RU2019116786A - Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием - Google Patents

Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием Download PDF

Info

Publication number
RU2019116786A
RU2019116786A RU2019116786A RU2019116786A RU2019116786A RU 2019116786 A RU2019116786 A RU 2019116786A RU 2019116786 A RU2019116786 A RU 2019116786A RU 2019116786 A RU2019116786 A RU 2019116786A RU 2019116786 A RU2019116786 A RU 2019116786A
Authority
RU
Russia
Prior art keywords
disease
lesion
sample data
diseases
affected
Prior art date
Application number
RU2019116786A
Other languages
English (en)
Other versions
RU2765695C2 (ru
RU2019116786A3 (ru
Inventor
Дайсуке ОКАНОХАРА
Кента ООНО
Нобуюки ОТА
Карим ХАМЗАУИ
Такуя АКИБА
Original Assignee
Приферд Нетворкс, Инк.
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 Приферд Нетворкс, Инк. filed Critical Приферд Нетворкс, Инк.
Publication of RU2019116786A publication Critical patent/RU2019116786A/ru
Publication of RU2019116786A3 publication Critical patent/RU2019116786A3/ru
Application granted granted Critical
Publication of RU2765695C2 publication Critical patent/RU2765695C2/ru

Links

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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Organic Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Biophysics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Medicinal Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Hematology (AREA)
  • Sustainable Development (AREA)
  • Primary Health Care (AREA)

Claims (58)

1. Устройство определения поражения заболеванием, содержащее:
блок получения данных образца, выполненный с возможностью получения данных образца, включающих в себя соответствующие уровни экспрессии биомаркеров, в том числе множества типов мкРНК, в образце, полученном из индивидуального организма;
обученную модель, в которой определяется поражение заболеваниями, полученную предварительно посредством выполнения машинного обучения с использованием множества обучающих данных, включающих в себя данные образца, каждые включают в себя элементы для идентификации присутствия или отсутствия поражения множеством заболеваний, и к которым прикрепляют маркировочную информацию, маркировочная информация показывает, поражены ли индивидуумы любым из заболеваний; и
блок определения поражения, выполненный с возможностью осуществлять определение поражения в отношении того, поражены ли данные образца, подлежащие определению, множеством заболеваний, используя обученную модель.
2. Устройство определения поражения заболеванием по п. 1, содержащее:
блок вывода определения вклада биомаркера, выполненный с возможностью извлекать биомаркер, который вносит вклад в результат определения поражения заболеванием, из биомаркеров, включенных в данные образца, подлежащие определению поражения заболеванием, и выводить извлеченный биомаркер.
3. Устройство определения поражения заболеванием по п. 2, в котором
блок вывода определения вклада биомаркера вычисляет, с помощью процесса вычисления функции потерь L, используя обученную модель, для данных образца, и процесса выполнения обратного распространения ошибки с использованием значения L функции потерь в качестве начальной точки и вычисления градиента gj=∂L/∂xj для признака xj, соответствующего каждому из множества типов биомаркеров, степени важности каждой размерности признака, соответствующей биомаркеру, в виде градиента gj для признака xj, и извлекает предварительно определяемое число биомаркеров в качестве биомаркеров, которые вносят вклад в результат определения поражения заболеванием на основе величины степени важности.
4. Устройство определения поражения заболеванием по п. 2, в котором
блок вывода определения вклада биомаркера обучает линейное обучаемое средство, которое аппроксимирует обученную модель в блоке определения поражения посредством LIME, вычисляет коэффициент линейного обучаемого средства, коэффициент соответствует размерности признака каждого биомаркера, когда данные образца, подлежащие определению поражения, вводят в линейное обучаемое средство, в качестве степени важности каждого биомаркера, и извлекает предварительно определяемое число биомаркеров в качестве биомаркеров, которые вносят вклад в результат определения поражения заболеванием на основе величины степени важности.
5. Устройство определения поражения заболеванием по п. 2, в котором
блок вывода определения вклада биомаркера выполняет прямое распространение посредством предоставления признака данных образца пациента, подлежащих определению поражения, в обученную модель в блоке определения поражения посредством LRP, рекурсивно вычисляет вектор важности R, представляющий степень важности, в каждом слое, пересекая слои в обратном порядке от блока вывода, вычисляет вектор важности R в качестве степени важности каждой размерности признака, соответствующей каждому биомаркеру, и извлекает предварительно определяемое число биомаркеров в качестве биомаркеров, которые вносят вклад в результат определения поражения заболеванием на основе величины степени важности.
6. Устройство определения поражения заболеванием, содержащее:
блок получения данных образца, выполненный с возможностью получения данных образца, включающих в себя соответствующие уровни экспрессии биомаркеров, в том числе множества типов мкРНК, в образце, полученном из индивидуального организма;
по меньшей мере две или больше обучаемых машин, выполненных с возможностью осуществлять машинное обучение, обычно используя множество обучающих данных, включающих в себя данные образца, каждые включают в себя элементы для идентификации присутствия или отсутствия поражения множеством заболеваний, и к которым прикрепляют маркировочную информацию, маркировочная информация указывает, поражены ли индивидуумы любым из заболеваний, обучаемые машины, соответственно, включают в себя различные типы обученных моделей, которые обучали предварительно для того, чтобы определять поражение одним и тем же заболеванием, обучаемые машины выполнены с возможностью вывода результата предсказания в отношении того, поражены ли заболеванием данные образца, подлежащие определению поражения заболеванием; и
стэкинговую обучаемую машину, которую предварительно обучали для того, чтобы выводить конечный результат определения, используя результаты предсказания от множества обучаемых машин в качестве вводов, и которая выполнена с возможностью выводить результат определения в отношении того, поражены ли заболеванием данные образца, подлежащие определению поражения, на основе результатов предсказания от множества обучаемых машин.
7. Устройство определения поражения заболеванием по любому одному из пп. 1-6, в котором
множество заболеваний включает в себя по меньшей мере два типа злокачественной опухоли молочной железы, доброкачественного заболевания молочной железы, злокачественной опухоли предстательной железы, доброкачественного заболевания предстательной железы, злокачественной опухоли поджелудочной железы, злокачественной опухоли желчных путей, злокачественной опухоли ободочной кишки, злокачественной опухоли желудка, злокачественной опухоли пищевода, злокачественной опухоли печени и доброкачественного панкреатического заболевания.
8. Устройство определения поражения заболеванием, содержащее:
множество данных образцов, соответственно собранных у индивидуальных организмов и включающих в себя соответствующие уровни экспрессии множества типов биомаркеров, включая мкРНК, в полученных от индивидуальных организмов образцах;
обученную модель, в которой определяется присутствие или отсутствие поражения множеством заболеваний, множество заболеваний выводят как результат машинного обучения с использованием, в качестве обучающих данных, данных образца с маркировочной информацией, причем элементы для идентификации того, поражен ли каждый индивидуальный организм множеством заболеваний, предусмотрены в качестве маркировочной информации, для каждых из множества данных образцов; и
блок определения поражения, выполненный с возможностью определять присутствие или отсутствие поражения каждым из множества заболеваний, используя обученную модель, для данных образца, вновь полученных от другого организма, для которых определение поражения подлежит выполнению.
9. Устройство определения поражения заболеванием, содержащее:
множество данных образцов, соответственно полученных от индивидуальных организмов и включающих в себя соответствующие уровни экспрессии множества типов биомаркеров, включая мкРНК, в образце, полученном из индивидуального организма;
обученную модель, в которой определяется присутствие или отсутствие поражения предварительно определяемым заболеванием, предварительно определяемое заболевание выводят как результат машинного обучения с использованием, в качестве обучающих данных, данных образца с маркировочной информацией, в которой элементы для идентификации, поражен ли каждый индивидуальный организм любым одним из предварительно определяемой группы заболеваний, определяемой предварительно, или каждый индивидуальный организм не поражен любым из предварительно определяемой группы заболеваний, определяемой предварительно, в качестве информации, относящейся к заболеванию, при поражении заболеванием, или информации, указывающей, что индивидуальный организм не поражен, когда поражение отсутствует, в качестве маркировочной информации для каждых из множества данных образцов; и
блок определения поражения, выполненный с возможностью определять поражение любым одним из предварительно определяемой группы заболеваний или отсутствие поражения любым из предварительно определяемой группы заболеваний, используя обученную модель, для данных образца, вновь полученных от другого организма, для которых определение поражения подлежит выполнению.
10. Способ определения поражения заболеванием, включающий стадии:
получения данных образца, включающих в себя соответствующие уровни экспрессии биомаркеров, в том числе множества типов мкРНК, в образце, полученном из индивидуального организма;
генерации обученной модели, в которой возможность поражения множеством заболеваний получают с возможностью определения предварительно посредством выполнения машинного обучения, используя множество обучающих данных, включающих в себя данные образца, каждые включают в себя элементы для идентификации присутствия или отсутствия поражения множеством заболеваний, и к которым прикрепляют маркировочную информацию, маркировочная информация показывает, поражены ли индивидуумы любым из заболеваний; и
выполнения определения поражения в отношении того, поражены ли данные образца, подлежащие определению, множеством заболеваний, используя обученную модель.
11. Способ определения поражения заболеванием, включающий стадии:
получения данных образца, включающих в себя соответствующие уровни экспрессии биомаркеров, в том числе множества типов мкРНК, в образце, полученном из индивидуального организма;
получения множества результатов предсказания на основе по меньшей мере двух или больше обучаемых машин, выполненных с возможностью осуществлять машинное обучение, обычно используя множество обучающих данных, включающих в себя данные образца, каждые включают в себя элементы для идентификации присутствия или отсутствия поражения множеством заболеваний и к ним прикрепляют маркировочную информацию, маркировочная информация указывает, поражены ли индивидуумы любым из заболеваний, обучаемые машины, соответственно, включают в себя различные типы обученных моделей, которые обучали предварительно для того, чтобы определять поражение одним и тем же заболеванием, обучаемые машины выполнены с возможностью вывода результата предсказания в отношении того, поражены ли заболеванием данные образца, подлежащие определению поражения заболеванием; и
получения конечного результата определения на основе стэкинговой обучаемой машины, которую обучали предварительно для того, чтобы выводить конечный результат определения, используя результаты предсказания от множества обучаемых машин в качестве вводов, и которая выполнена с возможностью выводить результат определения в отношении того, поражены ли заболеванием данные образца, подлежащие определению поражения, на основе результатов предсказания от множества обучаемых машин.
12. Способ определения поражения заболеванием, включающий стадии:
получения множества данных образцов соответственно, получаемых от индивидуальных организмов и включающих в себя соответствующие уровни экспрессии множества типов биомаркеров, включая мкРНК, в полученных от индивидуальных организмов образцах;
генерации обученной модели, в которой определяется присутствие или отсутствие поражения множеством заболеваний, множество заболеваний выводят как результат машинного обучения с использованием, в качестве обучающих данных, данных образца с маркировочной информацией, причем элементы для идентификации того, поражен ли каждый индивидуальный организм множеством заболеваний, предусмотрены в качестве маркировочной информации, для каждых из множества данных образцов; и
определения присутствия или отсутствия поражения каждым из множества заболеваний, используя обученную модель, для данных образца, вновь полученных от другого организма, для которых определение поражения подлежит выполнению.
13. Способ определения поражения заболеванием, включающий стадии:
получения множества данных образцов, соответственно получаемых от индивидуальных организмов и включающих в себя соответствующие уровни экспрессии множества типов биомаркеров, включая мкРНК, в образце, полученном из индивидуального организма;
генерации обученной модели, в которой определяется присутствие или отсутствие поражения предварительно определяемым заболеванием, предварительно определяемое заболевание выводят как результат машинного обучения с использованием, в качестве обучающих данных, данных образца с маркировочной информацией, в которой элементы для идентификации, поражен ли каждый индивидуальный организм любым одним из предварительно определяемой группы заболеваний, определяемой предварительно, или каждый индивидуальный организм не поражен любым из предварительно определяемой группы заболеваний, определяемой предварительно, в качестве информации, относящейся к заболеванию, при поражении заболеванием, или информации, указывающей, что индивидуальный организм не поражен, когда поражение отсутствует, в качестве маркировочной информации для каждого из множества данных образцов; и
определения поражения любым одним из предварительно определяемой группы заболеваний или отсутствия поражения любым из предварительно определяемой группы заболеваний, используя обученную модель, для данных образца, вновь полученных от другого организма, для которых определение поражения подлежит выполнению.
14. Программа определения поражения заболеванием для управления компьютером для того, чтобы реализовать процесс:
получения данных образца, включающих в себя соответствующие уровни экспрессии биомаркеров, в том числе множества типов мкРНК, в образце, полученном из индивидуального организма;
генерации обученной модели, в которой возможность поражения множеством заболеваний получают с возможностью определения предварительно посредством выполнения машинного обучения, используя множество обучающих данных, включающих в себя данные образца, каждые включают в себя элементы для идентификации присутствия или отсутствия поражения множеством заболеваний, и к которым прикрепляют маркировочную информацию, маркировочная информация показывает, поражены ли индивидуумы любым из заболеваний; и
выполнения определения поражения в отношении того, поражены ли данные образца, подлежащие определению, множеством заболеваний, используя обученную модель.
15. Программа определения поражения заболеванием для управления компьютером для того, чтобы реализовать процесс:
получения данных образца, включающих в себя соответствующие уровни экспрессии биомаркеров, в том числе множества типов мкРНК, в образце, полученном из индивидуального организма;
получения множества результатов предсказания на основе по меньшей мере двух или больше обучаемых машин, выполненных с возможностью осуществлять машинное обучение, обычно используя множество обучающих данных, включающих в себя данные образца, каждые включают в себя элементы для идентификации присутствия или отсутствия поражения множеством заболеваний и к ним прикрепляют маркировочную информацию, маркировочная информация указывает, поражены ли индивидуумы любым из заболеваний, обучаемые машины, соответственно, включают в себя различные типы обученных моделей, которые обучали предварительно для того, чтобы определять поражение одним и тем же заболеванием, обучаемые машины выполнены с возможностью вывода результата предсказания в отношении того, поражены ли заболеванием данные образца, подлежащие определению поражения заболеванием; и
получения конечного результата определения на основе стэкинговой обучаемой машины, которую обучали предварительно для того, чтобы выводить конечный результат определения, используя результаты предсказания от множества обучаемых машин в качестве вводов, и которую выполняли с возможностью выводить результат определения в отношении того, поражены ли заболеванием данные образца, подлежащие определению поражения, на основе результатов предсказания от множества обучаемых машин.
16. Программа определения поражения заболеванием для управления компьютером для того, чтобы реализовать процесс:
получения множества данных образцов, соответственно получаемых от индивидуальных организмов и включающих в себя соответствующие уровни экспрессии множества типов биомаркеров, включая мкРНК, в полученных от индивидуальных организмов образцах;
генерации обученной модели, в которой определяется присутствие или отсутствие поражения множеством заболеваний, множество заболеваний выводят как результат машинного обучения с использованием, в качестве обучающих данных, данных образца с маркировочной информацией, причем элементы для идентификации того, поражен ли каждый индивидуальный организм множеством заболеваний, предусмотрены в качестве маркировочной информации, для каждых из множества данных образцов; и
определения присутствия или отсутствия поражения каждым из множества заболеваний, используя обученную модель, для данных образца, вновь полученных от другого организма, для которых определение поражения подлежит выполнению.
17. Программа определения поражения заболеванием для управления компьютером для того, чтобы реализовать процесс:
получения множества данных образцов соответственно, получаемых от индивидуальных организмов и включающих в себя соответствующие уровни экспрессии множества типов биомаркеров, включая мкРНК, в образце, полученном из индивидуального организма;
генерации обученной модели, в которой определяется присутствие или отсутствие поражения предварительно определяемым заболеванием, предварительно определяемое заболевание выводят как результат машинного обучения с использованием, в качестве обучающих данных, данных образца с маркировочной информацией, в которой элементы для идентификации, поражен ли каждый индивидуальный организм любым одним из предварительно определяемой группы заболеваний, определяемой предварительно, или каждый индивидуальный организм не поражен любым из предварительно определяемой группы заболеваний, определяемой предварительно, в качестве информации, относящейся к заболеванию, при поражении заболеванием, или информации, указывающей, что индивидуальный организм не поражен, когда поражение отсутствует, в качестве маркировочной информации для каждых из множества данных образцов; и
определения поражения любым одним из предварительно определяемой группы заболеваний или отсутствия поражения любым из предварительно определяемой группы заболеваний, используя обученную модель, для данных образца, вновь полученных от другого организма, для которых определение поражения подлежит выполнению.
RU2019116786A 2016-10-31 2017-10-31 Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием RU2765695C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016-213690 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

Publications (3)

Publication Number Publication Date
RU2019116786A true RU2019116786A (ru) 2020-11-30
RU2019116786A3 RU2019116786A3 (ru) 2020-11-30
RU2765695C2 RU2765695C2 (ru) 2022-02-02

Family

ID=61195694

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019116786A RU2765695C2 (ru) 2016-10-31 2017-10-31 Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием

Country Status (6)

Country Link
US (1) US20190267113A1 (ru)
EP (1) EP3534281A4 (ru)
JP (3) JP6280997B1 (ru)
CN (1) CN109923614A (ru)
RU (1) RU2765695C2 (ru)
WO (1) WO2018079840A1 (ru)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2758481C (en) 2009-04-30 2018-03-20 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
JP2020101524A (ja) * 2018-11-19 2020-07-02 キヤノン株式会社 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法
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
WO2020222287A1 (ja) * 2019-04-29 2020-11-05 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 訓練装置、罹患判定装置、機械学習方法、およびプログラム
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
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
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
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
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
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
CN118020106A (zh) * 2021-09-29 2024-05-10 富士胶片株式会社 可测定合适特征量的选择方法、可测定合适特征量的选择程序及可测定合适特征量的选择装置
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

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1194045A (zh) * 1995-07-25 1998-09-23 好乐思治疗公司 计算机辅助疾病诊断方法
EP0879449A2 (en) * 1996-02-09 1998-11-25 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
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
JP2003006329A (ja) 2001-06-26 2003-01-10 Hitachi Ltd 診断支援システム
JP3823192B2 (ja) 2002-04-19 2006-09-20 学校法人慶應義塾 診療支援装置、診療支援方法、及び診療支援プログラム
US7774143B2 (en) 2002-04-25 2010-08-10 The United States Of America As Represented By The Secretary, Department Of Health And Human Services Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states
EP1583504A4 (en) * 2002-12-26 2008-03-05 Cemines Llc METHODS AND COMPOSITIONS FOR THE DIAGNOSIS, PROGNOSIS, AND TREATMENT OF CANCER
CA2539414A1 (en) * 2003-06-03 2004-12-16 Allez Physionix Limited Systems and methods for determining intracranial pressure non-invasively and acoustic transducer assemblies for use in such systems
ES2651849T3 (es) * 2003-07-10 2018-01-30 Genomic Health, Inc. Algoritmo del perfil de expresión y test para el pronóstico del cáncer
JP5038671B2 (ja) 2006-09-25 2012-10-03 株式会社東芝 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
EP2094719A4 (en) * 2006-12-19 2010-01-06 Genego Inc NEW PROCEDURES FOR THE FUNCTIONAL ANALYSIS OF EXPERIMENTAL HIGH-PERFORMANCE DATA AND IDENTIFIED GENDER GROUPS THEREOF
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
ES2559758T3 (es) * 2008-09-09 2016-02-15 Somalogic, Inc. Biomarcadores de cáncer de pulmón y usos de los mismos
EP2350320A4 (en) * 2008-11-12 2012-11-14 Caris Life Sciences Luxembourg Holdings METHODS AND SYSTEMS FOR USING EXOSOMES TO DETERMINE PHENOTYPES
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
CN102893157A (zh) * 2009-12-22 2013-01-23 密执安大学评议会 前列腺癌的代谢特征
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
AU2012230835B2 (en) * 2011-03-22 2016-05-05 Cornell University Distinguishing benign and malignant indeterminate thyroid lesions
JP5645761B2 (ja) 2011-06-23 2014-12-24 登史夫 小林 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
EP4137586A1 (en) 2014-08-07 2023-02-22 Agency for Science, Technology and Research Microrna biomarker for the diagnosis of gastric cancer
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

Also Published As

Publication number Publication date
RU2765695C2 (ru) 2022-02-02
JP2018077814A (ja) 2018-05-17
JP6280997B1 (ja) 2018-02-14
JP2022024092A (ja) 2022-02-08
JP7411619B2 (ja) 2024-01-11
US20190267113A1 (en) 2019-08-29
JPWO2018079840A1 (ja) 2019-09-19
CN109923614A (zh) 2019-06-21
EP3534281A1 (en) 2019-09-04
EP3534281A4 (en) 2020-06-03
RU2019116786A3 (ru) 2020-11-30
JP7021097B2 (ja) 2022-02-16
WO2018079840A1 (ja) 2018-05-03

Similar Documents

Publication Publication Date Title
RU2019116786A (ru) Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием
Okagawa et al. Artificial intelligence in endoscopy
Ekkelenkamp et al. Competence development in ERCP: the learning curve of novice trainees
Mariappan et al. Real-life Experience: Early Recurrence With Hexvix Photodynamic Diagnosis–assisted Transurethral Resection of Bladder Tumour vs Good-quality White Light TURBT in New Non–muscle-invasive Bladder Cancer
CN108596882A (zh) 病理图片的识别方法及装置
JP2022024092A5 (ru)
CN105005714A (zh) 一种基于肿瘤表型特征的非小细胞肺癌预后方法
HRP20191182T1 (hr) Identifikacija tumorsko-zaštitnih epitopa za liječenje karcinoma
CN107909095A (zh) 一种基于深度学习的图像识别方法
CN111640503B (zh) 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法
CN107480474A (zh) 基于肠道菌群丰度的分类器建模评价校验方法及系统
JP2014016819A5 (ru)
WO2013049153A3 (en) Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
KR102142754B1 (ko) 딥러닝 기반의 전립선암 병리학적 단계 예측 방법
Chopin et al. RootAnalyzer: a cross-section image analysis tool for automated characterization of root cells and tissues
CN107103601A (zh) 一种乳腺癌评分系统中的细胞有丝分裂检测方法
JP6625504B2 (ja) 情報処理装置、情報処理システム及びプログラム
CN115424666B (zh) 一种基于全基因组重亚硫酸盐测序数据筛选泛癌早筛分子标志物的方法及系统
Otálora et al. Image magnification regression using densenet for exploiting histopathology open access content
Iuga et al. Automated mapping and N-Staging of thoracic lymph nodes in contrast-enhanced CT scans of the chest using a fully convolutional neural network
Bur et al. Interpretable computer vision to detect and classify structural laryngeal lesions in digital flexible laryngoscopic images
KR102265529B1 (ko) 복합 유전 정보 네트워크 분석에 기반한 질병 위험도 진단 방법
KR101771042B1 (ko) 질병 관련 유전자 탐색 장치 및 그 방법
Blount et al. Comparison of three individual identification algorithms for sperm whales (physeter macrocephalus) after automated detection
CN103718181A (zh) 指示表型的组合标签的跨模态应用