Top > Search of Japanese Patents > PREDICTION APPARATUS, LEARNING APPARATUS FOR THE SAME, AND COMPUTER PROGRAM FOR THESE APPARATUSES

PREDICTION APPARATUS, LEARNING APPARATUS FOR THE SAME, AND COMPUTER PROGRAM FOR THESE APPARATUSES

Patent code P110005940
File No. 2767,S2010-0740-N0
Posted date Nov 15, 2011
Application number P2010-099327
Publication number P2011-227838A
Patent number P5603639
Date of filing Apr 23, 2010
Date of publication of application Nov 10, 2011
Date of registration Aug 29, 2014
Inventor
  • (In Japanese)戸井 雅和
  • (In Japanese)杉本 昌弘
  • (In Japanese)▲高▼田 正泰
  • (In Japanese)内藤 泰宏
Applicant
  • (In Japanese)国立大学法人京都大学
Title PREDICTION APPARATUS, LEARNING APPARATUS FOR THE SAME, AND COMPUTER PROGRAM FOR THESE APPARATUSES
Abstract PROBLEM TO BE SOLVED: To provide an apparatus capable of predicting occurrence of a certain event about a case even when a data deficit exists.
SOLUTION: A prediction apparatus 54 comprises a prediction model storage device for storing a prediction model 138 composed of ADTree. When data of a group of characteristics extracted from case data are applied, the prediction model 138 is previously learned so as to predict occurrence of AxLN transfer or the like related to a patient. The prediction apparatus 54 further comprises a characteristic extraction part 152 for extracting the data of the group of characteristics from the case data to be diagnosed, and a model application part 156 for applying the data of the group of the characteristics extracted by the characteristic extraction part 152 to the prediction model, predicting the occurrence of the AxLN transfer or the like in the patient of the case data to be diagnosed and outputting the predicted result as prediction 154.
Outline of related art and contending technology (In Japanese)

原発性乳がんの治療をする際、腋窩リンパ節(AxLN)への転移(AxLN転移)があるか否かは、治療に関する種々の判断に非常に大きな影響を与える診断要因である。この情報は、腋窩の局所的治療をする際にも、薬物療法などの全身的治療をする際にも使用される。センチネルリンパ節(SLN)生検は、従来の腋窩郭清に比較して侵襲性が低く、リンパ節への転移があるか否かを明らかにできる。しかし、最終的にリンパ節への転移を認めず手術の必要がないと判定される患者であっても、生検のための外科的処置を受ける必要があるという問題がある。SLN生検が禁忌であるときには、リンパ節の状態に関わらず、侵襲性の高い腋窩リンパ節の郭清をすることが通常の手続きである。

このような外科的処置を受ける必要をなくし、容易に得られる検査情報のみから腋窩リンパ節の状態を予測できれば、患者の負担を小さくできる。また、抗がん剤などの薬物療法の適応を判断する上で重要な情報が、迅速かつ非侵襲的に得られる。その目的のため、AxLN転移を数値的に予測する方法がいくつか提案されている。それらの中には、数式内のいくつかの変数に値を代入することによりスコアを計算し、Logistic回帰分析を用いてモデルを構築する統計的分析方法がある。

これら従来のモデルは、通常は、一定数の、互いに独立した予測因子を含む。これら予測因子は、既知の予測要因のグループに対する一変量又は多変量解析により特定される。既知の予測要因との関連でセンチネルリンパ節への転移の確率を予測する上では、例えばノモグラムと呼ばれるグラフィック表示を用いるモデルが便利である。

Field of industrial application (In Japanese)

この発明は、ある疾病に関するある患者の予後に関するリスクを診断したり、ある患者に対する投薬の効果を予測したりするための装置に関し、特に、診断のために必要な情報に欠損が多いときでも安定して高い精度で診断できる予測装置に関する。

Scope of claims (In Japanese)
【請求項1】
 
症例データから抽出される所定の特性の組のデータが与えられると、当該症例データが得られた患者に関連した所定の事象の発生を予測するように、ADTreeからなる予測モデルを学習するための学習装置であって、
学習データを記憶するための記憶手段と、
前記記憶手段に記憶された前記学習データから、乱数を用いてリサンプリングすることにより、学習のための複数個のリサンプリングデータセットを作成するためのリサンプリング手段と、
前記リサンプリング手段により作成された前記複数個のリサンプリングデータセットの各々を学習データとして用い、前記特性の組を入力として前記所定の事象の発生を予測するように、ADTreeからなる予測モデルの学習を行なうためのADTree学習手段と、
記ADTree学習手段による予測モデルの学習を、終了条件が成立するまで、処理の条件を変化させて繰返し行なうことにより、複数個の予測モデルを作成するためのモデル作成手段と、
前記モデル作成手段により作成された前記複数個の予測モデルの、前記学習データに対する予測精度を算出し、最も高い予測精度が得られた予測モデルを出力するためのモデル選択手段とを含み、
前記リサンプリング手段は、前記学習データのうち、前記所定の事象が発生した学習データからのサンプル数と、発生しなかった学習データからのサンプル数との比が所定の値となるようにサンプリング比を調整しながら、かつ乱数の種を複数通りに変化させることにより、前記学習データから複数個のリサンプリングデータセットを作成するための手段を含む、学習装置。

【請求項2】
 
前記所定の値は1:1である、請求項1に記載の学習装置。

【請求項3】
 
請求項1又は請求項2に記載の学習装置であって、
各々が複数種類の特性からなる特性の組で、互いに異なるものが複数個、予め規定されており、
前記モデル作成手段は、前記処理の条件の一つとして、前記複数個の特性の組のいずれを使用するかを変化させることにより前記複数個の予測モデルを作成する、学習装置。

【請求項4】
 
請求項3に記載の学習装置であって、
前記複数種類の特性を、前記所定の事象の発生の予測に関する重要性の順番に順位付けするための特性順位付け手段をさらに含み、
前記複数個の特性の組はいずれも、前記特定順位付け手段による順位付けの上位から所定個数の特性からなり、かつ特性の個数は組ごとに異なる、学習装置。

【請求項5】
 
請求項1から請求項4のいずれかに記載の学習装置であって、
前記モデル作成手段は、
前記複数個のリサンプリングデータセットの各々について、当該リサンプリングデータセットからさらに学習データを乱数サンプリングすることによりデータサブセットを作成するためのデータサブセット作成手段と、
前記複数個のリサンプリングデータセットの各々について、前記データサブセット作成手段により作成されたデータサブセットを学習データとして当該データサブセットの各々によりADTreeの学習を行なう手段と、
前記データサブセット作成手段により作成されるデータサブセットの個数が複数通りに変化するよう、個数を指定して前記データサブセット作成手段及び前記ADTreeの学習を行なう手段を繰返し動作させる繰返し制御手段とを含む、学習装置。

【請求項6】
 
請求項5に記載の学習装置であって、
前記データサブセット作成手段は、前記繰返し制御手段によりデータサブセットの個数が指定されると、乱数の種を変化させて前記リサンプリングデータの各々について乱数サンプリングすることにより、当該指定された個数のデータサブセットからなるデータサブセットの組を複数個作成する手段を含み、
前記ADTreeの学習を行なう手段は、当該データサブセットの組の各々に含まれる前記指定された個数のデータサブセットの各々を学習データとして、前記ADTreeの学習を行なう手段を含む、学習装置。

【請求項7】
 
請求項5又は請求項6に記載の学習装置であって、
前記繰返し制御手段は、前記データサブセット作成手段により作成されるデータサブセットの個数を、最小値から最大値までの範囲の各整数を用いて指定して前記データサブセット作成手段及び前記ADTreeの学習を行なう手段を動作させる手段を含む、学習装置。

【請求項8】
 
請求項1に記載の学習装置であって、
前記モデル作成手段は、前記ADTreeの各ツリーに含まれるノード数を所定範囲で変化させることにより前記複数個の予測モデルを作成する、学習装置。

【請求項9】
 
コンピュータを、請求項1~請求項8のいずれかに記載の学習装置の各手段として機能させる、コンピュータプログラム。
IPC(International Patent Classification)
F-term
Drawing

※Click image to enlarge.

JP2010099327thum.jpg
State of application right Registered
Please contact us by e-mail or facsimile if you have any interests on this patent. Thanks.


PAGE TOP

close
close
close
close
close
close
close