JP7482537B2 - 教師データの作成システム - Google Patents

教師データの作成システム Download PDF

Info

Publication number
JP7482537B2
JP7482537B2 JP2021569658A JP2021569658A JP7482537B2 JP 7482537 B2 JP7482537 B2 JP 7482537B2 JP 2021569658 A JP2021569658 A JP 2021569658A JP 2021569658 A JP2021569658 A JP 2021569658A JP 7482537 B2 JP7482537 B2 JP 7482537B2
Authority
JP
Japan
Prior art keywords
data
teacher data
teacher
creator
judgment results
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
JP2021569658A
Other languages
English (en)
Other versions
JPWO2021140604A1 (ja
Inventor
順也 福岡
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.)
Nagasaki University NUC
Original Assignee
Nagasaki University NUC
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 Nagasaki University NUC filed Critical Nagasaki University NUC
Publication of JPWO2021140604A1 publication Critical patent/JPWO2021140604A1/ja
Application granted granted Critical
Publication of JP7482537B2 publication Critical patent/JP7482537B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明は、ディープラーニング等における人工知能（ＡＩ）で使用される教師データの作成システムに関する。
医療画像に対してコンピュータで診断支援を行う技術が提案されている（例えば、特許文献１参照）。コンピュータでの病変検出や自動診断を行う場合、過去の症例を教師データとした機械学習を用いるのが一般的であり、近年、人工知能（ＡＩ）による診断支援が提案されている。
人工知能による診断支援のための判断には教師データが重要となるが、一概に教師データといっても、中には何を「正解」として良いか不明瞭なものもある。
例えば、病理画像の診断における「正解」の判定には、予後の情報を得るための時間が必要であり、少なくとも殆どリアルタイムで「正解」を判断／選択し、それを教師データとして取得することは不可能である。
また、正解のデータを生成できる人的能力にも限界が生じる。例えば、間質性肺炎（ＵＩＰ）は、５年生存率が２０％程度と、がんに匹敵する予後の悪い疾患であるが、その分類は極めて困難である。実際に、間質性肺炎の診断を行った病理医の間での診断結果の一致率が極めて低いことが示されており、予後不良を有意に分別できるという統計学的証明が必要と考えられていた。
特開２０１５－１１６３１９号公報
従来、医療分野においては、その分野における世界的権威や施設のブランド名等のステータスにより、人工知能で用いる教師データを統一してきた。
しかし、間質性肺炎等のように病理医の間での診断結果の一致率が低い分野では、教師データが正解であるか否かの不明瞭さが否めず、正解率が高い教師データを用いた人工知能の学習が難しかった。
本発明の目的は、正解率が高い教師データの取得を可能とした教師データの作成システムを提供することである。
上述した課題を解決するため、本発明は、教師データの作成者の選定に用いる正解が既知のデータ、教師データの候補となる正解が未知のデータ、各データに対する判断結果、及び、正解が既知のデータに対する判断結果の正否に関するデータを取得する情報取得装置と、教師データの作成者の選定に用いる正解が既知のデータ、教師データの候補となる正解が未知のデータ、各データに対する判断結果、及び、正解が既知のデータに対する判断結果の正否に関するデータを記憶する記憶装置と、教師データの作成者の選定に用いる正解が既知のデータに対する教師データの作成者の候補者による判断結果と正解が既知のデータに対する判断結果の正否に関するデータから教師データの作成者を選定すると共に、教師データの作成者の選定に用いた正解が既知のデータの中から第１の教師データを選定し、教師データの候補となる正解が未知のデータの中から教師データ作成者の判断結果に基づいて第２の教師データを選定する制御装置を備えた教師データの作成システムである。
正解が既知で、正否の判断結果が正しいか否かを判断可能なデータを、教師データの作成者の選定に用いるデータとすることで、教師データの作成者の候補者による当該データの判断結果に基づき、教師データの作成者の候補者をグループ分けし、正解率の最も高い最良グループを抽出することができる。
教師データの作成者の選定に用いたデータの中で、最良グループによる判断結果の正解率の高いデータを教師データに選定することで、この教師データは、人工知能学習用の教師データとして適したものとなる。
また、正解が未知のデータと、最良グループによる当該データに対する判断結果を集積し、実際の判断結果の正解率が高いことが期待されるデータを教師データとすることで、この教師データも、人工知能学習用の教師データとして適したものとなる。
従って、正解率が高い教師データを用いて人工知能の学習が可能となると共に、人工知能の学習に用いる正解率が高い教師データの数を増加させることができる。
本実施の形態の教師データの作成システムの一例を示す機能ブロック図である。 本実施の形態の教師データの作成方法の一例を示すフローチャートである。 本実施の形態の教師データの作成方法の別の一例を示すフローチャートである。
以下、図面を参照して、本発明の教師データの作成システム及び教師データの作成方法の実施の形態について説明する。
＜本実施の形態の教師データの作成システムの構成例＞
図１は、本実施の形態の教師データの作成システムの一例を示す機能ブロック図である。
本実施の形態の教師データの作成システム１Ａは、教師データの作成者の選定に用いるデータ、教師データの候補となるデータ、各データに対する判断結果及び各データに対する判断結果の正否に関するデータ等を取得する情報取得装置２と、教師データの作成者の選定に用いるデータ、教師データの候補となるデータ、各データに対する判断結果及び各データに対する判断結果の正否に関するデータ等を表示する表示装置３と、教師データの作成者の選定に用いるデータ、教師データの候補となるデータ、各データに対する判断結果及び各データに対する判断結果の正否に関するデータ等を記憶する記憶装置４を備える。
また、教師データの作成システム１Ａは、教師データの作成者及び教師データを選定する制御装置５を備える。制御装置５は、教師データの作成者の選定に用いるデータと、教師データの作成者の選定に用いるデータに対する判断結果及び判断結果の正否に関するデータ等から教師データの作成者を選定する。また、制御装置５は、教師データの作成者の選定に用いるデータ、教師データの作成者の選定に用いるデータに対する判断結果及び判断結果の正否に関するデータ等から教師データを選定する。更に、制御装置５は、教師データの候補となるデータと、教師データの候補となるデータに対する判断結果等から追加の教師データを選定する。
情報取得装置２は、キーボード、マウス、ペン型タブレット等を用いた操作者の操作により各データが入力されるものでもよく、通信回線、記録媒体等を介して各データが入力されるものでもよい。記憶装置４は、病院等に設置されるデータベース、通信回線を介して接続可能な外部のデータベースであっても良い。制御装置５は、パーソナルコンピュータ等の情報処置装置でよい。
教師データの作成システム１Ａは、教師データの作成者の選定に用いるデータとして、正解が既知で、教師データの作成者の候補者による判断結果が正しいか否かを判断可能な画像等を情報取得装置２で取得し、記憶装置４に記憶する。
また、教師データの作成システム１Ａは、教師データの作成者の選定に用いるデータに対する教師データの作成者の候補者による判断結果と、判断結果の正否を決めるデータを情報取得装置２で取得し、記憶装置４に記憶する。
制御装置５は、クラスター分析等により、教師データの作成者の候補者の中から互いに似た判断結果を持つものを集める。
例えば、教師データの作成者の選定に用いるデータに対して複数の判断項目を設定し、各項目に対する判断結果と、判断結果の正否を決めるデータとの項目ごとの一致率等に基づき、教師データの作成者の候補者をグループ分けする。
そして、教師データの作成者の候補者が属するグループの中で、判断結果の正否を決めるデータとの一致率が最も良いかあるいは所定の閾値以上の判断結果を出したグループを最良グループとし、この最良グループを教師データの作成者とする。
制御装置５は、最良グループに属する教師データの作成者の選定に用いたデータとそれに対応する判断結果の正否に関するデータのセットを人工知能学習用の教師データＡとして選定する。教師データＡは、正解が既知であるため、判断結果の正確さが担保されたものとなる。
また、制御装置５は、最良グループに属する教師データの作成者の選定に用いたデータの中から、最良グループに属する複数の教師データの作成者による判断結果が、判断結果の正否を決めるデータと所定の閾値以上の一致率を持ち、最良グループに属する複数の教師データの作成者間で高い一致率を示すデータとそれに対応する教師データの作成者による判断結果のセットを、人工知能学習用の教師データＡに選定してもよい。この場合は、教師データＡは、判断結果の正確さが担保されると共に、教師データの作成者に近い判断結果をもたらす教師データとなる。
最良グループに属する複数の教師データの作成者間で高い一致率を示すデータであるものの、判断結果の正否を決めるデータとの一致率が所定の閾値を下回るもの、すなわち判断結果が不正解であるものについては、当該最良グループに属する全ての教師データの作成者に対して、当該データは誤謬を招きやすいという認識を共有してもらうことにする。これにより最良グループに属する教師データの作成者の質がより向上する。
また、教師データの作成システム１Ａは、教師データの候補となるデータとして、正解が未知で、判断結果の正否が未確定のデータを情報取得装置２で取得し、記憶部４に記憶する。更に、教師データの作成システム１Ａは、最良グループに属する教師データの作成者による当該データに対する判断結果を情報取得装置２で取得し、記憶部４に記憶する。
制御装置５は、最良グループに属する教師データの作成者による判断結果が、この最良グループに属する複数の教師データの作成者間で高い一致率を示すデータとそれに対応する教師データの作成者による判断結果のセットを、人工知能学習用の教師データＢに選定する。教師データＢについても、判断結果の正確さが期待されたものとなる。
本実施の形態の教師データの作成システム１Ａにおいて、病理画像から教師データを取得する例について説明する。
教師データの作成システム１Ａは、教師データの作成者の選定に用いるデータとして、予後が既知で診断結果が正解か否か判断可能な症例の複数の病理画像を情報取得装置２で取得し、記憶装置４に記憶する。
また、教師データの作成システム１Ａは、教師データの作成者の候補者として多数の病理医を指定し、この多数の病理医による各病理画像に対応する診断結果と、診断結果の正否を決めるデータである予後情報を情報取得装置２で取得し、記憶装置４に記憶する。
制御装置５は、クラスター分析の手法を用い、病理画像に対して設定された複数の診断項目に対する診断結果と、予後情報との項目ごとの一致率等に基づき、病理医をグループ分けする。
そして、病理医が属するグループの中で、予後情報との一致率が最も良いかあるいは所定の閾値以上の診断結果を出したグループを最良グループとし、この最良グループを教師データの作成者とする。
制御装置５は、教師データの作成者の選定に用いた病理画像とそれに対応する予後情報のセットを人工知能学習用の教師データＡとする。教師データＡは、正解が既知であるため、診断結果の正確さが担保されたものとなる。
また、制御装置５は、教師データの作成者の選定に用いた病理画像の中から、最良グループに属する病理医による診断結果が、予後情報と所定の閾値以上の一致率を持ち、最良グループに属する複数の病理医間で高い一致率を示す病理画像とそれに対応する病理医による診断結果のセットを、人工知能学習用の教師データＡに選定してもよい。この場合は、教師データＡは、診断結果の正確さが担保されると共に実際の病理医に近い診断結果をもたらす教師データとなる。
また、教師データの作成システム１Ａは、予後未知あるいは予後情報が含まれず、診断結果の正否が未確定の病理画像を情報取得装置２で取得し、記憶装置４に記憶する。更に、教師データの作成システム１Ａは、最良グループに属する病理医による当該病理画像に対する診断結果を情報取得装置２で取得し、記憶部４に記憶する。
制御装置５は、最良グループに属する病理医による診断結果が、この最良グループに属する複数の病理医間で高い一致率を示す病理画像とそれに対応する病理医による診断結果のセットを、人工知能学習用の教師データＢに選定する。教師データＢについても、診断結果の正確さが期待されたものとなる。
＜本実施の形態の教師データの作成方法の一例＞
図２は、本実施の形態の教師データの作成方法の一例を示すフローチャートであり、病理画像から教師データを選定する例について説明する。
教師データの作成者の選定に用いるデータとして、正解が既知で、教師データの作成者の候補者による判断結果が正しいか否かを判断可能なデータが選定される。本例では、予後が既知で診断結果が正解か否か判断可能な症例の複数の病理画像を取得する。また、これら病理画像に対する多数の病理医による診断結果、及び、既知の予後情報を取得する（ステップＳＡ１）。
病理医ごとの診断結果に基づき、クラスター分析の手法等を用い、複数の診断項目に対する診断結果と予後情報の一致率等から病理医をグループ分けする（ステップＳＡ２）。診断結果と予後情報の一致率が他のグループより高い等、各グループの中で最も予後と相関する分別が可能だったグループを最良グループとして抽出し、最良グループに属する病理医を教師データの作成者に選定する（ステップＳＡ３）。
教師データの作成者の選定に用いた病理画像とそれに対応する予後情報のセットを、人工知能学習用の教師データＡとして選定する（ステップＳＡ４）。
教師データの候補となるデータとして。予後が未知で予後情報が含まれず、診断結果の正否が未確定の病理画像を取得する（ステップＳＡ５）。
予後が未知の病理画像に対する最良グループに属する複数の病理医による診断結果を取得する（ステップＳＡ６）。
最良グループに属する病理医による診断結果が、この最良グループに属する複数の病理医間で高い一致率を示す病理画像とそれに対応する病理医による診断結果のセットを、人工知能学習用の教師データＢとして選定する（ステップＳＡ７）。
図３は、本実施の形態の教師データの作成方法の別の一例を示すフローチャートであり、病理画像から教師データを選定する例について説明する。
図３において、ステップＳＢ１、ステップＳＢ２及びステップＳＢ３では、図２のステップＳＡ１、ステップＳＡ２及びステップＳＡ３と同様の処理で最良グループを抽出し、最良グループに属する病理医を教師データの作成者に選定する。
教師データの作成者の選定に用いた病理画像の中で、最良グループに属する病理医間で高い一致率を示す症例の病理画像とそれに対応する病理医による診断結果のセットを、人工知能学習用の教師データＡとして選定する（ステップＳＢ４）。この教師データＡは、更に、判断結果と予後情報の一致率が所定の閾値以上のものに限定することが望ましい。
図３において、ステップＳＢ５、ステップＳＢ６及びステップＳＢ７では、図２のステップＳＡ５、ステップＳＡ６及びステップＳＡ７と同様の処理で、教師データの候補となる予後が未知の病理画像の中から、最良グループに属する複数の病理医間で診断結果が高い一致率を示す病理画像と、それに対応する病理医による診断結果のセットを教師データＢとして選定する。
＜本実施の形態の教師データの作成システム及び作成方法の作用効果例＞
予後が既知の病理画像に対する診断結果と予後情報の一致率が高い、すなわち、正解率の高いグループに属する病理医が、予後が未知の病理画像に対する診断を行うと、診断結果と実際の予後情報の一致率はやはり高くなることが期待される。
そこで、本実施の形態の教師データの作成システム及び作成方法では、予後が既知の病理画像等、正解が既知で、正否の判断結果が正しいか否かを判断可能な画像等のデータを、教師データの作成者の選定に用いるデータとする。
教師データの作成者の候補者による当該データの判断結果の正否は、コンピュータを用いて行うことができ、教師データの作成者の候補者による当該データの判断結果に基づき、教師データの作成者の候補者をグループ分けし、正解率の最も高い最良グループを抽出することができる。
教師データの作成者の選定に用いたデータ及び教師データの作成者の選定に用いたデータの中で、最良グループによる判断結果の正解率の高いデータである上述した教師データＡは、人工知能学習用の教師データとして適したものとなる。
また、最良グループによる正解が未知のデータに対する判断結果は、他のグループによる判断結果と比較して正解率が高くなる考えられることから、正解が未知のデータと、最良グループによる当該データに対する判断結果を集積した教師データＢも、人工知能学習用の教師データとして適したものとなる。
このように、上記システム、方法で最良グループを選定して教師データを取得することで、正解が既知の教師データＡあるいは教師データの作成者による正解率が所定の閾値以上の教師データＡに加えて、正解は未知であるが正解率が高いことが期待できる多数の教師データＢを追加することができる。
従って、正解率が高い教師データを用いて人工知能の学習が可能となると共に、人工知能の学習に用いる正解率が高い教師データの数を増加させることができる。
例えば、教師データの作成者の選定及び最初の教師データＡの取得後、医療機関との連携で病理画像を取得し、当該病理画像に対して最良グループに属する病理医（＝教師データの作成者）が診断を行い、その診断結果を取得することで、教師データＢを集積することが可能である。
また、医療分野のみならず、食品の質判定を人工知能で行う分野において、その教師データの選定に適用することも可能である。
１Ａ・・・教師データの作成システム、２・・・情報取得装置、３・・・表示装置、４・・・記憶装置、５・・・制御装置

Claims (5)

  1. 教師データの作成者の選定に用いる正解が既知のデータ、教師データの候補となる正解が未知のデータ、各データに対する判断結果、及び、正解が既知のデータに対する判断結果の正否に関するデータを取得する情報取得装置と、
    教師データの作成者の選定に用いる正解が既知のデータ、教師データの候補となる正解が未知のデータ、各データに対する判断結果、及び、正解が既知のデータに対する判断結果の正否に関するデータを記憶する記憶装置と、
    教師データの作成者の選定に用いる正解が既知のデータに対する教師データの作成者の候補者による判断結果と正解が既知のデータに対する判断結果の正否に関するデータから教師データの作成者を選定すると共に、教師データの作成者の選定に用いた正解が既知のデータの中から第１の教師データを選定し、教師データの候補となる正解が未知のデータの中から教師データ作成者の判断結果に基づいて第２の教師データを選定する制御装置を備えた
    ことを特徴とする教師データの作成システム。
  2. 前記制御装置は、正解が既知のデータに対する教師データの作成者の候補者による判断結果と、判断結果の正否に関するデータから、正解率に基づき教師データの作成者を選定すると共に、
    教師データの作成者の選定で用いた正解が既知のデータとそれに対応する判断結果の正否に関するデータのセットを第１の教師データとして選定し、
    正解が未知のデータに対する複数の教師データの作成者間での判断結果の一致率の高いデータとそれに対応する教師データの作成者の判断結果のセットを第２の教師データとして選定する
    ことを特徴とする請求項１に記載の教師データの作成システム。
  3. 前記制御装置は、正解が既知のデータに対する教師データの作成者の候補者による判断結果と、判断結果の正否に関するデータから、正解率に基づき教師データの作成者を選定すると共に、
    教師データの作成者の選定で用いた正解が既知のデータの中から、判断結果の正解率及び複数の教師データの作成者間での判断結果の一致率の高いデータとそれに対応する教師データの作成者の判断結果のセットを第１の教師データとして選定し、
    正解が未知のデータに対する複数の教師データの作成者間での判断結果の一致率の高いデータとそれに対応する教師データの作成者の判断結果のセットを第２の教師データとして選定する
    ことを特徴とする請求項１に記載の教師データの作成システム。
  4. 教師データの作成者の選定に用いる正解が既知のデータは、予後が既知の病理画像であり、
    前記制御装置は、予後が既知の病理画像に対する教師データの作成者の候補者による診断結果と、予後情報との一致率に基づき教師データの作成者を選定すると共に、
    教師データの作成者の選定で用いた予後が既知の病理画像とそれに対応する予後情報のセットを第１の教師データとして選定し、
    教師データの候補となる正解が未知のデータは、予後が未知の病理画像であり、
    前記制御装置は、予後が未知の病理画像に対する複数の教師データの作成者間での診断結果の一致率の高い病理画像とそれに対応する診断結果のセットを第２の教師データとして選定する
    ことを特徴とする請求項２に記載の教師データの作成システム。
  5. 教師データの作成者の選定に用いる正解が既知のデータは、予後が既知の病理画像であり、
    前記制御装置は、予後が既知の病理画像に対する教師データの作成者の候補者による診断結果と、予後情報との一致率に基づき教師データの作成者を選定すると共に、
    教師データの作成者の選定で用いた予後が既知の病理画像の中から、診断結果と予後情報の一致率及び複数の教師データの作成者間での診断結果の一致率の高い病理画像とそれに対応する診断結果のセットを第１の教師データとして選定し、
    教師データの候補となる正解が未知のデータは、予後が未知の病理画像であり、
    前記制御装置は、予後が未知の病理画像に対する複数の教師データの作成者間での診断結果の一致率の高い病理画像とそれに対応する診断結果のセットを第２の教師データとして選定する
    ことを特徴とする請求項３に記載の教師データの作成システム。
JP2021569658A 2020-01-09 2020-01-09 教師データの作成システム Active JP7482537B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/000424 WO2021140604A1 (ja) 2020-01-09 2020-01-09 教師データの作成システム及び教師データの作成方法

Publications (2)

Publication Number Publication Date
JPWO2021140604A1 JPWO2021140604A1 (ja) 2021-07-15
JP7482537B2 true JP7482537B2 (ja) 2024-05-14

Family

ID=76787908

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021569658A Active JP7482537B2 (ja) 2020-01-09 2020-01-09 教師データの作成システム

Country Status (2)

Country Link
JP (1) JP7482537B2 (ja)
WO (1) WO2021140604A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018106662A (ja) 2016-12-22 2018-07-05 キヤノン株式会社 情報処理装置、情報処理方法、プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018106662A (ja) 2016-12-22 2018-07-05 キヤノン株式会社 情報処理装置、情報処理方法、プログラム

Also Published As

Publication number Publication date
JPWO2021140604A1 (ja) 2021-07-15
WO2021140604A1 (ja) 2021-07-15

Similar Documents

Publication Publication Date Title
US20230033601A1 (en) Dynamic self-learning medical image method and system
US10733726B2 (en) Pathology case review, analysis and prediction
Kassambara Machine learning essentials: Practical guide in R
Wells et al. Artificial intelligence in dermatopathology: Diagnosis, education, and research
TWI660277B (zh) 資訊處理裝置及資訊處理方法
Dingen et al. RegressionExplorer: Interactive exploration of logistic regression models with subgroup analysis
CN113892148A (zh) 用于计算病理学的可解释的AI（xAI）平台
CN111370128A (zh) 一种肺癌患者预后预测系统及方法
Mercan et al. Characterizing diagnostic search patterns in digital breast pathology: scanners and drillers
JP2006043007A (ja) 診断支援プログラムおよび診断支援装置
Yang et al. A CNN-based active learning framework to identify mycobacteria in digitized Ziehl-Neelsen stained human tissues
KR102075743B1 (ko) 신체 성장 예측 모델링 장치 및 방법
Farrow et al. Interpretation and reporting of predictive or diagnostic machine-learning research in Trauma & Orthopaedics
CN109190699A (zh) 一种基于多任务学习的多疾病联合测定方法
Enad et al. A review on artificial intelligence and quantum machine learning for heart disease diagnosis: Current techniques, challenges and issues, recent developments, and future directions
Kovalev et al. Biomedical image recognition in pulmonology and oncology with the use of deep learning
JP7482537B2 (ja) 教師データの作成システム
Ahamad et al. Deep Learning-Based Cancer Detection Technique
Farooq et al. Transforming educational insights: Strategic integration of federated learning for enhanced prediction of student learning outcomes
WO2023274599A1 (en) Methods and systems for automated follow-up reading of medical image data
Das et al. Detecting entropy increase in categorical data using maximum entropy distribution approximations
Khalifa Government supports and technology adoption: evidence from Tunisia
US20090006055A1 (en) Automated Reduction of Biomarkers
EP4369354A1 (en) Method and apparatus for analyzing pathological slide images
EP3996001A1 (en) Data generation program, data generation method, and information processing device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240405

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: 20240416

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240422

R150 Certificate of patent or registration of utility model

Ref document number: 7482537

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150