WO2022130597A1 - 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム - Google Patents

推定装置、推定方法、推定プログラム、生成装置、及び、推定システム Download PDF

Info

Publication number
WO2022130597A1
WO2022130597A1 PCT/JP2020/047317 JP2020047317W WO2022130597A1 WO 2022130597 A1 WO2022130597 A1 WO 2022130597A1 JP 2020047317 W JP2020047317 W JP 2020047317W WO 2022130597 A1 WO2022130597 A1 WO 2022130597A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
probability
estimation
learning
group
Prior art date
Application number
PCT/JP2020/047317
Other languages
English (en)
French (fr)
Inventor
芳孝 木村
伸生 八重樫
修吉 宮崎
Original Assignee
国立大学法人東北大学
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 国立大学法人東北大学 filed Critical 国立大学法人東北大学
Priority to PCT/JP2020/047317 priority Critical patent/WO2022130597A1/ja
Publication of WO2022130597A1 publication Critical patent/WO2022130597A1/ja

Links

Images

Classifications

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

Definitions

  • the present invention relates to an estimation device, an estimation method, an estimation program, a generation device, and an estimation system.
  • an estimation device that estimates whether or not a predetermined event occurs in a target based on a plurality of information representing a plurality of different properties of the target.
  • the estimation device described in Patent Document 1 has been learned with a plurality of information representing each of a plurality of properties (for example, history of diseases suffered in the past, symptoms, test results, etc.) of the person to be estimated. Based on the model, it is estimated whether or not the estimation target has a predetermined disease.
  • the trained model is a plurality of information representing a plurality of properties of the learning target for each of a person who is a plurality of learning targets different from each other, and whether or not the learning target is suffering from a predetermined disease. It is generated by learning teacher data that contains information that represents.
  • One of the objects of the present invention is to estimate with high accuracy whether or not a predetermined event occurs in an object.
  • the estimation device estimates whether or not a predetermined event occurs in the target based on a plurality of information representing a plurality of different properties of the target.
  • the plurality of properties include a first property group and a second property group.
  • the estimation device includes a probability calculation unit and an estimation unit.
  • the probability calculation unit calculates the first probability that an event will occur in the estimation target based on the first information group representing the first property group of the estimation target and the first trained model, and the estimation target first. Based on the second information group representing the two property groups and the second trained model, the second probability that an event will occur in the estimation target is calculated.
  • the estimation unit estimates whether or not an event occurs in the estimation target based on the calculated first probability and the calculated second probability.
  • the first trained model includes, for each of a plurality of different learning objects, a first information group representing the first property group of the learning target, and information indicating whether or not an event has occurred in the learning target. Generated by learning teacher data.
  • the second trained model is calculated based on the first information group representing the first property group of the trained object and the first trained model for each of the plurality of trained objects. For each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the target, the second information group representing the second property group of the selective learning target and the selection. It is generated by learning teacher data including information indicating whether or not an event has occurred in the learning target.
  • the estimation method estimates whether or not a predetermined event occurs in the target based on a plurality of information representing a plurality of different properties of the target.
  • the plurality of properties include a first property group and a second property group.
  • the estimation method is Based on the first information group representing the first property group of the estimation target and the first trained model, the first probability that an event will occur in the estimation target is calculated. Based on the second information group representing the second property group of the estimation target and the second trained model, the second probability that an event will occur in the estimation target is calculated. It includes estimating whether or not an event occurs in the estimation target based on the calculated first probability and the calculated second probability.
  • the first trained model includes, for each of a plurality of different learning objects, a first information group representing the first property group of the learning target, and information indicating whether or not an event has occurred in the learning target. Generated by learning teacher data.
  • the second trained model is calculated based on the first information group representing the first property group of the trained object and the first trained model for each of the plurality of trained objects. For each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the target, the second information group representing the second property group of the selective learning target and the selection. It is generated by learning teacher data including information indicating whether or not an event has occurred in the learning target.
  • the estimation program causes the computer to perform a process of estimating whether or not a predetermined event occurs in the target based on a plurality of information representing a plurality of different properties of the target.
  • the plurality of properties include a first property group and a second property group.
  • the above process is Based on the first information group representing the first property group of the estimation target and the first trained model, the first probability that an event will occur in the estimation target is calculated. Based on the second information group representing the second property group of the estimation target and the second trained model, the second probability that an event will occur in the estimation target is calculated. It includes estimating whether or not an event occurs in the estimation target based on the calculated first probability and the calculated second probability.
  • the first trained model includes, for each of a plurality of different learning objects, a first information group representing the first property group of the learning target, and information indicating whether or not an event has occurred in the learning target. Generated by learning teacher data.
  • the second trained model is calculated based on the first information group representing the first property group of the trained object and the first trained model for each of the plurality of trained objects. For each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the target, the second information group representing the second property group of the selective learning target and the selection. It is generated by learning teacher data including information indicating whether or not an event has occurred in the learning target.
  • the generator is a trained model used to estimate whether a given event occurs in a subject based on multiple pieces of information representing different properties of the subject. Generate.
  • the plurality of properties include a first property group and a second property group.
  • the generation device includes a first model generation unit and a second model generation unit.
  • the first model generation unit includes, for each of a plurality of different learning objects, a first information group representing the first property group of the learning target, and information indicating whether or not an event has occurred in the learning target.
  • the first trained model is generated by training the teacher data.
  • the second model generation unit is calculated based on the first information group representing the first property group of the learning target and the first trained model for each of the plurality of learning targets. For each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the target, the second information group representing the second property group of the selective learning target and the selection.
  • a second trained model is generated by learning teacher data including information indicating whether or not an event has occurred in the learning target.
  • the estimation system estimates whether or not a predetermined event occurs in the target based on a plurality of information representing a plurality of different properties of the target.
  • the plurality of properties include a first property group and a second property group.
  • the estimation system includes a first model generation unit, a second model generation unit, a probability calculation unit, and an estimation unit.
  • the first model generation unit includes, for each of a plurality of different learning objects, a first information group representing the first property group of the learning target, and information indicating whether or not an event has occurred in the learning target.
  • the first trained model is generated by training the teacher data.
  • the second model generation unit is calculated based on the first information group representing the first property group of the learning target and the first trained model for each of the plurality of learning targets. For each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the target, the second information group representing the second property group of the selective learning target and the selection.
  • a second trained model is generated by learning teacher data including information indicating whether or not an event has occurred in the learning target.
  • the probability calculation unit calculates and estimates the first probability that an event will occur in the estimation target based on the first information group representing the first property group of the estimation target and the generated first trained model.
  • the second probability that an event will occur in the estimation target is calculated based on the second information group representing the second property group of the target and the generated second trained model.
  • the estimation unit estimates whether or not an event occurs in the estimation target based on the calculated first probability and the calculated second probability.
  • the estimation system of the first embodiment estimates whether or not a predetermined event occurs in the target based on a plurality of information representing a plurality of different properties of the target.
  • the plurality of properties include a first property group and a second property group.
  • the estimation system includes a first model generation unit, a second model generation unit, a probability calculation unit, and an estimation unit.
  • the first model generation unit includes, for each of a plurality of different learning objects, a first information group representing the first property group of the learning target, and information indicating whether or not an event has occurred in the learning target.
  • the first trained model is generated by training the teacher data.
  • the second model generation unit was calculated based on the first information group representing the first property group of the learning target and the generated first trained model for each of the plurality of learning targets.
  • a second information group representing the second property group of the selective learning target for each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the learning target, and
  • a second trained model is generated by learning teacher data including information indicating whether or not an event has occurred in the selective learning target.
  • the probability calculation unit calculates the first probability that an event will occur in the estimation target based on the first information group representing the first property group of the estimation target and the generated first trained model, and the probability calculation unit concerned. Based on the second information group representing the second property group of the estimation target and the generated second trained model, the second probability that an event occurs in the estimation target is calculated.
  • the estimation unit estimates whether or not an event occurs in the estimation target based on the calculated first probability and the calculated second probability.
  • the first probability that an event will occur in the estimation target can be calculated with high accuracy by appropriately selecting the first property group.
  • the second trained model is generated based on the second property group of the selective learning target selected based on the first probability. Therefore, based on the correlation between the second property group of the target and the presence or absence of an event in the subject, while suppressing the influence of the correlation between the first property group of the subject and the presence or absence of an event in the subject. , The second probability that an event will occur in the estimation target is calculated. As a result, the second probability can be calculated with high accuracy.
  • the estimation system it is estimated whether or not an event occurs in the estimation target based on the first probability and the second probability. As described above, since the first probability and the second probability are calculated with high accuracy, it is possible to estimate with high accuracy whether or not an event occurs in the estimation target according to the estimation system. Next, the estimation system of the first embodiment will be described in more detail.
  • the estimation system 1 includes a generation device 10 and an estimation device 20.
  • the generation device 10 and the estimation device 20 are communicably connected to each other via the communication line NW.
  • the communication line NW may include a transmission line for wireless communication.
  • Each of the generation device 10 and the estimation device 20 is an information processing device or a computer.
  • the generator 10 may be a server computer, a desktop computer, a laptop computer, a tablet computer, a smartphone, or the like.
  • the estimation device 20 may be a desktop computer, a laptop computer, a tablet computer, a smartphone, or the like.
  • the generation device 10 may be composed of a plurality of devices connected to each other so as to be able to communicate with each other.
  • the generation device 10 includes a processing device 11, a storage device 12, an input device 13, an output device 14, and a communication device 15 connected to each other via the bus BU1.
  • the processing device 11 controls the storage device 12, the input device 13, the output device 14, and the communication device 15 by executing the program stored in the storage device 12. As a result, the processing device 11 realizes the functions described later.
  • the processing device 11 is a CPU (Central Processing Unit).
  • the processing device 11 may include an MPU (Micro Processing Unit), a GPU (Graphics Processing Unit), or a DSP (Digital Signal Processor) in place of the CPU or in addition to the CPU.
  • MPU Micro Processing Unit
  • GPU Graphics Processing Unit
  • DSP Digital Signal Processor
  • the storage device 12 includes a volatile memory and a non-volatile memory.
  • the storage device 12 includes at least one of a RAM (Random Access Memory), a ROM (Read Only Memory), a semiconductor memory, an organic memory, an HDD (Hard Disk Drive), and an SSD (Solid State Drive).
  • the input device 13 inputs information from the outside of the generation device 10.
  • the input device 13 includes a keyboard and a mouse.
  • the input device 13 may include a microphone.
  • the output device 14 outputs information to the outside of the generation device 10.
  • the output device 14 includes a display.
  • the output device 14 may include a speaker.
  • the generation device 10 may include a touch panel type display that constitutes both the input device 13 and the output device 14.
  • the communication device 15 communicates with an external device of the generation device 10.
  • the communication device 15 includes a card-type or on-board type network adapter or network interface.
  • the estimation device 20 includes a processing device 21, a storage device 22, an input device 23, an output device 24, and a communication device 25, which are connected to each other via the bus BU2.
  • the processing device 21, the storage device 22, the input device 23, the output device 24, and the communication device 25 are the same as the processing device 11, the storage device 12, the input device 13, the output device 14, and the communication device 15 of the generation device 10. Each has the functions of.
  • the generation device 10 generates a trained model (in this example, the first trained model and the second trained model).
  • the trained model estimates whether or not a predetermined event occurs in the target based on the information of the number of property groups representing the properties of the target having different number of property groups (multiple in this example). Used for.
  • the functions of the generation device 10 include a learning target information storage unit 110, a model generation unit 120, a parameter group storage unit 130, a threshold group determination unit 140, and a threshold group storage unit 150. ,including.
  • the learning target information storage unit 110 stores teacher data for each of a plurality of different targets.
  • the teacher data includes target information including information on the number of property groups representing the properties of different property groups of the target, and whether or not a predetermined event has occurred in the target (in other words, whether or not an event has occurred). Includes event occurrence information and.
  • the target used in the generation device 10 is also represented as a learning target. Further, the target information used in the generation device 10 is also represented as learning target information.
  • the target is a person.
  • the event is the affliction of a given disease.
  • the disease is an infectious disease.
  • the infectious disease is a viral infection called COVID-19.
  • the target information includes information on the number of property groups (in other words, information group) representing each property (in other words, the property group) of a person having different property groups.
  • the properties of the number of property groups include the first property group and the second property group.
  • the first property group consists of the number of properties of the first property group (14 in this example).
  • the properties of the first property group included in the first property group include age, gender, history of respiratory-related diseases, history of diabetes / heart disease and hypertension-related diseases, and others. History of illness, presence or absence of close contact, presence or absence of fever, body temperature at the first visit, presence or absence of sore throat, presence or absence of cough, presence or absence of sputum, presence or absence of dyspnea, presence or absence of general malaise, and presence or absence of taste disorder Is.
  • the presence or absence of fever is determined to be fever when the body temperature is equal to or higher than a predetermined threshold body temperature (37 ° C. in this example), and no fever when the body temperature is lower than the threshold body temperature.
  • the threshold body temperature may be a temperature different from 37 ° C (for example, 37.5 ° C or the like).
  • the first property group may include other properties (for example, the presence or absence of an olfactory disorder, etc.). Further, the first property group may include only a part of the properties of the number of the first property groups.
  • each property included in the first property group is a property that a person can recognize by himself / herself.
  • the first property group represents a person's background and symptoms.
  • the second property group consists of the number of properties of the second property group (12 in this example).
  • the properties of the second property group included in the second property group are the findings of SpO 2 (Oxygen Saturation of Peripheral Artery, in other words, percutaneous arterial oxygen saturation) and CT (Computed Tomografy) test.
  • CRP C-Reactive Protein, in other words, C-reactive
  • the white blood cell count, neutrophil%, neutrophil count, lymphocyte%, lymphocyte count, neutrophil / lymphocyte, CRP value, LDH value, and PCT value are values in a blood test.
  • Neutrophil% represents the ratio of neutrophils to leukocytes.
  • Lymphocyte% represents the ratio of lymphocytes to white blood cells.
  • Neutrophils / lymphocytes represent the ratio of neutrophils to lymphocytes.
  • the second property group may include other properties. Further, the second property group may include only a part of the properties of the number of the second property groups.
  • each of the properties of the number of the second property group included in the second property group corresponds to the test result.
  • each property included in the second property group is a property based on an examination at a medical institution.
  • the second property group represents the test result of a person.
  • each of the information on the number of property groups included in the target information represents the property numerically.
  • a person is represented by "0" and a person is represented by "1".
  • information indicating a history of diseases related to the respiratory organs, a history of diseases related to diabetes / heart disease and hypertension, and a history of other diseases shall not have such a history. Is represented by "0", and having the relevant medical history is represented by "1".
  • information indicating the presence or absence of fever, the presence or absence of sore throat, the presence or absence of cough, the presence or absence of sputum, the presence or absence of dyspnea, the presence or absence of general malaise, and the presence or absence of taste disorder do not have the symptom. This is represented by “0", and having the symptom is represented by "1". Further, for example, the information representing each of the findings of the CT examination and the findings of the chest X-ray examination is indicated by "0" indicating that there is no such finding and by "1" indicating that the finding is present.
  • the information indicating the presence or absence of close contact is indicated by "3" indicating that the person has experienced the three-csed state including the infected person, and "2” indicating that the person has experienced the three-csed state in the infected area.
  • “1” indicates that the person has experienced the three-csed state in an area other than the above, and "0” indicates that the person has not experienced the three-csed state.
  • the infected person is a person suffering from the above-mentioned infectious disease.
  • the three-csed state is a state in which ventilation is poor and conversation or vocalization is performed up close in a space where a large number of people gather.
  • the infected area is an area where the prevalence of the above-mentioned infectious disease is higher than a predetermined reference value.
  • the information indicating the presence or absence of close contact is determined based on the presence or absence of infected persons, the degree of ventilation, the density of people, the intensity or frequency of conversation or vocalization, and the prevalence of infectious diseases in the area. Will be done. Information indicating the presence or absence of close contact is determined based on the presence or absence of infected persons, the degree of ventilation, the density of people, the intensity or frequency of conversation or vocalization, and a part of the prevalence of infectious diseases in the area. May be good.
  • the information indicating the presence or absence of close contact may be indicated by "1” indicating that the person has experienced the three-dense state, and may be indicated by "0” that the person has not experienced the three-dense state.
  • the information indicating the presence or absence of close contact does not correspond to the close contact specified in the "Proactive Epidemiological Survey Implementation Guidelines for Patients with New Coronavirus Infectious Diseases" by the National Institute of Infectious Diseases Infectious Disease Epidemiology Center. , And it may be represented by “1” that it corresponds to the close contact person.
  • the target may be an animal other than a human, a plant, or the like.
  • the event may be the occurrence of a disaster, the occurrence of an accident, the occurrence of an incident, or the like.
  • the target may be a facility, a building, a city, an organization, a company, or the like.
  • the target may be an article (for example, transportation equipment, electrical equipment, information equipment, etc.).
  • the event may be a failure or damage of the article.
  • the target may be the provision of services (for example, electricity supply, gas supply, water supply, communication service, etc.).
  • the event may be the occurrence of a failure (eg, interruption or suspension of service provision).
  • the model generation unit 120 generates a trained model (in this example, the first trained model and the second trained model).
  • the model generation unit 120 includes a first model generation unit 121 and a second model generation unit 122.
  • the first model generation unit 121 generates the first trained model based on a plurality of teacher data stored in the learning target information storage unit 110.
  • the first model generation unit 121 has, for each of the plurality of teacher data, the first information group among the learning target information included in the teacher data, and the occurrence of an event included in the teacher data.
  • the first trained model is generated by learning the information.
  • the first information group is composed of information on the number of first property groups included in the first property group, which represents the properties of the first property group, among the learning target information.
  • Equation 1 may be referred to as a logistic regression equation or a sigmoid function.
  • M represents the number of first property groups.
  • M represents an integer of 2 or more.
  • a 0 to a M represent M + 1 parameters, respectively.
  • M + 1 parameters a 0 to a M constitute the first parameter group.
  • P 1 represents the first probability.
  • the first probability is the probability that an event will occur in the learning target based on the first information group representing the first property group of the learning target and the first trained model.
  • R 1 to RM each represent information on the number of first property groups constituting the first information group.
  • the first model generation unit 121 generates the first trained model by determining the first parameter groups a0 to aM using the nonlinear gradient method (for example, the generalized nonlinear simplified gradient method). do.
  • the first model generation unit 121 may determine the first parameter groups a0 to aM by using a gradient method other than the generalized nonlinear reduced gradient method.
  • the parameter group storage unit 130 stores the first parameter groups a 0 to a M determined by the first model generation unit 121.
  • the threshold group determination unit 140 is first based on the first parameter groups a0 to aM stored in the parameter group storage unit 130 and a plurality of teacher data stored in the learning target information storage unit 110. Determine the threshold.
  • the first threshold is the upper limit of the first probability, which is expected to indicate that no event occurs with sufficiently high accuracy.
  • the threshold group determination unit 140 is a teacher data (in other words, an event) including event occurrence information indicating that an event has occurred among a plurality of teacher data stored in the learning target information storage unit 110.
  • the first probability is calculated for each of the generated teacher data) based on the equation 1 and the first parameter groups a0 to aM stored in the parameter group storage unit 130.
  • the threshold group determination unit 140 determines a value obtained by subtracting a predetermined margin from the calculated minimum value of the first probability as the first threshold value.
  • a range that is equal to or greater than the first threshold value and less than or equal to 1 corresponds to an undecided range.
  • the threshold group determination unit 140 has a first threshold value such that the ratio of the number of event occurrence teacher data for which the first probability smaller than the first threshold value is calculated to the total number of event occurrence teacher data is equal to or less than a predetermined threshold value. May be determined. Further, the threshold group determination unit 140 may determine the first threshold value based on the value input by the user of the generation device 10.
  • the threshold group storage unit 150 stores the first threshold value determined by the threshold group determination unit 140.
  • the second model generation unit 122 generates a second trained model based on a plurality of teacher data stored in the learning target information storage unit 110.
  • the second model generation unit 122 stores the equation 1 and the first parameter group storage unit 130 for each of the plurality of teacher data stored in the learning target information storage unit 110.
  • the first probability is calculated based on the parameter groups a 0 to a M.
  • the second model generation unit 122 has a first threshold value in which the calculated first probability of the plurality of teacher data stored in the learning target information storage unit 110 is stored in the threshold group storage unit 150. Select the teacher data above. In this example, the fact that the first probability is equal to or greater than the first threshold value corresponds to the fact that the first probability is within the undecided range. In this example, the selection of the teacher data for the learning target corresponds to the selection of the learning target, and the selected learning target corresponds to the selective learning target.
  • the second model generation unit 122 has, for each of the selected teacher data, the second information group among the learning target information included in the teacher data, and the event occurrence information included in the teacher data.
  • a second trained model is generated by training.
  • the second information group is composed of information on the number of the second property group, which is included in the second property group and represents the properties of the number of the second property group, among the learning target information.
  • Equation 2 may be referred to as a logistic regression equation or a sigmoid function.
  • N represents the number of second property groups.
  • N represents an integer of 2 or more.
  • b 0 to b N represent N + 1 parameters, respectively.
  • N + 1 parameters b 0 to b N constitute a second parameter group.
  • P 2 represents the second probability.
  • the second probability is the probability that an event will occur in the learning target based on the second information group representing the second property group of the learning target and the second trained model.
  • S 1 to SN each represent information on the number of second property groups constituting the second information group.
  • the second model generation unit 122 generates the second trained model by determining the second parameter group b 0 to b N using the non-linear gradient method (for example, the generalized non-linear reduced gradient method). do.
  • the second model generation unit 122 may determine the second parameter group b 0 to b N by using a gradient method other than the generalized nonlinear reduced gradient method.
  • the parameter group storage unit 130 stores the second parameter groups b 0 to b N determined by the second model generation unit 122.
  • the threshold group determination unit 140 is a second based on the second parameter group b 0 to b N stored in the parameter group storage unit 130 and a plurality of teacher data stored in the learning target information storage unit 110. Determine the threshold.
  • the second threshold is the upper limit of the second probability, which is expected to indicate that no event occurs with sufficiently high accuracy.
  • the second threshold value may be the lower limit of the second probability, which is expected to indicate that an event occurs with sufficiently high accuracy.
  • the threshold group determination unit 140 has the equation 1 and the first parameter stored in the parameter group storage unit 130 for each of the event occurrence teacher data stored in the learning target information storage unit 110.
  • the first probability is calculated based on the groups a 0 to a M.
  • the calculated first probability of the event occurrence teacher data stored in the learning target information storage unit 110 is equal to or higher than the first threshold stored in the threshold group storage unit 150. Select the event occurrence teacher data that is.
  • the threshold group determination unit 140 is based on the mathematical formula 2 and the second parameter group b 0 to b N stored in the parameter group storage unit 130 for each of the selected event occurrence teacher data. Calculate the second probability. The threshold group determination unit 140 determines a value obtained by subtracting a predetermined margin from the calculated minimum value of the second probability as the second threshold value.
  • the threshold group determination unit 140 is set so that the ratio of the number of event occurrence teacher data for which the second probability smaller than the second threshold is calculated to the number of selected event occurrence teacher data is equal to or less than a predetermined threshold value.
  • a second threshold may be determined. Further, the threshold group determination unit 140 may determine the second threshold value based on the value input by the user of the generation device 10.
  • the threshold group storage unit 150 stores the second threshold value determined by the threshold group determination unit 140.
  • the estimation device 20 represents the properties of the trained model generated by the generation device 10 (in this example, the first trained model and the second trained model) and the properties of the estimation target having different property groups. Based on the information on the number of property groups, it is estimated whether or not an event occurs in the estimation target.
  • the functions of the estimation device 20 include an estimation target information receiving unit 210, a parameter group storage unit 220, a threshold group storage unit 230, a probability calculation unit 240, and an estimation unit 250. include.
  • the estimation target information receiving unit 210 receives the estimation target information input by the user of the estimation device 20.
  • the estimation target information includes information on the number of property groups representing the properties of the property groups different from each other of the estimation target. Similar to the learning target information, the estimation target information includes the first information group and the second property group, which are included in the first property group and consist of the information of the first property group representing the properties of the first property group, respectively. It includes a second information group including information on the number of second property groups, which represents the properties of the second property group, respectively.
  • the parameter group storage unit 220 receives and receives the first parameter groups a 0 to a M and the second parameter groups b 0 to b N stored in the parameter group storage unit 130 of the generation device 10 from the generation device 10.
  • the first parameter group a 0 to a M and the second parameter group b 0 to b N are stored.
  • the parameter group storage unit 220 receives the first parameter groups a 0 to a M and the second parameter groups b 0 to b N input by the user of the estimation device 20, and the accepted first parameter groups a 0 to You may store a M and the second parameter group b 0 to b N.
  • the threshold group storage unit 230 receives the first threshold value and the second threshold value stored in the threshold value group storage unit 150 of the generation device 10 from the generation device 10, and stores the received first threshold value and second threshold value.
  • the threshold group storage unit 230 may receive the first threshold value and the second threshold value input by the user of the estimation device 20 and store the accepted first threshold value and the second threshold value.
  • the probability calculation unit 240 includes a first probability calculation unit 241 and a second probability calculation unit 242.
  • the first probability calculation unit 241 includes the first information group included in the estimation target information received by the estimation target information reception unit 210, the equation 1, and the first parameter group a0 stored in the parameter group storage unit 220.
  • the first probability is calculated based on ⁇ a M.
  • the second probability calculation unit 242 is accepted by the estimation target information reception unit 210.
  • the second probability is calculated based on the second information group included in the estimation target information, the formula 2, and the second parameter groups b 0 to b N stored in the parameter group storage unit 220.
  • the estimation unit 250 determines whether or not an event occurs in the estimation target based on the first probability calculated by the first probability calculation unit 241 and the second probability calculated by the second probability calculation unit 242. presume.
  • the estimation unit 250 does not generate an event in the estimation target when the first probability calculated by the first probability calculation unit 241 is smaller than the first threshold value stored in the threshold group storage unit 230. I presume.
  • the first probability calculated by the first probability calculation unit 241 is equal to or higher than the first threshold value stored in the threshold group storage unit 230, and is calculated by the second probability calculation unit 242. If the second probability is smaller than the second threshold stored in the threshold group storage unit 230, it is estimated that no event occurs in the estimation target.
  • the first probability calculated by the first probability calculation unit 241 is equal to or higher than the first threshold value stored in the threshold group storage unit 230, and is calculated by the second probability calculation unit 242.
  • the second probability is equal to or higher than the second threshold stored in the threshold group storage unit 230, it is estimated that an event occurs in the estimation target.
  • the generation device 10 executes the process shown in FIG. 6 in order to generate the first trained model and the second trained model. Specifically, the generation device 10 uses each of the plurality of learning targets (in this example, the plurality of teacher data stored in the storage device 12) as processing targets one by one in the first loop processing (step S101). -Step S103) is executed.
  • the plurality of learning targets in this example, the plurality of teacher data stored in the storage device 12
  • the generation device 10 includes the first information group of the learning target information included in the training target information for the learning target to be processed, the event occurrence information included in the teacher data, the equation 1, and the equation 1. Based on the above, learning using the non-linear gradient method for determining the first parameter group a 0 to a M is performed (step S102).
  • the generation device 10 executes the first loop processing for all the learning targets, and then proceeds to step S104, and the first parameter group a 0 to a M determined as a result of the learning in the first loop processing. Is stored in the storage device 12 (step S104).
  • the generation device 10 has a first threshold value based on the first parameter groups a0 to aM stored in the storage device 12, the equation 1, and a plurality of teacher data stored in the storage device 12. Is determined, and the determined first threshold value is stored in the storage device 12 (step S105).
  • the generation device 10 uses the second loop processing (steps S106 to S110) in which each of the plurality of learning targets (in this example, the plurality of teacher data stored in the storage device 12) are sequentially used as processing targets. ) Is executed.
  • the generation device 10 has the first information group of the learning target information included in the teacher data for the learning target to be processed, the equation 1, and the first parameter stored in the storage device 12.
  • the first probability is calculated based on the groups a 0 to a M (step S107).
  • the generation device 10 determines whether or not the calculated first probability is within the undecided range (step S108). In this example, the generation device 10 determines whether or not the calculated first probability is equal to or higher than the first threshold value stored in the storage device 12.
  • the generation device 10 determines "Yes" in step S108, and the second of the learning target information included in the teacher data for the learning target to be processed. Based on the information group, the event occurrence information included in the teacher data, and the equation 2, learning using the non-linear gradient method for determining the second parameter group b 0 to b N is performed (step S109). ).
  • the generation device 10 determines "No" in step S108, and proceeds to step S110 without performing the above learning for the learning target to be processed. move on.
  • the generation device 10 executes the second loop processing for all the learning targets, and then proceeds to step S111, and the second parameter group b 0 to b N determined as a result of the learning in the second loop processing. Is stored in the storage device 12 (step S111).
  • the generation device 10 includes the first parameter group a 0 to a M , the second parameter group b 0 to b N , the first threshold value, the formula 1, and the formula 2 stored in the storage device 12.
  • a second threshold value is determined based on the plurality of teacher data stored in the storage device 12, and the determined second threshold value is stored in the storage device 12 (step S112). In this way, the generator 10 executes the process shown in FIG.
  • the estimation device 20 executes a process (not shown) from the generation device 10, so that the first parameter group a 0 to a M , the second parameter group b 0 to b N , the first threshold value, and the second threshold value are executed.
  • the acquired first parameter group a 0 to a M , the second parameter group b 0 to b N , the first threshold value, and the second threshold value are stored in the storage device 22.
  • the estimation device 20 has a property group number representing the properties of the first trained model and the second trained model generated by the generation device 10 and the property groups of the estimation target, which are different from each other. In order to estimate whether or not an event occurs in the estimation target based on the information, the process shown in FIG. 7 is executed.
  • the estimation device 20 waits until the estimation target information is received (“No” determination in step S201).
  • the estimation device 20 accepts the input estimation target information.
  • the estimation device 20 determines "Yes” in step S201 and proceeds to step S202.
  • the estimation device 20 determines the first probability based on the first information group included in the received estimation target information, the mathematical formula 1, and the first parameter groups a0 to aM stored in the storage device 22. Calculate (step S202).
  • the estimation device 20 determines whether or not the calculated first probability is smaller than the first threshold value stored in the storage device 22 (step S203). When the calculated first probability is smaller than the first threshold value, the estimation device 20 determines "Yes" in step S203, and estimates that no event occurs in the estimation target (step S204).
  • the estimation device 20 determines "No" in step S203, proceeds to step S205, and sets the second information group included in the received estimation target information.
  • the second probability is calculated based on the mathematical formula 2 and the second parameter groups b 0 to b N stored in the storage device 22 (step S205).
  • the estimation device 20 determines whether or not the calculated second probability is smaller than the second threshold value stored in the storage device 22 (step S206). When the calculated second probability is smaller than the second threshold value, the estimation device 20 determines "Yes" in step S206, and estimates that no event occurs in the estimation target (step S207).
  • the estimation device 20 determines "No" in step S206, and estimates that an event will occur in the estimation target (step S208). In this way, the estimation device 20 executes the process shown in FIG. 7.
  • the estimation system 1 of the first embodiment estimates whether or not a predetermined event occurs in the target based on a plurality of information representing a plurality of different properties of the target.
  • the plurality of properties include a first property group and a second property group.
  • the estimation system 1 includes a first model generation unit 121, a second model generation unit 122, a probability calculation unit 240, and an estimation unit 250.
  • the first model generation unit 121 provides, for each of a plurality of learning targets different from each other, a first information group representing the first property group of the learning target and information indicating whether or not an event has occurred in the learning target.
  • the first trained model is generated by training the teacher data including it.
  • the second model generation unit 122 is calculated based on the first information group representing the first property group of the learning target and the generated first trained model for each of the plurality of learning targets. Further, for each of the selective learning targets selected from the plurality of learning targets based on the first probability that an event occurs in the learning target, a second information group representing the second property group of the selective learning target, A second trained model is generated by learning teacher data including information indicating whether or not an event has occurred in the selective learning target.
  • the probability calculation unit 240 calculates the first probability that an event will occur in the estimation target based on the first information group representing the first property group of the estimation target and the generated first trained model, and also calculates the first probability.
  • the second probability that an event will occur in the estimation target is calculated based on the second information group representing the second property group of the estimation target and the generated second trained model.
  • the estimation unit 250 estimates whether or not an event occurs in the estimation target based on the calculated first probability and the calculated second probability.
  • the estimation system 1 there may be a relatively strong correlation between a specific property group included in a plurality of properties of a target and the presence or absence of an event in the target.
  • the first probability that an event will occur in the estimation target can be calculated with high accuracy by appropriately selecting the first property group.
  • the second trained model is generated based on the second property group of the selective learning target selected based on the first probability. Therefore, based on the correlation between the second property group of the target and the presence or absence of an event in the subject, while suppressing the influence of the correlation between the first property group of the subject and the presence or absence of an event in the subject. , The second probability that an event will occur in the estimation target is calculated. As a result, the second probability can be calculated with high accuracy.
  • the estimation system 1 it is estimated whether or not an event occurs in the estimation target based on the first probability and the second probability. As described above, since the first probability and the second probability are calculated with high accuracy, it is possible to estimate with high accuracy whether or not an event occurs in the estimation target according to the estimation system 1.
  • the probability calculation unit 240 calculates the second probability when the calculated first probability is within the undecided range.
  • the estimation unit 250 estimates that no event will occur in the estimation target when the calculated first probability is smaller than the undecided range, and when the calculated first probability is larger than the undecided range, in the estimation target.
  • the calculated first probability is within the undecided range, and the calculated second probability is smaller than the threshold value (in this example, the second threshold value)
  • the event occurs in the estimation target. It is estimated that no event will occur in the estimation target if the calculated first probability is within the undecided range and the calculated second probability is larger than the threshold value (in this example, the second threshold value). do.
  • the learning target whose calculated first probability is within the undecided range among the plurality of learning targets is selected as the selective learning target.
  • the probability that the estimation that an event will occur in the estimation target is correct is sufficiently high.
  • the probability that the estimation that the event does not occur in the estimation target is correct is sufficiently high.
  • the estimation system 1 by appropriately setting the undecided range, the correlation between the first property group of the estimation target and the presence / absence of the occurrence of the event in the estimation target and the second property group of the estimation target.
  • the correlation with the presence or absence of an event in the estimation target can be reflected with high accuracy in the estimation of whether or not an event occurs in the estimation target. As a result, it is possible to estimate with high accuracy whether or not an event occurs in the estimation target.
  • the first trained model uses the first parameter groups a0 to aM consisting of M + 1 parameters, and has a first probability P1 and a first information group R.
  • the relationship between 1 to RM is expressed by the formula 1.
  • the first parameter group a 0 to a M can be determined by using the gradient method. Therefore, the first trained model can be easily generated. Further, according to this first trained model, it is possible to estimate with high accuracy whether or not an event occurs in the target.
  • the second trained model uses the second parameter group b 0 to b N composed of N + 1 parameters, and has a second probability P 2 and a second information group S.
  • the relationship between 1 to SN is expressed by the formula 2.
  • the second parameter group b 0 to b N can be determined by using the gradient method. Therefore, the second trained model can be easily generated. Further, according to this second trained model, it is possible to estimate with high accuracy whether or not an event occurs in the target.
  • the target is a person.
  • the first property group includes at least one of the history of past illnesses and the history of past behavior.
  • the second property group contains the test results.
  • the event is the affliction of a given disease.
  • the history of past actions includes the presence or absence of close contact.
  • the test results include at least one of CT scan findings, chest x-ray findings, and blood test procalcitonin levels.
  • the disease is an infectious disease.
  • the information indicating the presence or absence of close contact includes the presence or absence of a person suffering from an infectious disease, the degree of ventilation, the density of people, the intensity or frequency of conversation or vocalization, and the area. It is determined based on at least one of the prevalence of infectious diseases.
  • diseases in which the degree of ventilation, the density of people, the intensity or frequency of conversation or vocalization, or the prevalence of infectious diseases in the area and whether or not a person has the disease have a relatively strong correlation examples of this type of disease include infectious diseases such as a viral infection called COVID-19. Therefore, according to the estimation system 1, it is possible to estimate with high accuracy whether or not the person to be estimated has this kind of disease.
  • (First Example) 8 and 9 show the relationship between the presence / absence of the occurrence of an event and the presence / absence of an actual event estimated by the estimation system 1 of the first embodiment.
  • black circles indicate that an event has actually occurred, and white circles indicate that an event has not actually occurred.
  • FIG. 8 shows the relationship between the first probability calculated by the estimation system 1 and the body temperature of the estimation target for each of the 61 estimation targets.
  • the first threshold is 0.2.
  • 12 are estimation targets whose calculated first probability is smaller than the first threshold value. No event has actually occurred in any of these 12 estimation targets.
  • FIG. 9 shows the second probability calculated by the estimation system 1 for each of the 49 estimation targets for which the calculated first probability is equal to or higher than the first threshold value among the 61 estimation targets, and the estimation target. Represents the relationship with the body temperature of.
  • the second threshold is 0.4.
  • 12 are estimation targets whose calculated second probability is smaller than the second threshold value. No event has actually occurred in any of these 12 estimation targets. Therefore, according to the estimation system 1 of the first embodiment, it is possible to estimate with high accuracy whether or not an event occurs in the estimation target.
  • FIG. 10 shows the relationship between the presence / absence of the occurrence of an event and the presence / absence of an actual event estimated by the estimation system of the first comparative example. Also in FIG. 10, a black circle indicates that an event has actually occurred, and a white circle indicates that an event has not actually occurred.
  • the estimation system of the first comparative example performs estimation using only one trained model.
  • the estimation system of the first comparative example generates a trained model by learning the learning target information included in the teacher data and the event occurrence information included in the teacher data for each of the plurality of teacher data. do.
  • the estimation system of the first comparative example calculates the probability that an event will occur in the estimation target based on the estimation target information of the estimation target and the generated trained model.
  • FIG. 10 shows the relationship between the probability calculated by the estimation system of the first comparative example and the body temperature of the estimation target for each of the same 61 estimation targets as in FIGS. 8 and 9.
  • the calculated probability reflects the presence or absence of the occurrence of an actual event is lower than that of the estimation system 1 of the first embodiment. ..
  • FIG. 11 shows the relationship between the presence / absence of the occurrence of an event and the presence / absence of an actual event estimated by the estimation system of the second comparative example. Also in FIG. 11, the black circle indicates that the event has actually occurred, and the white circle indicates that the event has not actually occurred.
  • the estimation system of the second comparative example performs estimation using only one trained model.
  • the estimation system of the second comparative example learns the second information group of the learning target information included in the teacher data and the event occurrence information included in the teacher data for each of the plurality of teacher data. By doing so, a trained model is generated.
  • the estimation system of the second comparative example calculates the probability that an event will occur in the estimation target based on the second information group included in the estimation target information of the estimation target and the generated trained model.
  • FIG. 11 shows the relationship between the probability calculated by the estimation system of the second comparative example and the body temperature of the estimation target for each of the same 61 estimation targets as in FIGS. 8 and 9.
  • the calculated probability reflects the presence or absence of the occurrence of an actual event is lower than that of the estimation system 1 of the first embodiment. ..
  • the undecided range is a range that is equal to or higher than the first threshold value.
  • the undecided range may be a range that is equal to or greater than the first lower threshold value and is equal to or less than the first upper threshold value.
  • the first lower threshold is the upper limit of the first probability, which is expected to indicate that the event does not occur with sufficiently high accuracy.
  • the first upper threshold is the lower limit of the first probability, which is expected to indicate that an event occurs with sufficiently high accuracy.
  • the threshold group determination unit 140 uses a mathematical formula for each of the teacher data including the event occurrence information indicating that an event has occurred among the plurality of teacher data stored in the learning target information storage unit 110.
  • the first probability is calculated based on 1 and the first parameter groups a0 to aM stored in the parameter group storage unit 130, and a predetermined margin is calculated from the minimum value of the calculated first probability.
  • the subtracted value may be determined as the first lower threshold.
  • the threshold group determination unit 140 refers to each of the teacher data including the event occurrence information indicating that the event did not occur among the plurality of teacher data stored in the learning target information storage unit 110.
  • the first probability is calculated based on the formula 1 and the first parameter groups a0 to aM stored in the parameter group storage unit 130, and a predetermined margin is set in the maximum value of the calculated first probability.
  • the value to which the amount is added may be determined as the first upper threshold.
  • the estimation device 20 executes the process of FIG. 12 instead of the process of FIG. 7.
  • the process of FIG. 12 is a process in which the processes of steps S203 to S204 of the processes of FIG. 7 are replaced with the processes of steps S301A to S304A.
  • the estimation device 20 executes the processes of steps S201 to S202 as in the first embodiment. Next, the estimation device 20 determines whether or not the calculated first probability is larger than the first upper threshold value stored in the storage device 22 (step S301A). When the calculated first probability is larger than the first upper threshold value, the estimation device 20 determines "Yes" in step S301A, and estimates that an event will occur in the estimation target (step S302A).
  • the estimation device 20 determines "No" in step S301A, proceeds to step S303A, and stores the calculated first probability in the storage device 22. It is determined whether or not it is smaller than the first lower threshold value (step S303A). When the calculated first probability is smaller than the first lower threshold value, the estimation device 20 determines "Yes" in step S303A, and estimates that no event occurs in the estimation target (step S304A).
  • the estimation device 20 determines "No" in step S303A, proceeds to step S205, and steps S205 to step S205 as in the first embodiment.
  • the process of S208 is executed.
  • the same operations and effects as those of the estimation system 1 of the first embodiment are exhibited.
  • FIG. 13 shows the relationship between the first probability calculated by the estimation system 1 and the body temperature of the estimation target for each of the 64 estimation targets.
  • the first lower threshold is 0.2 and the first upper threshold is 0.8.
  • 11 are estimation targets whose calculated first probability is smaller than the first lower threshold value. No event has actually occurred in any of these 11 estimation targets.
  • FIG. 14 shows the estimation system 1 for each of the 20 estimation targets whose calculated first probability is equal to or greater than the first lower threshold value and equal to or less than the first upper threshold value among the 64 estimation targets. It represents the relationship between the calculated second probability and the estimated body temperature.
  • the second threshold is 0.4.
  • estimation targets 8 estimation targets have a calculated second probability smaller than the second threshold value. No event has actually occurred in any of these eight estimation targets.
  • estimation system 1 of the first modification of the first embodiment it is possible to estimate with high accuracy whether or not an event occurs in the estimation target.
  • the undecided range is a range that is equal to or higher than the first threshold value.
  • the undecided range may be a range which is equal to or less than the first threshold value.
  • the first threshold is the lower limit of the first probability, which is expected to indicate that an event occurs with sufficiently high accuracy.
  • the estimation system 1 of the first embodiment includes a generation device 10 and an estimation device 20.
  • the estimation system 1 of another modification of the first embodiment is an information processing device or a generation device 10 in which the generation device 10 and the estimation device 20 are integrally configured instead of the generation device 10 and the estimation device 20. And an information processing device having both functions of the estimation device 20 may be provided. In this case, the overlapping function between the generation device 10 and the estimation device 20 may be omitted.
  • the estimation system 1 of the first embodiment estimates whether or not an event occurs in the estimation target based on the two trained models.
  • the estimation system 1 of another modification of the first embodiment determines whether or not an event occurs in the estimation target based on U (U represents an integer of 3 or more) trained models. You may estimate.
  • the plurality of properties include the first property group to the U property group.
  • the estimation system 1 generates a first trained model and a second trained model as in the first embodiment.
  • the estimation system 1 has the u-th property of the learning target information included in the teacher data whose u- (u represents an integer of 2 to U) -1 probability is within the u-1 undetermined range.
  • the learning target information included in the teacher data in which the u-probability is calculated based on the u-th information group representing the group and the u-learned model, and the calculated u-probability is within the u-undetermined range.
  • a u + 1 trained model is generated based on the u + 1 information group representing the u + 1 property group of.
  • the estimation system 1 estimates whether or not an event occurs in the estimation target by performing the following processing.
  • (1) Set the initial value of v to 1.
  • the v-probability is calculated based on the v-information group representing the v-property group included in the estimation target information and the v-learned model.
  • (3) When the calculated v-probability is smaller than the v-undetermined range, it is estimated that no event occurs in the estimation target.
  • the calculated v-probability is larger than the v-undetermined range, it is estimated that an event occurs in the estimation target.
  • Estimating system 10 Generation device 11 Processing device 12 Storage device 14 Output device 15 Communication device 13 Input device 110 Learning target information storage unit 120 Model generation unit 121 First model generation unit 122 Second model generation unit 130 Parameter group storage unit 140 Threshold Group determination unit 150 Threshold group storage unit 20 Estimator 21 Processing device 22 Storage device 23 Input device 24 Output device 25 Communication device 210 Estimate target information reception unit 220 Parameter group storage unit 230 Threshold group storage unit 240 Probability calculation unit 241 First probability Calculation unit 242 Second probability calculation unit 250 Estimating unit BU1 bus BU2 bus NW communication line

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)

Abstract

推定装置２０は、対象の、複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象の発生の有無を推定する。確率算出部２４０は、推定対象の第１性状群を表す第１情報群と第１学習済みモデルとに基づいて事象が発生する第１確率を算出し、推定対象の第２性状群を表す第２情報群と第２学習済みモデルとに基づいて事象が発生する第２確率を算出する。推定部２５０は、第１確率と第２確率とに基づいて事象の発生の有無を推定する。第１学習済みモデルは、学習対象の第１情報群を含む教師データを学習することにより生成される。第２学習済みモデルは、第１確率に基づいて選択される選択学習対象の第２情報群を含む教師データを学習することにより生成される。

Description

推定装置、推定方法、推定プログラム、生成装置、及び、推定システム
　本発明は、推定装置、推定方法、推定プログラム、生成装置、及び、推定システムに関する。
　対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定する推定装置が知られている。例えば、特許文献１に記載の推定装置は、推定対象である人の複数の性状（例えば、過去に罹患した疾病の履歴、症状、又は、検査結果等）をそれぞれ表す複数の情報と、学習済みモデルと、に基づいて、当該推定対象が所定の疾病に罹患しているか否かを推定する。
　学習済みモデルは、互いに異なる複数の学習対象である人のそれぞれに対して、当該学習対象の複数の性状をそれぞれ表す複数の情報、及び、当該学習対象が所定の疾病に罹患しているか否かを表す情報を含む教師データを学習することにより生成される。
特表２０００－５０１８６９号公報
　しかしながら、人の複数の性状は、互いに比較的弱い相関を有することが多い。また、人の複数の性状と、当該人が所定の疾病に罹患しているか否かと、も比較的弱い相関を有することが多い。このため、比較的多い数の教師データを学習することにより学習済みモデルが生成された場合であっても、推定対象である人が所定の疾病に罹患しているか否かを十分に高い精度にて推定できないことがある、という課題があった。なお、この種の課題は、人が所定の疾病に罹患する事象以外の事象の発生の有無を推定する場合においても同様に生じ得る。
　本発明の目的の一つは、対象において所定の事象が発生するか否かを高い精度にて推定することである。
　一つの側面では、推定装置は、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定する。
　上記複数の性状は、第１性状群と、第２性状群と、を含む。
　推定装置は、確率算出部と、推定部と、を備える。
　確率算出部は、推定対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、推定対象において事象が発生する第１確率を算出するとともに、推定対象の第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、推定対象において事象が発生する第２確率を算出する。
　推定部は、算出された第１確率と、算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する。
　第１学習済みモデルは、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより生成される。
　第２学習済みモデルは、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて上記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより生成される。
　他の一つの側面では、推定方法は、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定する。
　上記複数の性状は、第１性状群と、第２性状群と、を含む。
　推定方法は、
　推定対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、推定対象において事象が発生する第１確率を算出し、
　推定対象の第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、推定対象において事象が発生する第２確率を算出し、
　算出された第１確率と、算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する、ことを含む。
　第１学習済みモデルは、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより生成される。
　第２学習済みモデルは、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて上記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより生成される。
　他の一つの側面では、推定プログラムは、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定する処理をコンピュータに実行させる。
　上記複数の性状は、第１性状群と、第２性状群と、を含む。
　上記処理は、
　推定対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、推定対象において事象が発生する第１確率を算出し、
　推定対象の第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、推定対象において事象が発生する第２確率を算出し、
　算出された第１確率と、算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する、ことを含む。
　第１学習済みモデルは、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより生成される。
　第２学習済みモデルは、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて上記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより生成される。
　他の一つの側面では、生成装置は、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定するために用いられる学習済みモデルを生成する。
　上記複数の性状は、第１性状群と、第２性状群と、を含む。
　生成装置は、第１モデル生成部と、第２モデル生成部と、を備える。
　第１モデル生成部は、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第１学習済みモデルを生成する。
　第２モデル生成部は、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて上記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第２学習済みモデルを生成する。
　他の一つの側面では、推定システムは、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定する。
　上記複数の性状は、第１性状群と、第２性状群と、を含む。
　推定システムは、第１モデル生成部と、第２モデル生成部と、確率算出部と、推定部と、を備える。
　第１モデル生成部は、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第１学習済みモデルを生成する。
　第２モデル生成部は、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて上記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第２学習済みモデルを生成する。
　確率算出部は、推定対象の第１性状群を表す第１情報群と、生成された第１学習済みモデルと、に基づいて、推定対象において事象が発生する第１確率を算出するとともに、推定対象の第２性状群を表す第２情報群と、生成された第２学習済みモデルと、に基づいて、推定対象において事象が発生する第２確率を算出する。
　推定部は、算出された第１確率と、算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する。
　対象において所定の事象が発生するか否かを高い精度にて推定できる。
第１実施形態の推定システムの構成を表すブロック図である。 第１実施形態の生成装置の構成を表すブロック図である。 第１実施形態の推定装置の構成を表すブロック図である。 第１実施形態の生成装置の機能を表すブロック図である。 第１実施形態の推定装置の機能を表すブロック図である。 第１実施形態の生成装置が実行する処理を表すフローチャートである。 第１実施形態の推定装置が実行する処理を表すフローチャートである。 第１実施形態の推定システムにより算出された第１確率と体温との関係を表すグラフである。 第１実施形態の推定システムにより算出された第２確率と体温との関係を表すグラフである。 第１比較例の推定システムにより算出された確率と体温との関係を表すグラフである。 第２比較例の推定システムにより算出された確率と体温との関係を表すグラフである。 第１実施形態の第１変形例の推定装置が実行する処理を表すフローチャートである。 第１実施形態の第１変形例の推定システムにより算出された第１確率と体温との関係を表すグラフである。 第１実施形態の第１変形例の推定システムにより算出された第２確率と体温との関係を表すグラフである。
　以下、本発明の、推定装置、推定方法、推定プログラム、生成装置、及び、推定システムに関する各実施形態について図１乃至図１４を参照しながら説明する。
＜第１実施形態＞
（概要）
　第１実施形態の推定システムは、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて対象において所定の事象が発生するか否かを推定する。上記複数の性状は、第１性状群と、第２性状群と、を含む。
　推定システムは、第１モデル生成部と、第２モデル生成部と、確率算出部と、推定部と、を備える。
　第１モデル生成部は、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第１学習済みモデルを生成する。
　第２モデル生成部は、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、生成された第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて当該複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第２学習済みモデルを生成する。
　確率算出部は、推定対象の第１性状群を表す第１情報群と、生成された第１学習済みモデルと、に基づいて、推定対象において事象が発生する第１確率を算出するとともに、当該推定対象の第２性状群を表す第２情報群と、生成された第２学習済みモデルと、に基づいて、当該推定対象において事象が発生する第２確率を算出する。
　推定部は、算出された第１確率と、算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する。
　ところで、対象の複数の性状に含まれる特定の性状群と、当該対象における事象の発生の有無と、が比較的強い相関を有する場合がある。この場合、上記推定システムによれば、第１性状群を適切に選択することにより、推定対象において事象が発生する第１確率を高い精度にて算出できる。
　更に、上記推定システムにおいて、第２学習済みモデルは、第１確率に基づいて選択される選択学習対象の第２性状群に基づいて生成される。従って、対象の第１性状群と当該対象における事象の発生の有無との相関が及ぼす影響を抑制しながら、当該対象の第２性状群と当該対象における事象の発生の有無との相関に基づいて、推定対象において事象が発生する第２確率が算出される。この結果、第２確率を高い精度にて算出できる。
　加えて、上記推定システムにおいて、第１確率及び第２確率に基づいて、推定対象において事象が発生するか否かが推定される。上述のように、第１確率及び第２確率が高い精度にて算出されるので、上記推定システムによれば、推定対象において事象が発生するか否かを高い精度にて推定できる。
　次に、第１実施形態の推定システムについて、より詳細に説明する。
（構成）
　図１に表されるように、推定システム１は、生成装置１０と、推定装置２０と、を備える。生成装置１０と、推定装置２０と、は、通信回線ＮＷを介して互いに通信可能に接続される。通信回線ＮＷは、無線通信の伝送路を含んでいてもよい。
　生成装置１０、及び、推定装置２０のそれぞれは、情報処理装置、又は、コンピュータである。例えば、生成装置１０は、サーバ型コンピュータ、デスクトップ型コンピュータ、ラップトップ型コンピュータ、タブレット型コンピュータ、又は、スマートフォン等であってよい。例えば、推定装置２０は、デスクトップ型コンピュータ、ラップトップ型コンピュータ、タブレット型コンピュータ、又は、スマートフォン等であってよい。なお、生成装置１０は、互いに通信可能に接続された複数の装置により構成されていてもよい。
　図２に表されるように、生成装置１０は、バスＢＵ１を介して互いに接続された、処理装置１１、記憶装置１２、入力装置１３、出力装置１４、及び、通信装置１５を備える。
　処理装置１１は、記憶装置１２に記憶されているプログラムを実行することにより、記憶装置１２、入力装置１３、出力装置１４、及び、通信装置１５を制御する。これにより、処理装置１１は、後述する機能を実現する。
　本例では、処理装置１１は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）である。なお、処理装置１１は、ＣＰＵに代えて、又は、ＣＰＵに加えて、ＭＰＵ（Ｍｉｃｒｏ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、又は、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）を含んでもよい。
　本例では、記憶装置１２は、揮発性メモリと不揮発性メモリとを含む。例えば、記憶装置１２は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、半導体メモリ、有機メモリ、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、及び、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）の少なくとも１つを含む。
　入力装置１３は、生成装置１０の外部から情報を入力する。本例では、入力装置１３は、キーボード及びマウスを備える。なお、入力装置１３は、マイクロフォンを備えてもよい。
　出力装置１４は、生成装置１０の外部に情報を出力する。本例では、出力装置１４は、ディスプレイを備える。なお、出力装置１４は、スピーカを備えてもよい。
　なお、生成装置１０は、入力装置１３及び出力装置１４の両方を構成するタッチパネル式のディスプレイを備えてもよい。
　通信装置１５は、生成装置１０の外部の装置と通信する。本例では、通信装置１５は、カード型、又は、オンボード型の、ネットワークアダプタ、又は、ネットワークインタフェースを備える。
　図３に表されるように、推定装置２０は、バスＢＵ２を介して互いに接続された、処理装置２１、記憶装置２２、入力装置２３、出力装置２４、及び、通信装置２５を備える。処理装置２１、記憶装置２２、入力装置２３、出力装置２４、及び、通信装置２５は、生成装置１０の処理装置１１、記憶装置１２、入力装置１３、出力装置１４、及び、通信装置１５と同様の機能をそれぞれ有する。
（機能）
　生成装置１０は、学習済みモデル（本例では、第１学習済みモデル、及び、第２学習済みモデル）を生成する。学習済みモデルは、対象の、互いに異なる性状群数（本例では、複数）の性状をそれぞれ表す性状群数の情報に基づいて、当該対象において所定の事象が発生するか否かを推定するために用いられる。
　図４に表されるように、生成装置１０の機能は、学習対象情報記憶部１１０と、モデル生成部１２０と、パラメータ群記憶部１３０と、閾値群決定部１４０と、閾値群記憶部１５０と、を含む。
　学習対象情報記憶部１１０は、互いに異なる複数の対象のそれぞれに対する教師データを記憶する。教師データは、対象の、互いに異なる性状群数の性状をそれぞれ表す性状群数の情報を含む対象情報と、当該対象において所定の事象が発生したか否か（換言すると、事象の発生の有無）を表す事象発生情報と、を含む。
　なお、生成装置１０において用いられる対象は、学習対象とも表される。また、生成装置１０において用いられる対象情報は、学習対象情報とも表される。
　本例では、対象は、人である。本例では、事象は、所定の疾病の罹患である。本例では、疾病は、感染症である。本例では、感染症は、ＣＯＶＩＤ－１９と呼ばれるウイルス感染症である。
　本例では、対象情報は、人の、互いに異なる性状群数の性状（換言すると、性状群）をそれぞれ表す性状群数の情報（換言すると、情報群）を含む。本例では、性状群数の性状は、第１性状群と、第２性状群と、を含む。
　第１性状群は、第１性状群数（本例では、１４個）の性状からなる。本例では、第１性状群に含まれる、第１性状群数の性状は、年齢、性別、呼吸器に関連する疾病の既往歴、糖尿病・心疾患及び高血圧に関連する疾病の既往歴、その他の疾病の既往歴、濃厚接触の有無、発熱の有無、初診時の体温、咽頭痛の有無、咳嗽の有無、喀痰の有無、呼吸困難の有無、全身倦怠感の有無、及び、味覚障害の有無である。
　本例では、発熱の有無は、体温が所定の閾値体温（本例では、３７℃）以上である場合に発熱が有り、体温が閾値体温よりも低い場合に発熱が無い、と判定される。なお、閾値体温は、３７℃と異なる温度（例えば、３７．５℃等）であってもよい。また、第１性状群は、他の性状（例えば、嗅覚障害の有無等）を含んでいてもよい。また、第１性状群は、上記第１性状群数の性状の一部のみを含んでいてもよい。
　本例では、呼吸器に関連する疾病の既往歴、糖尿病・心疾患及び高血圧に関連する疾病の既往歴、及び、その他の疾病の既往歴は、過去に罹患した疾病の履歴に対応する。また、本例では、濃厚接触の有無は、過去の行動の履歴に対応する。
　本例では、第１性状群に含まれる各性状は、人が自ら認識できる性状である。換言すると、第１性状群は、人の背景及び症状を表す。
　第２性状群は、第２性状群数（本例では、１２個）の性状からなる。本例では、第２性状群に含まれる、第２性状群数の性状は、ＳｐＯ２（Ｏｘｙｇｅｎ　Ｓａｔｕｒａｔｉｏｎ　ｏｆ　Ｐｅｒｉｐｈｅｒａｌ　Ａｒｔｅｒｙ、換言すると、経皮的動脈血酸素飽和度）、ＣＴ（Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）検査の所見、胸部Ｘ線検査の所見、白血球数、好中球％、好中球数、リンパ球％、リンパ球数、好中球／リンパ球、ＣＲＰ（Ｃ－Ｒｅａｃｔｉｖｅ　Ｐｒｏｔｅｉｎ、換言すると、Ｃ－反応性蛋白）値、ＬＤＨ（Ｌａｃｔａｔｅ　Ｄｅｈｙｄｒｏｇｅｎａｓｅ、換言すると、乳酸脱水素酵素）値、及び、ＰＣＴ（Ｐｒｏｃａｌｃｉｔｏｎｉｎ、換言すると、プロカルシトニン）値を含む。
　白血球数、好中球％、好中球数、リンパ球％、リンパ球数、好中球／リンパ球、ＣＲＰ値、ＬＤＨ値、及び、ＰＣＴ値は、血液検査における値である。好中球％は、白血球に対する好中球の割合を表す。リンパ球％は、白血球に対するリンパ球の割合を表す。好中球／リンパ球は、リンパ球に対する好中球の割合を表す。なお、第２性状群は、他の性状を含んでいてもよい。また、第２性状群は、上記第２性状群数の性状の一部のみを含んでいてもよい。
　本例では、第２性状群に含まれる、第２性状群数の性状のそれぞれは、検査結果に対応する。本例では、第２性状群に含まれる各性状は、医療機関における検査に基づく性状である。換言すると、第２性状群は、人の検査結果を表す。
　本例では、対象情報に含まれる性状群数の情報のそれぞれは、性状を数値により表す。例えば、性別を表す情報は、人が男性であることを「０」により表し、人が女性であることを「１」により表す。また、例えば、呼吸器に関連する疾病の既往歴、糖尿病・心疾患及び高血圧に関連する疾病の既往歴、及び、その他の疾病の既往歴のそれぞれを表す情報は、当該既往歴を有しないことを「０」により表し、当該既往歴を有することを「１」により表す。
　また、例えば、発熱の有無、咽頭痛の有無、咳嗽の有無、喀痰の有無、呼吸困難の有無、全身倦怠感の有無、及び、味覚障害の有無のそれぞれを表す情報は、当該症状を有しないことを「０」により表し、当該症状を有することを「１」により表す。
　また、例えば、ＣＴ検査の所見、及び、胸部Ｘ線検査の所見のそれぞれを表す情報は、当該所見が無いことを「０」により表し、当該所見が有ることを「１」により表す。
　また、例えば、濃厚接触の有無を表す情報は、感染者を含む三密状態を経験したことを「３」により表し、感染地域において三密状態を経験したことを「２」により表し、感染地域以外の地域において三密状態を経験したことを「１」により表し、三密状態を経験していないことを「０」により表す。
　本例では、感染者は、上記感染症に罹患している人である。本例では、三密状態は、換気が悪く、且つ、多数の人が集まる空間において、間近で会話又は発声が行われる状態である。本例では、感染地域は、上記感染症の罹患率が所定の基準値よりも高い地域である。
　換言すると、本例では、濃厚接触の有無を表す情報は、感染者の有無、換気の程度、人の密度、会話又は発声の強度又は頻度、及び、地域における感染症の罹患率に基づいて決定される。なお、濃厚接触の有無を表す情報は、感染者の有無、換気の程度、人の密度、会話又は発声の強度又は頻度、及び、地域における感染症の罹患率の一部に基づいて決定されてもよい。
　なお、濃厚接触の有無を表す情報は、三密状態を経験したことを「１」により表し、三密状態を経験していないことを「０」により表してもよい。また、濃厚接触の有無を表す情報は、国立感染症研究所感染症疫学センターにより、「新型コロナウイルス感染症患者に対する積極的疫学調査実施要領」において定められる濃厚接触者に該当しないことを「０」により表し、当該濃厚接触者に該当することを「１」により表してもよい。
　なお、対象は、人以外の動物、又は、植物等であってもよい。また、事象は、災害の発生、事故の発生、又は、事件の発生等であってもよい。この場合、対象は、施設、建築物、都市、団体、又は、企業等であってもよい。また、対象は、物品（例えば、輸送機器、電気機器、又は、情報機器等）であってもよい。この場合、事象は、物品の故障又は破損等であってもよい。また、対象は、サービス（例えば、電気の供給、ガスの供給、水の供給、又は、通信サービス等）の提供であってもよい。この場合、事象は、障害（例えば、サービスの提供の中断又は休止等）の発生であってもよい。
　モデル生成部１２０は、学習済みモデル（本例では、第１学習済みモデル、及び、第２学習済みモデル）を生成する。モデル生成部１２０は、第１モデル生成部１２１と、第２モデル生成部１２２と、を含む。
　第１モデル生成部１２１は、学習対象情報記憶部１１０に記憶されている複数の教師データに基づいて、第１学習済みモデルを生成する。
　具体的には、第１モデル生成部１２１は、複数の教師データのそれぞれに対して、当該教師データに含まれる学習対象情報のうちの第１情報群、及び、当該教師データに含まれる事象発生情報を学習することにより第１学習済みモデルを生成する。第１情報群は、学習対象情報のうちの、第１性状群に含まれる、第１性状群数の性状をそれぞれ表す第１性状群数の情報からなる。
　本例では、第１学習済みモデルは、数式１により表される。数式１は、ロジスティック回帰式、又は、シグモイド関数と呼ばれてもよい。
Figure JPOXMLDOC01-appb-M000003
　数式１において、Ｍは、第１性状群数を表す。本例では、Ｍは、２以上の整数を表す。ａ０～ａＭは、Ｍ＋１個のパラメータをそれぞれ表す。Ｍ＋１個のパラメータａ０～ａＭは、第１パラメータ群を構成する。Ｐ１は、第１確率を表す。第１確率は、学習対象の第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、当該学習対象において事象が発生する確率である。Ｒ１～ＲＭは、第１情報群を構成する第１性状群数の情報をそれぞれ表す。
　本例では、第１モデル生成部１２１は、非線形勾配法（例えば、一般化非線形簡約勾配法）を用いて第１パラメータ群ａ０～ａＭを決定することにより、第１学習済みモデルを生成する。なお、第１モデル生成部１２１は、一般化非線形簡約勾配法以外の勾配法を用いて第１パラメータ群ａ０～ａＭを決定してもよい。
　パラメータ群記憶部１３０は、第１モデル生成部１２１により決定された第１パラメータ群ａ０～ａＭを記憶する。
　閾値群決定部１４０は、パラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭと、学習対象情報記憶部１１０に記憶されている複数の教師データと、に基づいて第１閾値を決定する。本例では、第１閾値は、事象が発生しないことを第１確率が十分に高い精度にて表すことが期待される、第１確率の上限値である。
　具体的には、閾値群決定部１４０は、学習対象情報記憶部１１０に記憶されている複数の教師データのうちの、事象が発生したことを表す事象発生情報を含む教師データ（換言すると、事象発生教師データ）のそれぞれに対して、数式１と、パラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出する。閾値群決定部１４０は、算出された第１確率の最小値から、所定の余裕量を減じた値を第１閾値として決定する。本例では、第１閾値以上であり、且つ、１以下である範囲は、未定範囲に対応する。
　なお、閾値群決定部１４０は、第１閾値よりも小さい第１確率が算出される事象発生教師データの数の、事象発生教師データの総数に対する割合が所定の閾値以下となるように第１閾値を決定してもよい。また、閾値群決定部１４０は、生成装置１０のユーザにより入力された値に基づいて第１閾値を決定してもよい。
　閾値群記憶部１５０は、閾値群決定部１４０により決定された第１閾値を記憶する。
　第２モデル生成部１２２は、学習対象情報記憶部１１０に記憶されている複数の教師データに基づいて、第２学習済みモデルを生成する。
　具体的には、第２モデル生成部１２２は、学習対象情報記憶部１１０に記憶されている複数の教師データのそれぞれに対して、数式１と、パラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出する。
　更に、第２モデル生成部１２２は、学習対象情報記憶部１１０に記憶されている複数の教師データのうちの、算出された第１確率が、閾値群記憶部１５０に記憶されている第１閾値以上である教師データを選択する。本例では、第１確率が第１閾値以上であることは、第１確率が未定範囲内であることに対応する。本例では、学習対象に対する教師データが選択されることは、当該学習対象が選択されることに対応するとともに、選択された学習対象は、選択学習対象に対応する。
　加えて、第２モデル生成部１２２は、選択された教師データのそれぞれに対して、当該教師データに含まれる学習対象情報のうちの第２情報群、及び、当該教師データに含まれる事象発生情報を学習することにより第２学習済みモデルを生成する。第２情報群は、学習対象情報のうちの、第２性状群に含まれる、第２性状群数の性状をそれぞれ表す第２性状群数の情報からなる。
　本例では、第２学習済みモデルは、数式２により表される。数式２は、ロジスティック回帰式、又は、シグモイド関数と呼ばれてもよい。
Figure JPOXMLDOC01-appb-M000004
　数式２において、Ｎは、第２性状群数を表す。本例では、Ｎは、２以上の整数を表す。ｂ０～ｂＮは、Ｎ＋１個のパラメータをそれぞれ表す。Ｎ＋１個のパラメータｂ０～ｂＮは、第２パラメータ群を構成する。Ｐ２は、第２確率を表す。第２確率は、学習対象の第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、当該学習対象において事象が発生する確率である。Ｓ１～ＳＮは、第２情報群を構成する第２性状群数の情報をそれぞれ表す。
　本例では、第２モデル生成部１２２は、非線形勾配法（例えば、一般化非線形簡約勾配法）を用いて第２パラメータ群ｂ０～ｂＮを決定することにより、第２学習済みモデルを生成する。なお、第２モデル生成部１２２は、一般化非線形簡約勾配法以外の勾配法を用いて第２パラメータ群ｂ０～ｂＮを決定してもよい。
　パラメータ群記憶部１３０は、第２モデル生成部１２２により決定された第２パラメータ群ｂ０～ｂＮを記憶する。
　閾値群決定部１４０は、パラメータ群記憶部１３０に記憶されている第２パラメータ群ｂ０～ｂＮと、学習対象情報記憶部１１０に記憶されている複数の教師データと、に基づいて第２閾値を決定する。本例では、第２閾値は、事象が発生しないことを第２確率が十分に高い精度にて表すことが期待される、第２確率の上限値である。なお、第２閾値は、事象が発生することを第２確率が十分に高い精度にて表すことが期待される、第２確率の下限値であってもよい。
　具体的には、閾値群決定部１４０は、学習対象情報記憶部１１０に記憶されている事象発生教師データのそれぞれに対して、数式１と、パラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出する。
　更に、閾値群決定部１４０は、学習対象情報記憶部１１０に記憶されている事象発生教師データのうちの、算出された第１確率が、閾値群記憶部１５０に記憶されている第１閾値以上である事象発生教師データを選択する。
　更に、閾値群決定部１４０は、選択された事象発生教師データのそれぞれに対して、数式２と、パラメータ群記憶部１３０に記憶されている第２パラメータ群ｂ０～ｂＮと、に基づいて第２確率を算出する。閾値群決定部１４０は、算出された第２確率の最小値から、所定の余裕量を減じた値を第２閾値として決定する。
　なお、閾値群決定部１４０は、第２閾値よりも小さい第２確率が算出される事象発生教師データの数の、選択された事象発生教師データの数に対する割合が所定の閾値以下となるように第２閾値を決定してもよい。また、閾値群決定部１４０は、生成装置１０のユーザにより入力された値に基づいて第２閾値を決定してもよい。
　閾値群記憶部１５０は、閾値群決定部１４０により決定された第２閾値を記憶する。
　推定装置２０は、生成装置１０により生成された学習済みモデル（本例では、第１学習済みモデル、及び、第２学習済みモデル）と、推定対象の、互いに異なる性状群数の性状をそれぞれ表す性状群数の情報と、に基づいて、当該推定対象において事象が発生するか否かを推定する。
　図５に表されるように、推定装置２０の機能は、推定対象情報受付部２１０と、パラメータ群記憶部２２０と、閾値群記憶部２３０と、確率算出部２４０と、推定部２５０と、を含む。
　推定対象情報受付部２１０は、推定装置２０のユーザにより入力された推定対象情報を受け付ける。
　推定対象情報は、推定対象の、互いに異なる性状群数の性状をそれぞれ表す性状群数の情報を含む。推定対象情報は、学習対象情報と同様に、第１性状群に含まれる、第１性状群数の性状をそれぞれ表す第１性状群数の情報からなる第１情報群と、第２性状群に含まれる、第２性状群数の性状をそれぞれ表す第２性状群数の情報からなる第２情報群と、を含む。
　パラメータ群記憶部２２０は、生成装置１０のパラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭ及び第２パラメータ群ｂ０～ｂＮを生成装置１０から受信し、受信された第１パラメータ群ａ０～ａＭ及び第２パラメータ群ｂ０～ｂＮを記憶する。
　なお、パラメータ群記憶部２２０は、推定装置２０のユーザにより入力された第１パラメータ群ａ０～ａＭ及び第２パラメータ群ｂ０～ｂＮを受け付け、受け付けられた第１パラメータ群ａ０～ａＭ及び第２パラメータ群ｂ０～ｂＮを記憶していてもよい。
　閾値群記憶部２３０は、生成装置１０の閾値群記憶部１５０に記憶されている第１閾値及び第２閾値を生成装置１０から受信し、受信された第１閾値及び第２閾値を記憶する。
　なお、閾値群記憶部２３０は、推定装置２０のユーザにより入力された第１閾値及び第２閾値を受け付け、受け付けられた第１閾値及び第２閾値を記憶していてもよい。
　確率算出部２４０は、第１確率算出部２４１と、第２確率算出部２４２と、を含む。
　第１確率算出部２４１は、推定対象情報受付部２１０により受け付けられた推定対象情報に含まれる第１情報群と、数式１と、パラメータ群記憶部２２０に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出する。
　第２確率算出部２４２は、第１確率算出部２４１により算出された第１確率が、閾値群記憶部２３０に記憶されている第１閾値よりも小さい場合、推定対象情報受付部２１０により受け付けられた推定対象情報に含まれる第２情報群と、数式２と、パラメータ群記憶部２２０に記憶されている第２パラメータ群ｂ０～ｂＮと、に基づいて第２確率を算出する。
　推定部２５０は、第１確率算出部２４１により算出された第１確率と、第２確率算出部２４２により算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する。
　具体的には、推定部２５０は、第１確率算出部２４１により算出された第１確率が、閾値群記憶部２３０に記憶されている第１閾値よりも小さい場合、推定対象において事象が発生しないと推定する。
　また、推定部２５０は、第１確率算出部２４１により算出された第１確率が、閾値群記憶部２３０に記憶されている第１閾値以上であり、且つ、第２確率算出部２４２により算出された第２確率が、閾値群記憶部２３０に記憶されている第２閾値よりも小さい場合、推定対象において事象が発生しないと推定する。
　また、推定部２５０は、第１確率算出部２４１により算出された第１確率が、閾値群記憶部２３０に記憶されている第１閾値以上であり、且つ、第２確率算出部２４２により算出された第２確率が、閾値群記憶部２３０に記憶されている第２閾値以上である場合、推定対象において事象が発生すると推定する。
（動作）
　次に、推定システム１の動作について、図６及び図７を参照しながら説明する。
　本例では、生成装置１０は、第１学習済みモデル、及び、第２学習済みモデルを生成するため、図６に表される処理を実行する。
　具体的には、生成装置１０は、複数の学習対象（本例では、記憶装置１２に記憶されている複数の教師データ）のそれぞれを１つずつ順に処理対象として用いる第１ループ処理（ステップＳ１０１～ステップＳ１０３）を実行する。
　第１ループ処理において、生成装置１０は、処理対象である学習対象に対する教師データに含まれる学習対象情報のうちの第１情報群と、当該教師データに含まれる事象発生情報と、数式１と、に基づいて、第１パラメータ群ａ０～ａＭを決定するための、非線形勾配法を用いた学習を行う（ステップＳ１０２）。
　そして、生成装置１０は、学習対象のすべてに対して、第１ループ処理を実行した後、ステップＳ１０４へ進み、第１ループ処理における学習の結果として決定された第１パラメータ群ａ０～ａＭを記憶装置１２に記憶させる（ステップＳ１０４）。
　次いで、生成装置１０は、記憶装置１２に記憶されている第１パラメータ群ａ０～ａＭと、数式１と、記憶装置１２に記憶されている複数の教師データと、に基づいて第１閾値を決定し、決定された第１閾値を記憶装置１２に記憶させる（ステップＳ１０５）。
　次いで、生成装置１０は、複数の学習対象（本例では、記憶装置１２に記憶されている複数の教師データ）のそれぞれを１つずつ順に処理対象として用いる第２ループ処理（ステップＳ１０６～ステップＳ１１０）を実行する。
　第２ループ処理において、生成装置１０は、処理対象である学習対象に対する教師データに含まれる学習対象情報のうちの第１情報群と、数式１と、記憶装置１２に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出する（ステップＳ１０７）。
　次いで、生成装置１０は、算出された第１確率が未定範囲内であるか否かを判定する（ステップＳ１０８）。本例では、生成装置１０は、算出された第１確率が、記憶装置１２に記憶されている第１閾値以上であるか否かを判定する。
　算出された第１確率が未定範囲内である場合、生成装置１０は、ステップＳ１０８にて「Ｙｅｓ」と判定し、処理対象である学習対象に対する教師データに含まれる学習対象情報のうちの第２情報群と、当該教師データに含まれる事象発生情報と、数式２と、に基づいて、第２パラメータ群ｂ０～ｂＮを決定するための、非線形勾配法を用いた学習を行う（ステップＳ１０９）。
　一方、算出された第１確率が未定範囲内でない場合、生成装置１０は、ステップＳ１０８にて「Ｎｏ」と判定し、処理対象である学習対象に対して上記学習を行うことなく、ステップＳ１１０へ進む。
　そして、生成装置１０は、学習対象のすべてに対して、第２ループ処理を実行した後、ステップＳ１１１へ進み、第２ループ処理における学習の結果として決定された第２パラメータ群ｂ０～ｂＮを記憶装置１２に記憶させる（ステップＳ１１１）。
　次いで、生成装置１０は、記憶装置１２に記憶されている、第１パラメータ群ａ０～ａＭ、第２パラメータ群ｂ０～ｂＮ、及び、第１閾値と、数式１と、数式２と、記憶装置１２に記憶されている複数の教師データと、に基づいて第２閾値を決定し、決定された第２閾値を記憶装置１２に記憶させる（ステップＳ１１２）。
　このようにして、生成装置１０は、図６に表される処理を実行する。
　また、推定装置２０は、図示されない処理を実行することにより、生成装置１０から、第１パラメータ群ａ０～ａＭ、第２パラメータ群ｂ０～ｂＮ、第１閾値、及び、第２閾値を取得し、取得された、第１パラメータ群ａ０～ａＭ、第２パラメータ群ｂ０～ｂＮ、第１閾値、及び、第２閾値を記憶装置２２に記憶させる。
　本例では、推定装置２０は、生成装置１０により生成された、第１学習済みモデル、及び、第２学習済みモデルと、推定対象の、互いに異なる性状群数の性状をそれぞれ表す性状群数の情報と、に基づいて、当該推定対象において事象が発生するか否かを推定するため、図７に表される処理を実行する。
　具体的には、推定装置２０は、推定対象情報を受け付けるまで待機する（ステップＳ２０１の「Ｎｏ」判定）。
　推定装置２０のユーザにより推定対象情報が入力された場合、推定装置２０は、入力された推定対象情報を受け付ける。これにより、推定装置２０は、ステップＳ２０１にて「Ｙｅｓ」と判定し、ステップＳ２０２へ進む。
　推定装置２０は、受け付けられた推定対象情報に含まれる第１情報群と、数式１と、記憶装置２２に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出する（ステップＳ２０２）。
　次いで、推定装置２０は、算出された第１確率が、記憶装置２２に記憶されている第１閾値よりも小さいか否かを判定する（ステップＳ２０３）。
　算出された第１確率が第１閾値よりも小さい場合、推定装置２０は、ステップＳ２０３にて「Ｙｅｓ」と判定し、推定対象において事象が発生しないと推定する（ステップＳ２０４）。
　算出された第１確率が第１閾値以上である場合、推定装置２０は、ステップＳ２０３にて「Ｎｏ」と判定し、ステップＳ２０５へ進み、受け付けられた推定対象情報に含まれる第２情報群と、数式２と、記憶装置２２に記憶されている第２パラメータ群ｂ０～ｂＮと、に基づいて第２確率を算出する（ステップＳ２０５）。
　次いで、推定装置２０は、算出された第２確率が、記憶装置２２に記憶されている第２閾値よりも小さいか否かを判定する（ステップＳ２０６）。
　算出された第２確率が第２閾値よりも小さい場合、推定装置２０は、ステップＳ２０６にて「Ｙｅｓ」と判定し、推定対象において事象が発生しないと推定する（ステップＳ２０７）。
　算出された第２確率が第２閾値以上である場合、推定装置２０は、ステップＳ２０６にて「Ｎｏ」と判定し、推定対象において事象が発生すると推定する（ステップＳ２０８）。
　このようにして、推定装置２０は、図７に表される処理を実行する。
　以上、説明したように、第１実施形態の推定システム１は、対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて当該対象において所定の事象が発生するか否かを推定する。複数の性状は、第１性状群と、第２性状群と、を含む。
　推定システム１は、第１モデル生成部１２１と、第２モデル生成部１２２と、確率算出部２４０と、推定部２５０と、を備える。
　第１モデル生成部１２１は、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群、及び、当該学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第１学習済みモデルを生成する。
　第２モデル生成部１２２は、上記複数の学習対象のそれぞれに対して、当該学習対象の第１性状群を表す第１情報群と、生成された第１学習済みモデルと、に基づいて算出された、当該学習対象において事象が発生する第１確率に基づいて当該複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の第２性状群を表す第２情報群、及び、当該選択学習対象における事象の発生の有無を表す情報を含む教師データを学習することにより第２学習済みモデルを生成する。
　確率算出部２４０は、推定対象の第１性状群を表す第１情報群と、生成された第１学習済みモデルと、に基づいて、推定対象において事象が発生する第１確率を算出するとともに、当該推定対象の第２性状群を表す第２情報群と、生成された第２学習済みモデルと、に基づいて、当該推定対象において事象が発生する第２確率を算出する。
　推定部２５０は、算出された第１確率と、算出された第２確率と、に基づいて、推定対象において事象が発生するか否かを推定する。
　ところで、対象の複数の性状に含まれる特定の性状群と、当該対象における事象の発生の有無と、が比較的強い相関を有する場合がある。この場合、推定システム１によれば、第１性状群を適切に選択することにより、推定対象において事象が発生する第１確率を高い精度にて算出できる。
　更に、推定システム１において、第２学習済みモデルは、第１確率に基づいて選択される選択学習対象の第２性状群に基づいて生成される。従って、対象の第１性状群と当該対象における事象の発生の有無との相関が及ぼす影響を抑制しながら、当該対象の第２性状群と当該対象における事象の発生の有無との相関に基づいて、推定対象において事象が発生する第２確率が算出される。この結果、第２確率を高い精度にて算出できる。
　加えて、推定システム１において、第１確率及び第２確率に基づいて、推定対象において事象が発生するか否かが推定される。上述のように、第１確率及び第２確率が高い精度にて算出されるので、推定システム１によれば、推定対象において事象が発生するか否かを高い精度にて推定できる。
　更に、第１実施形態の推定システム１において、確率算出部２４０は、算出された第１確率が未定範囲内である場合、第２確率の算出を行う。
　加えて、推定部２５０は、算出された第１確率が未定範囲よりも小さい場合、推定対象において事象が発生しないと推定し、算出された第１確率が未定範囲よりも大きい場合、推定対象において事象が発生すると推定し、算出された第１確率が未定範囲内であり、且つ、算出された第２確率が閾値（本例では、第２閾値）よりも小さい場合、推定対象において事象が発生しないと推定し、算出された第１確率が未定範囲内であり、且つ、算出された第２確率が閾値（本例では、第２閾値）よりも大きい場合、推定対象において事象が発生すると推定する。
　更に、第２学習済みモデルは、複数の学習対象のうちの、算出された第１確率が未定範囲内である学習対象が選択学習対象として選択される。
　ところで、推定対象に対して算出された第１確率が比較的高い場合、当該推定対象において事象が発生するとの推定が正しい確率が十分に高くなる。同様に、推定対象に対して算出された第１確率が比較的低い場合、当該推定対象において事象が発生しないとの推定が正しい確率が十分に高くなる。
　従って、推定システム１によれば、未定範囲を適切に設定することにより、推定対象の第１性状群と当該推定対象における事象の発生の有無との相関と、当該推定対象の第２性状群と当該推定対象における事象の発生の有無との相関と、を当該推定対象において事象が発生するか否かの推定に高い精度にて反映できる。この結果、推定対象において事象が発生するか否かを高い精度にて推定できる。
　更に、第１実施形態の推定システム１において、第１学習済みモデルは、Ｍ＋１個のパラメータからなる第１パラメータ群ａ０～ａＭを用いて、第１確率Ｐ１と、第１情報群Ｒ１～ＲＭと、の関係が数式１により表される。
　これによれば、勾配法を用いて第１パラメータ群ａ０～ａＭを決定できる。従って、第１学習済みモデルを容易に生成できる。更に、この第１学習済みモデルによれば、対象において事象が発生するか否かを高い精度にて推定できる。
　更に、第１実施形態の推定システム１において、第２学習済みモデルは、Ｎ＋１個のパラメータからなる第２パラメータ群ｂ０～ｂＮを用いて、第２確率Ｐ２と、第２情報群Ｓ１～ＳＮと、の関係が数式２により表される。
　これによれば、勾配法を用いて第２パラメータ群ｂ０～ｂＮを決定できる。従って、第２学習済みモデルを容易に生成できる。更に、この第２学習済みモデルによれば、対象において事象が発生するか否かを高い精度にて推定できる。
　更に、第１実施形態の推定システム１において、対象は、人である。加えて、第１性状群は、過去に罹患した疾病の履歴、及び、過去の行動の履歴の少なくとも１つを含む。更に、第２性状群は、検査結果を含む。加えて、事象は、所定の疾病の罹患である。
　人が過去に罹患した疾病の履歴、又は、人の過去の行動の履歴と、人が疾病に罹患しているか否かと、が比較的強い相関を有するとともに、人の検査結果と、人が疾病に罹患しているか否かと、が比較的強い相関を有する疾病が存在する。例えば、この種の疾病として、ＣＯＶＩＤ－１９と呼ばれるウイルス感染症等の感染症が挙げられる。従って、推定システム１によれば、推定対象である人がこの種の疾病に罹患しているか否かを高い精度にて推定できる。
　更に、第１実施形態の推定システム１において、過去の行動の履歴は、濃厚接触の有無を含む。加えて、検査結果は、ＣＴ検査の所見、胸部Ｘ線検査の所見、及び、血液検査のプロカルシトニン値の少なくとも１つを含む。更に、疾病は、感染症である。
　濃厚接触の有無と、人が疾病に罹患しているか否かと、が比較的強い相関を有するとともに、ＣＴ検査の所見、胸部Ｘ線検査の所見、又は、血液検査のプロカルシトニン値と、人が疾病に罹患しているか否かと、が比較的強い相関を有する疾病が存在する。例えば、この種の疾病として、ＣＯＶＩＤ－１９と呼ばれるウイルス感染症等の感染症が挙げられる。従って、推定システム１によれば、推定対象である人がこの種の疾病に罹患しているか否かを高い精度にて推定できる。
　更に、第１実施形態の推定システム１において、濃厚接触の有無を表す情報は、感染症に罹患した人の有無、換気の程度、人の密度、会話又は発声の強度又は頻度、及び、地域における感染症の罹患率、の少なくとも１つに基づいて決定される。
　換気の程度、人の密度、会話又は発声の強度又は頻度、又は、地域における感染症の罹患率と、人が疾病に罹患しているか否かと、が比較的強い相関を有する疾病が存在する。例えば、この種の疾病として、ＣＯＶＩＤ－１９と呼ばれるウイルス感染症等の感染症が挙げられる。従って、推定システム１によれば、推定対象である人がこの種の疾病に罹患しているか否かを高い精度にて推定できる。
（第１実施例）
　図８及び図９は、第１実施形態の推定システム１により推定された、事象の発生の有無と、実際の事象の発生の有無と、の関係を表す。図８及び図９において、黒丸は、実際に事象が発生していることを表し、白丸は、実際に事象が発生していないことを表す。
　図８は、６１個の推定対象のそれぞれに対する、推定システム１により算出された第１確率と、推定対象の体温と、の関係を表す。本例では、第１閾値は、０．２である。
　６１個の推定対象のうちの、算出された第１確率が第１閾値よりも小さい推定対象は、１２個である。この１２個の推定対象は、いずれも、実際に事象が発生していない。
　図９は、６１個の推定対象のうちの、算出された第１確率が第１閾値以上である、４９個の推定対象のそれぞれに対する、推定システム１により算出された第２確率と、推定対象の体温と、の関係を表す。本例では、第２閾値は、０．４である。
　上記４９個の推定対象のうちの、算出された第２確率が第２閾値よりも小さい推定対象は、１２個である。この１２個の推定対象は、いずれも、実際に事象が発生していない。
　従って、第１実施形態の推定システム１によれば、推定対象において事象が発生するか否かを高い精度にて推定できる。
　図１０は、第１比較例の推定システムにより推定された、事象の発生の有無と、実際の事象の発生の有無と、の関係を表す。図１０においても、黒丸は、実際に事象が発生していることを表し、白丸は、実際に事象が発生していないことを表す。
　第１比較例の推定システムは、１つの学習済みモデルのみを用いて推定を行う。第１比較例の推定システムは、複数の教師データのそれぞれに対して、当該教師データに含まれる学習対象情報、及び、当該教師データに含まれる事象発生情報を学習することにより学習済みモデルを生成する。
　第１比較例の推定システムは、推定対象の推定対象情報と、生成された学習済みモデルと、に基づいて、当該推定対象において事象が発生する確率を算出する。
　図１０は、図８及び図９と同じ６１個の推定対象のそれぞれに対する、第１比較例の推定システムにより算出された確率と、推定対象の体温と、の関係を表す。図１０に表されるように、第１比較例の推定システムは、第１実施形態の推定システム１と比較して、算出された確率が、実際の事象の発生の有無を反映する程度が低い。
　図１１は、第２比較例の推定システムにより推定された、事象の発生の有無と、実際の事象の発生の有無と、の関係を表す。図１１においても、黒丸は、実際に事象が発生していることを表し、白丸は、実際に事象が発生していないことを表す。
　第２比較例の推定システムは、１つの学習済みモデルのみを用いて推定を行う。第２比較例の推定システムは、複数の教師データのそれぞれに対して、当該教師データに含まれる学習対象情報のうちの第２情報群、及び、当該教師データに含まれる事象発生情報を学習することにより学習済みモデルを生成する。
　第２比較例の推定システムは、推定対象の推定対象情報に含まれる第２情報群と、生成された学習済みモデルと、に基づいて、当該推定対象において事象が発生する確率を算出する。
　図１１は、図８及び図９と同じ６１個の推定対象のそれぞれに対する、第２比較例の推定システムにより算出された確率と、推定対象の体温と、の関係を表す。図１１に表されるように、第２比較例の推定システムは、第１実施形態の推定システム１と比較して、算出された確率が、実際の事象の発生の有無を反映する程度が低い。
（第１変形例）
　ところで、第１実施形態の推定システム１において、未定範囲は、第１閾値以上である範囲である。なお、第１実施形態の第１変形例の推定システム１において、未定範囲は、第１下側閾値以上であり、且つ、第１上側閾値以下である範囲であってもよい。
　第１下側閾値は、事象が発生しないことを第１確率が十分に高い精度にて表すことが期待される、第１確率の上限値である。
　第１上側閾値は、事象が発生することを第１確率が十分に高い精度にて表すことが期待される、第１確率の下限値である。
　この場合、閾値群決定部１４０は、学習対象情報記憶部１１０に記憶されている複数の教師データのうちの、事象が発生したことを表す事象発生情報を含む教師データのそれぞれに対して、数式１と、パラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出し、算出された第１確率の最小値から、所定の余裕量を減じた値を第１下側閾値として決定してよい。
　同様に、閾値群決定部１４０は、学習対象情報記憶部１１０に記憶されている複数の教師データのうちの、事象が発生しなかったことを表す事象発生情報を含む教師データのそれぞれに対して、数式１と、パラメータ群記憶部１３０に記憶されている第１パラメータ群ａ０～ａＭと、に基づいて第１確率を算出し、算出された第１確率の最大値に、所定の余裕量を加えた値を第１上側閾値として決定してよい。
　また、この場合、推定装置２０は、図７の処理に代えて、図１２の処理を実行する。図１２の処理は、図７の処理のうちの、ステップＳ２０３～ステップＳ２０４の処理を、ステップＳ３０１Ａ～ステップＳ３０４Ａの処理に置換した処理である。
　推定装置２０は、第１実施形態と同様に、ステップＳ２０１～ステップＳ２０２の処理を実行する。
　次いで、推定装置２０は、算出された第１確率が、記憶装置２２に記憶されている第１上側閾値よりも大きいか否かを判定する（ステップＳ３０１Ａ）。
　算出された第１確率が第１上側閾値よりも大きい場合、推定装置２０は、ステップＳ３０１Ａにて「Ｙｅｓ」と判定し、推定対象において事象が発生すると推定する（ステップＳ３０２Ａ）。
　算出された第１確率が第１上側閾値以下である場合、推定装置２０は、ステップＳ３０１Ａにて「Ｎｏ」と判定し、ステップＳ３０３Ａへ進み、算出された第１確率が、記憶装置２２に記憶されている第１下側閾値よりも小さいか否かを判定する（ステップＳ３０３Ａ）。
　算出された第１確率が第１下側閾値よりも小さい場合、推定装置２０は、ステップＳ３０３Ａにて「Ｙｅｓ」と判定し、推定対象において事象が発生しないと推定する（ステップＳ３０４Ａ）。
　算出された第１確率が第１下側閾値以上である場合、推定装置２０は、ステップＳ３０３Ａにて「Ｎｏ」と判定し、ステップＳ２０５へ進み、第１実施形態と同様に、ステップＳ２０５～ステップＳ２０８の処理を実行する。
　以上、説明したように、第１実施形態の第１変形例の推定システム１によれば、第１実施形態の推定システム１と同様の作用及び効果が奏される。
（第２実施例）
　図１３及び図１４は、図８及び図９と異なる推定対象に対して、第１実施形態の第１変形例の推定システム１により推定された、事象の発生の有無と、実際の事象の発生の有無と、の関係を表す。図１３においても、黒丸は、実際に事象が発生していることを表し、白丸は、実際に事象が発生していないことを表す。
　図１３は、６４個の推定対象のそれぞれに対する、推定システム１により算出された第１確率と、推定対象の体温と、の関係を表す。本例では、第１下側閾値は、０．２であり、且つ、第１上側閾値は、０．８である。
　６４個の推定対象のうちの、算出された第１確率が第１下側閾値よりも小さい推定対象は、１１個である。この１１個の推定対象は、いずれも、実際に事象が発生していない。
　図１４は、６４個の推定対象のうちの、算出された第１確率が第１下側閾値以上であり且つ第１上側閾値以下である、２０個の推定対象のそれぞれに対する、推定システム１により算出された第２確率と、推定対象の体温と、の関係を表す。本例では、第２閾値は、０．４である。
　上記２０個の推定対象のうちの、算出された第２確率が第２閾値よりも小さい推定対象は、８個である。この８個の推定対象は、いずれも、実際に事象が発生していない。
　このように、第１実施形態の第１変形例の推定システム１によれば、推定対象において事象が発生するか否かを高い精度にて推定できる。
（その他の変形例）
　ところで、第１実施形態の推定システム１において、未定範囲は、第１閾値以上である範囲である。なお、第１実施形態の他の変形例の推定システム１において、未定範囲は、第１閾値以下である範囲であってもよい。この場合、第１閾値は、事象が発生することを第１確率が十分に高い精度にて表すことが期待される、第１確率の下限値である。
　また、第１実施形態の推定システム１は、生成装置１０及び推定装置２０を備える。なお、第１実施形態の他の変形例の推定システム１は、生成装置１０及び推定装置２０に代えて、生成装置１０及び推定装置２０が一体に構成された情報処理装置、又は、生成装置１０及び推定装置２０の両方の機能を有する情報処理装置を備えていてもよい。この場合、生成装置１０及び推定装置２０の間で重複する機能は、省略されてよい。
　また、第１実施形態の推定システム１は、２個の学習済みモデルに基づいて、推定対象において事象が発生するか否かを推定する。なお、第１実施形態の他の変形例の推定システム１は、Ｕ（Ｕは、３以上の整数を表す。）個の学習済みモデルに基づいて、推定対象において事象が発生するか否かを推定してもよい。
　この場合、複数の性状は、第１性状群乃至第Ｕ性状群を含む。推定システム１は、第１実施形態と同様に、第１学習済みモデル及び第２学習済みモデルを生成する。加えて、推定システム１は、第ｕ（ｕは、２乃至Ｕの整数を表す。）－１確率が第ｕ－１未定範囲内である教師データに含まれる学習対象情報のうちの第ｕ性状群を表す第ｕ情報群と、第ｕ学習済みモデルと、に基づいて第ｕ確率を算出し、算出された第ｕ確率が第ｕ未定範囲内である教師データに含まれる学習対象情報のうちの第ｕ＋１性状群を表す第ｕ＋１情報群に基づいて、第ｕ＋１学習済みモデルを生成する。
　この場合、推定システム１は、下記の処理を行うことにより、推定対象において事象が発生するか否かを推定する。
（１）ｖの初期値を１に設定する。
（２）推定対象情報に含まれる第ｖ性状群を表す第ｖ情報群と、第ｖ学習済みモデルと、に基づいて第ｖ確率を算出する。
（３）算出された第ｖ確率が第ｖ未定範囲よりも小さい場合、推定対象において事象が発生しないと推定する。
（４）算出された第ｖ確率が第ｖ未定範囲よりも大きい場合、推定対象において事象が発生すると推定する。
（５）算出された第ｖ確率が第ｖ未定範囲内である場合、ｖに１を加算し、ｖがＵ－１以下である場合、（２）～（５）の処理を再び行い、ｖがＵである場合、（６）～（７）の処理を行う。
（６）推定対象情報に含まれる第Ｕ性状群を表す第Ｕ情報群と、第Ｕ学習済みモデルと、に基づいて第Ｕ確率を算出する。
（７）算出された第Ｕ確率が第Ｕ閾値よりも小さい場合、推定対象において事象が発生しないと推定し、算出された第Ｕ確率が第Ｕ閾値以上である場合、推定対象において事象が発生すると推定する。
　なお、本発明は、上述した実施形態に限定されない。例えば、上述した実施形態に、本発明の趣旨を逸脱しない範囲内において当業者が理解し得る様々な変更が加えられてよい。
１　　　推定システム
１０　　生成装置
１１　　処理装置
１２　　記憶装置
１４　　出力装置
１５　　通信装置
１３　　入力装置
１１０　学習対象情報記憶部
１２０　モデル生成部
１２１　第１モデル生成部
１２２　第２モデル生成部
１３０　パラメータ群記憶部
１４０　閾値群決定部
１５０　閾値群記憶部
２０　　推定装置
２１　　処理装置
２２　　記憶装置
２３　　入力装置
２４　　出力装置
２５　　通信装置
２１０　推定対象情報受付部
２２０　パラメータ群記憶部
２３０　閾値群記憶部
２４０　確率算出部
２４１　第１確率算出部
２４２　第２確率算出部
２５０　推定部
ＢＵ１　バス
ＢＵ２　バス
ＮＷ　　通信回線

 

Claims (11)

  1. 　対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて前記対象において所定の事象が発生するか否かを推定する推定装置であって、
    　前記複数の性状は、第１性状群と、第２性状群と、を含み、
    　推定対象の前記第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第１確率を算出するとともに、前記推定対象の前記第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第２確率を算出する確率算出部と、
    　前記算出された第１確率と、前記算出された第２確率と、に基づいて、前記推定対象において前記事象が発生するか否かを推定する推定部と、
    　を備え、
    　前記第１学習済みモデルは、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群、及び、当該学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより生成され、
    　前記第２学習済みモデルは、前記複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群と、前記第１学習済みモデルと、に基づいて算出された、当該学習対象において前記事象が発生する第１確率に基づいて前記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の前記第２性状群を表す第２情報群、及び、当該選択学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより生成される、推定装置。
  2. 　請求項１に記載の推定装置であって、
    　前記確率算出部は、前記算出された第１確率が未定範囲内である場合、前記第２確率の算出を行い、
    　前記推定部は、前記算出された第１確率が前記未定範囲よりも小さい場合、前記推定対象において前記事象が発生しないと推定し、前記算出された第１確率が前記未定範囲よりも大きい場合、前記推定対象において前記事象が発生すると推定し、前記算出された第１確率が前記未定範囲内であり、且つ、前記算出された第２確率が閾値よりも小さい場合、前記推定対象において前記事象が発生しないと推定し、前記算出された第１確率が前記未定範囲内であり、且つ、前記算出された第２確率が前記閾値よりも大きい場合、前記推定対象において前記事象が発生すると推定し、
    　前記第２学習済みモデルは、前記複数の学習対象のうちの、前記算出された第１確率が前記未定範囲内である学習対象が前記選択学習対象として選択される、推定装置。
  3. 　請求項１又は請求項２に記載の推定装置であって、
    　前記第１情報群は、Ｍ（Ｍは、２以上の整数を表す。）個の情報からなり、
    　前記第１学習済みモデルは、Ｍ＋１個のパラメータからなる第１パラメータ群ａ０～ａＭを用いて、前記第１確率Ｐ１と、前記第１情報群Ｒ１～ＲＭと、の関係が数式１により表される、推定装置。
    Figure JPOXMLDOC01-appb-M000001
  4. 　請求項１乃至請求項３のいずれか一項に記載の推定装置であって、
    　前記第２情報群は、Ｎ（Ｎは、２以上の整数を表す。）個の情報からなり、
    　前記第２学習済みモデルは、Ｎ＋１個のパラメータからなる第２パラメータ群ｂ０～ｂＮを用いて、前記第２確率Ｐ２と、前記第２情報群Ｓ１～ＳＮと、の関係が数式２により表される、推定装置。
    Figure JPOXMLDOC01-appb-M000002
  5. 　請求項１乃至請求項４のいずれか一項に記載の推定装置であって、
    　前記対象は、人であり、
    　前記第１性状群は、過去に罹患した疾病の履歴、及び、過去の行動の履歴の少なくとも１つを含み、
    　前記第２性状群は、検査結果を含み、
    　前記事象は、所定の疾病の罹患である、推定装置。
  6. 　請求項５に記載の推定装置であって、
    　前記過去の行動の履歴は、濃厚接触の有無を含み、
    　前記検査結果は、ＣＴ（Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）検査の所見、胸部Ｘ線検査の所見、及び、血液検査のプロカルシトニン値の少なくとも１つを含み、
    　前記疾病は、感染症である、推定装置。
  7. 　請求項６に記載の推定装置であって、
    　前記濃厚接触の有無を表す情報は、前記感染症に罹患した人の有無、換気の程度、人の密度、会話又は発声の強度又は頻度、及び、地域における前記感染症の罹患率、の少なくとも１つに基づいて決定される、推定装置。
  8. 　対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて前記対象において所定の事象が発生するか否かを推定する推定方法であって、
    　前記複数の性状は、第１性状群と、第２性状群と、を含み、
    　推定対象の前記第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第１確率を算出し、
    　前記推定対象の前記第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第２確率を算出し、
    　前記算出された第１確率と、前記算出された第２確率と、に基づいて、前記推定対象において前記事象が発生するか否かを推定する、
    　ことを含み、
    　前記第１学習済みモデルは、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群、及び、当該学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより生成され、
    　前記第２学習済みモデルは、前記複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群と、前記第１学習済みモデルと、に基づいて算出された、当該学習対象において前記事象が発生する第１確率に基づいて前記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の前記第２性状群を表す第２情報群、及び、当該選択学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより生成される、推定方法。
  9. 　対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて前記対象において所定の事象が発生するか否かを推定する処理をコンピュータに実行させる推定プログラムであって、
    　前記複数の性状は、第１性状群と、第２性状群と、を含み、
    　前記処理は、
    　推定対象の前記第１性状群を表す第１情報群と、第１学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第１確率を算出し、
    　前記推定対象の前記第２性状群を表す第２情報群と、第２学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第２確率を算出し、
    　前記算出された第１確率と、前記算出された第２確率と、に基づいて、前記推定対象において前記事象が発生するか否かを推定する、
    　ことを含み、
    　前記第１学習済みモデルは、互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群、及び、当該学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより生成され、
    　前記第２学習済みモデルは、前記複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群と、前記第１学習済みモデルと、に基づいて算出された、当該学習対象において前記事象が発生する第１確率に基づいて前記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の前記第２性状群を表す第２情報群、及び、当該選択学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより生成される、推定プログラム。
  10. 　対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて前記対象において所定の事象が発生するか否かを推定するために用いられる学習済みモデルを生成する生成装置であって、
    　前記複数の性状は、第１性状群と、第２性状群と、を含み、
    　互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群、及び、当該学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより第１学習済みモデルを生成する第１モデル生成部と、
    　前記複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群と、前記第１学習済みモデルと、に基づいて算出された、当該学習対象において前記事象が発生する第１確率に基づいて前記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の前記第２性状群を表す第２情報群、及び、当該選択学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより第２学習済みモデルを生成する第２モデル生成部と、
    　を備える、生成装置。
  11. 　対象の、互いに異なる複数の性状をそれぞれ表す複数の情報に基づいて前記対象において所定の事象が発生するか否かを推定する推定システムであって、
    　前記複数の性状は、第１性状群と、第２性状群と、を含み、
    　互いに異なる複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群、及び、当該学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより第１学習済みモデルを生成する第１モデル生成部と、
    　前記複数の学習対象のそれぞれに対して、当該学習対象の前記第１性状群を表す第１情報群と、前記第１学習済みモデルと、に基づいて算出された、当該学習対象において前記事象が発生する第１確率に基づいて前記複数の学習対象から選択される選択学習対象のそれぞれに対して、当該選択学習対象の前記第２性状群を表す第２情報群、及び、当該選択学習対象における前記事象の発生の有無を表す情報を含む教師データを学習することにより第２学習済みモデルを生成する第２モデル生成部と、
    　推定対象の前記第１性状群を表す第１情報群と、前記生成された第１学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第１確率を算出するとともに、前記推定対象の前記第２性状群を表す第２情報群と、前記生成された第２学習済みモデルと、に基づいて、前記推定対象において前記事象が発生する第２確率を算出する確率算出部と、
    　前記算出された第１確率と、前記算出された第２確率と、に基づいて、前記推定対象において前記事象が発生するか否かを推定する推定部と、
    　を備える、推定システム。
PCT/JP2020/047317 2020-12-18 2020-12-18 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム WO2022130597A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/047317 WO2022130597A1 (ja) 2020-12-18 2020-12-18 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/047317 WO2022130597A1 (ja) 2020-12-18 2020-12-18 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム

Publications (1)

Publication Number Publication Date
WO2022130597A1 true WO2022130597A1 (ja) 2022-06-23

Family

ID=82057491

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/047317 WO2022130597A1 (ja) 2020-12-18 2020-12-18 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム

Country Status (1)

Country Link
WO (1) WO2022130597A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012118775A (ja) * 2010-12-01 2012-06-21 Nec Casio Mobile Communications Ltd 食中毒管理システム、食中毒管理方法および食中毒管理プログラム
JP2013533977A (ja) * 2010-07-14 2013-08-29 コモンウェルス サイエンティフィック アンド インダストリアル リサーチ オーガニゼイション 大腸癌の診断
WO2018155447A1 (ja) * 2017-02-21 2018-08-30 一般社団法人ブレインインパクト 脳情報解析装置及び脳情報模倣演算装置
JP2019519019A (ja) * 2016-08-31 2019-07-04 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド テキストタイプを識別する方法、装置及びデバイス
JP2020146180A (ja) * 2019-03-13 2020-09-17 株式会社中京メディカル 円錐角膜判定装置及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013533977A (ja) * 2010-07-14 2013-08-29 コモンウェルス サイエンティフィック アンド インダストリアル リサーチ オーガニゼイション 大腸癌の診断
JP2012118775A (ja) * 2010-12-01 2012-06-21 Nec Casio Mobile Communications Ltd 食中毒管理システム、食中毒管理方法および食中毒管理プログラム
JP2019519019A (ja) * 2016-08-31 2019-07-04 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド テキストタイプを識別する方法、装置及びデバイス
WO2018155447A1 (ja) * 2017-02-21 2018-08-30 一般社団法人ブレインインパクト 脳情報解析装置及び脳情報模倣演算装置
JP2020146180A (ja) * 2019-03-13 2020-09-17 株式会社中京メディカル 円錐角膜判定装置及びプログラム

Similar Documents

Publication Publication Date Title
Doppala et al. A reliable machine intelligence model for accurate identification of cardiovascular diseases using ensemble techniques
CN113539408B (zh) 一种医学报告生成方法、模型的训练方法、装置及设备
Masum et al. Comparative study of a mathematical epidemic model, statistical modeling, and deep learning for COVID-19 forecasting and management
US8417541B1 (en) Multi-stage model for predicting probabilities of mortality in adult critically ill patients
Gupta et al. Probabilistic graphical modeling for estimating risk of coronary artery disease: applications of a flexible machine-learning method
CN113012803A (zh) 计算机设备、系统、可读存储介质及医学数据分析方法
Bradley et al. Addressing selection bias in the UK Biobank neurological imaging cohort
US20150074019A1 (en) Health guidance receiver selection condition generation support device
Rapolu et al. A time-dependent seird model for forecasting the covid-19 transmission dynamics
CN111523593A (zh) 用于分析医学影像的方法和装置
WO2022130597A1 (ja) 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム
Muzoğlu et al. Detection of COVID‐19 and its pulmonary stage using Bayesian hyperparameter optimization and deep feature selection methods
US20220328187A1 (en) Condition predicting apparatus, condition predicting method, computer program, and recording medium
Chakraborty et al. Theta autoregressive neural network model for COVID-19 outbreak predictions
Ahuja et al. Samgep: A novel method for prediction of phenotype event times using the electronic health record
Lee et al. Network dependence and confounding by network structure lead to invalid inference
CN115966314A (zh) 一种数据处理方法、装置、电子设备及存储介质
JP2006053628A (ja) 発症リスク算出システム及びプログラム
Ogunyemi et al. Combining geometric and probabilistic reasoning for computer-based penetrating-trauma assessment
Chhikara et al. Privacy Aware Question-Answering System for Online Mental Health Risk Assessment
KR102536982B1 (ko) 문진표를 이용한 인공지능 기반의 질병 예측 방법 및 장치
Sun et al. Assessing the prognostic utility of clinical and radiomic features for COVID-19 patients admitted to ICU: Challenges and lessons learned
Santos Parameter Estimation for a Modified SEIR Model of the COVID-19 Dynamics in the Philippines using Genetic Algorithm
Swain et al. A support system for coronary artery disease detection using a deep dense neural network
US12027273B2 (en) Interactive graphical system for estimating body measurements

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20965984

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20965984

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP