和microRNA表达谱芯片的肿瘤特征基因选择方法 |
CN105701365B (zh) * | 2016-01-12 | 2018-09-07 | 西安电子科技大学 | 发现癌症相关基因的方法及相关系统、药物制备方法 |
CN105550715A (zh) * | 2016-01-22 | 2016-05-04 | 大连理工大学 | 一种基于近邻传播聚类的集成分类器构建方法 |
-
2017
- 2017-01-20 JP JP2017008789A patent/JP6280997B1/ja active Active
- 2017-10-31 JP JP2018547221A patent/JP7021097B2/ja active Active
- 2017-10-31 RU RU2019116786A patent/RU2765695C2/ru active
- 2017-10-31 US US16/346,017 patent/US20190267113A1/en active Pending
- 2017-10-31 CN CN201780067594.XA patent/CN109923614A/zh active Pending
- 2017-10-31 WO PCT/JP2017/039363 patent/WO2018079840A1/ja unknown
- 2017-10-31 EP EP17865774.8A patent/EP3534281A4/en active Pending
-
2021
- 2021-11-17 JP JP2021187345A patent/JP7411619B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007052774A (ja) | 1995-07-25 | 2007-03-01 | Ortho-Clinical Diagnostics Inc | コンピュータ援用疾病診断方法 |
JP2003006329A (ja) | 2001-06-26 | 2003-01-10 | Hitachi Ltd | 診断支援システム |
JP2003310557A (ja) | 2002-04-19 | 2003-11-05 | Keio Gijuku | 診療支援装置、診療支援方法、及び診療支援プログラム |
US20030207278A1 (en) | 2002-04-25 | 2003-11-06 | Javed Khan | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
JP2008077603A (ja) | 2006-09-25 | 2008-04-03 | Toshiba Corp | 検査項目選定装置、検査項目選定方法、及び検査項目選定プログラム |
JP2012502281A (ja) | 2008-09-09 | 2012-01-26 | ソマロジック・インコーポレーテッド | 肺癌バイオマーカーとその使用 |
JP2014511677A (ja) | 2011-03-22 | 2014-05-19 | コーネル・ユニバーシティー | 鑑別困難な良性甲状腺病変と悪性甲状腺病変との識別法 |
JP2013008159A (ja) | 2011-06-23 | 2013-01-10 | Toshio Kobayashi | 医療データ解析方法、医療データ解析装置およびプログラム |
CN104677999A (zh) | 2013-11-29 | 2015-06-03 | 沈阳药科大学 | 血浆用于区分肝癌与肺癌的生物标记物 |
Also Published As
Publication number | Publication date |
---|---|
JP6280997B1 (ja) | 2018-02-14 |
WO2018079840A1 (ja) | 2018-05-03 |
JP7021097B2 (ja) | 2022-02-16 |
US20190267113A1 (en) | 2019-08-29 |
RU2019116786A3 (ja) | 2020-11-30 |
EP3534281A1 (en) | 2019-09-04 |
JP2018077814A (ja) | 2018-05-17 |
EP3534281A4 (en) | 2020-06-03 |
JP2022024092A (ja) | 2022-02-08 |
JPWO2018079840A1 (ja) | 2019-09-19 |
RU2019116786A (ru) | 2020-11-30 |
CN109923614A (zh) | 2019-06-21 |
RU2765695C2 (ru) | 2022-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7411619B2 (ja) | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム | |
Xu et al. | Computer-aided diagnosis of skin cancer based on soft computing techniques | |
Zhavoronkov et al. | Deep biomarkers of aging and longevity: from research to applications | |
Caliskan et al. | Classification of coronary artery disease data sets by using a deep neural network | |
CN108351862A (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
Goel et al. | Comparative analysis of various techniques for heart disease prediction | |
Stoean et al. | Ensemble of classifiers for length of stay prediction in colorectal cancer | |
Adadi et al. | Gastroenterology meets machine learning: Status quo and quo vadis | |
Pradhan et al. | A deep learning-based approach for detection of lung cancer using self adaptive sea lion optimization algorithm (SA-SLnO) | |
González et al. | 3D brain tumor segmentation and survival prediction using ensembles of convolutional neural networks | |
Utsumi et al. | Meta-weighted gaussian process experts for personalized forecasting of AD cognitive changes | |
Geng et al. | A deep learning framework for enhancer prediction using word embedding and sequence generation | |
Jiang et al. | A novel continuous left ventricular diastolic function score using machine learning | |
Freyre et al. | Biomarker-based classification and localization of renal lesions using learned representations of histology—a machine learning approach to histopathology | |
Pálsson et al. | Prediction of mgmt methylation status of glioblastoma using radiomics and latent space shape features | |
Cui et al. | Ensemble transductive learning for skin lesion segmentation | |
Kumar et al. | An Early Cancer Prediction Based On Deep Neural Learning | |
Perumal et al. | Insights from the clustering of microarray data associated with the heart disease | |
Priya et al. | Deep Learning Classification to Improve Diagnosis of Cervical Cancer Through Swarm Intelligence-Based Feature Selection Approach | |
El-Halees et al. | Breast Cancer Severity Predication Using Deep Learning Techniques | |
Roobini et al. | A systematic review on Machine learning and Neural Network based models for disease prediction | |
Gupta et al. | Pattern Classification of Breast Cancer Patients for Personalized Medical Diagnosis | |
Pandey et al. | Bio-Marker Cancer Prediction System Using Artificial Intelligence | |
Karimov | PREDICTING THE PRIMARY TISSUES OF CANCERS OF UNKNOWN PRIMARY USING MACHINE LEARNING | |
Kumar et al. | An intelligent deep learning approach for colon cancer diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211216 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220708 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230407 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230906 |
|
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: 20231205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7411619 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |