特許ウォッチ

公開番号2024137197
公報種別公開特許公報(A)
公開日2024-10-07
出願番号2023048624
出願日2023-03-24
発明の名称推定装置、推定方法及び推定プログラム
出願人エヌ・ティ・ティ・コミュニケーションズ株式会社,国立大学法人千葉大学
代理人弁理士法人酒井国際特許事務所
主分類G16H 50/20 20180101AFI20240927BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】希少疾患の発症を推定する推定モデルを構築することができる。
【解決手段】サーバ20は、患者の検査データ及び診療データに対し、所定の前処理を行う第1前処理部24と、少なくとも希少疾患を発症した患者の前処理後の検査データ及び診療データを学習データとし、患者の検査データ及び診療データと該患者の希少疾患の発症確率との関係を学習した第1推定モデル26であって、複数の希少疾患ごとに発症確率を推定する推定モデルを用いて、前処理後の推定対象の患者の検査データ及び診療データを基に、複数の希少疾患ごとに推定対象の患者の発症確率を推定する第1推定部25と、を有する。
【選択図】図6
特許請求の範囲【請求項１】
患者の検査データ及び診療データに対し、所定の前処理を行う前処理部と、
少なくとも希少疾患を発症した患者の前記前処理後の検査データ及び診療データを学習データとし、患者の検査データ及び診療データと該患者の希少疾患の発症確率との関係を学習した推定モデルであって、複数の前記希少疾患ごとに発症確率を推定する推定モデルを用いて、前記前処理後の推定対象の患者の検査データ及び診療データを基に、前記複数の希少疾患ごとに前記推定対象の患者の発症確率を推定する推定部と、
を有することを特徴とする推定装置。
続きを表示（約 2,400 文字）【請求項２】
前記前処理部は、前記検査データ及び診療データに対し、診察背景、病歴、診察所見、または、検査所見に関する項目を粒度に応じて段階的に設定し、各項目のデータをそれぞれ対応するカテゴリ変数に変換する第１前処理を行うことを特徴とする請求項１に記載の推定装置。
【請求項３】
前記前処理部は、前記検査データ及び診療データに対し、診察背景、病歴、診察所見、または、検査所見に関する項目を粒度に応じて段階的に設定し、各項目のデータをそれぞれ対応するカテゴリ変数に変換し、最も粒度が細かい項目のカテゴリ変数部を、前記カテゴリ変数に対応するデータの意味に従ってラベル付けし、同一ラベルで圧縮する第２前処理を行うことを特徴とする請求項１に記載の推定装置。
【請求項４】
前記前処理部は、前記検査データ及び診療データに対し、診察背景、病歴、診察所見、または、検査所見に関する項目を段階的に設定し、各項目のデータをそれぞれ対応するカテゴリ変数に変換し、最も粒度が細かい第１項目のカテゴリ変数部を、前記カテゴリ変数に対応するデータの意味に従ってラベル付けし、同一ラベルで圧縮するとともに、前記第１項目よりも粒度が粗い第２項目を、前記第２項目に属する前記第１項目の圧縮された各ラベルのカウント数で表現する第３前処理を行うことを特徴とする請求項１に記載の推定装置。
【請求項５】
前記前処理部は、
前記検査データ及び診療データに対し、診察背景、病歴、診察所見、または、検査所見に関する項目を粒度に応じて段階的に設定し、各項目のデータをそれぞれ対応するカテゴリ変数に変換する第１前処理を行う第１前処理部と、
前記検査データ及び診療データに対し、診察背景、病歴、診察所見、または、検査所見に関する項目を粒度に応じて段階的に設定し、各項目のデータをそれぞれ対応するカテゴリ変数に変換し、最も粒度が細かい項目のカテゴリ変数部を、前記カテゴリ変数に対応するデータの意味に従ってラベル付けし、同一ラベルで圧縮する第２前処理を行う第２前処理部と、
前記検査データ及び診療データに対し、診察背景、病歴、診察所見、または、検査所見に関する項目を段階的に設定し、各項目のデータをそれぞれ対応するカテゴリ変数に変換し、最も粒度が細かい第１項目のカテゴリ変数部を、前記カテゴリ変数に対応するデータの意味に従ってラベル付けし、同一ラベルで圧縮するとともに、前記第１項目よりも粒度が粗い第２項目を、前記第２項目に属する前記第１項目の圧縮された各ラベルのカウント数で表現する第３前処理部と、
を有し、
前記推定部は、
少なくとも前記希少疾患を発症した患者の前記第１前処理後の検査データ及び診療データを学習済みである第１推定モデルを用いて、前記第１前処理後の患者の検査データ及び診療データを基に、前記推定対象の患者の発症確率を推定する第１推定部と、
少なくとも前記希少疾患を発症した患者の前記第２前処理後の検査データ及び診療データを学習済みである第２推定モデルを用いて、前記第２前処理後の患者の検査データ及び診療データを基に、前記推定対象の患者の発症確率を推定する第２推定部と、
少なくとも前記希少疾患を発症した患者の前記第３前処理後の検査データ及び診療データを学習済みである第３推定モデルを用いて、前記第３前処理後の患者の検査データ及び診療データを基に、前記推定対象の患者の発症確率を推定する第３推定部と、
を有することを特徴とする請求項１に記載の推定装置。
【請求項６】
前記第１推定部による推定結果、前記第２推定部による推定結果、及び、前記第３推定部による推定結果を基に、前記第１推定部、前記第２推定部、及び、前記第３推定部の推定精度を評価する評価部と、
前記評価部による評価結果を基に、前記第１推定部、前記第２推定部、及び／または、前記第３推定部のいずれの推定結果を採用するかを設定する設定部と、
を有することを特徴とする請求項５に記載の推定装置。
【請求項７】
前記推定装置は、データを断片化したシェアの状態で複数のサーバに分散保管し、前記複数のサーバが秘密計算上で計算処理を行う秘密計算ＡＩ（Artificial Intelligence）によって実現されることを特徴とする請求項１に記載の推定装置。
【請求項８】
推定装置が実行する推定方法であって、
患者の検査データ及び診療データに対し、所定の前処理を行う工程と、
少なくとも希少疾患を発症した患者の前記前処理後の検査データ及び診療データを学習データとし、患者の検査データ及び診療データと該患者の希少疾患の発症確率との関係を学習した推定モデルであって、複数の前記希少疾患ごとに発症確率を推定する推定モデルを用いて、前記前処理後の推定対象の患者の検査データ及び診療データを基に、前記複数の希少疾患ごとに前記推定対象の患者の発症確率を推定する工程と、
を含んだことを特徴とする推定方法。
【請求項９】
患者の検査データ及び診療データに対し、所定の前処理を行うステップと、
少なくとも希少疾患を発症した患者の前記前処理後の検査データ及び診療データを学習データとし、患者の検査データ及び診療データと該患者の希少疾患の発症確率との関係を学習した推定モデルであって、複数の前記希少疾患ごとに発症確率を推定する推定モデルを用いて、前記前処理後の推定対象の患者の検査データ及び診療データを基に、前記複数の希少疾患ごとに前記推定対象の患者の発症確率を推定するステップと、
を実行させることを特徴とする推定プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、推定装置、推定方法及び推定プログラムに関する。
続きを表示（約 2,100 文字）【背景技術】
【０００２】
機械学習を用いた推定モデルを用いて、疾患の発症を推定する推定装置が提案されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０１９－０１６２３５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
ここで、希少疾患に対しては、一般医の段階では適切な判断を下すのが難しく、早期診断・早期治療の機会を逃している患者が少なくない。このため、希少疾患の発症確率を推定する推定モデルの構築が要望されている。
【０００５】
本発明は、上記に鑑みてなされたものであって、希少疾患の発症を推定する推定モデルを構築することができる推定装置、推定方法及び推定プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
上述した課題を解決し、目的を達成するために、本発明の推定装置は、患者の検査データ及び診療データに対し、所定の前処理を行う前処理部と、少なくとも希少疾患を発症した患者の前記前処理後の検査データ及び診療データを学習データとし、患者の検査データ及び診療データと該患者の希少疾患の発症確率との関係を学習した推定モデルであって、複数の前記希少疾患ごとに発症確率を推定する推定モデルを用いて、前記前処理後の推定対象の患者の検査データ及び診療データを基に、前記複数の希少疾患ごとに前記推定対象の患者の発症確率を推定する推定部と、を有することを特徴とする。
【発明の効果】
【０００７】
本発明によれば、希少疾患の発症を推定する推定モデルを構築することができる。
【図面の簡単な説明】
【０００８】
図１は、実施の形態１における推定モデルの学習フェーズの概要を示す図である。
図２は、実施の形態１における推定モデルを用いた推定フェーズの概要を示す図である。
図３は、実施の形態１に係る処理システムの構成の一例を示すブロック図である。
図４は、図３に示す登録者サーバの構成の一例を模式的に示す図である。
図５は、図４に示すデータ抽出部の処理を説明する図である。
図６は、図３に示すサーバの構成の一例を模式的に示す図である。
図７は、図６に示す第１前処理部の処理を説明する図である。
図８は、図６に示す第１前処理部の処理を説明する図である。
図９は、図６に示す第１前処理部の処理を説明する図である。
図１０は、図３に示す依頼元端末の構成の一例を模式的に示す図である。
図１１は、実施の形態１に係る学習処理の処理手順を示すシーケンス図である。
図１２は、実施の形態１に係る推定処理の処理手順を示すシーケンス図である。
図１３は、実施の形態２に係るサーバの構成の一例を模式的に示す図である。
図１４は、図１３に示す第２前処理部の処理を説明する図である。
図１５は、図１３に示す第２前処理部の処理を説明する図である。
図１６は、実施の形態２に係る学習処理の処理手順を示すシーケンス図である。
図１７は、実施の形態２に係る推定処理の処理手順を示すシーケンス図である。
図１８は、実施の形態３に係るサーバの構成の一例を模式的に示す図である。
図１９は、図１８に示す第３前処理部の処理を説明する図である。
図２０は、図１８に示す第３前処理部の処理を説明する図である。
図２１は、実施の形態３に係る学習処理の処理手順を示すシーケンス図である。
図２２は、実施の形態３に係る推定処理の処理手順を示すシーケンス図である。
図２３は、実施の形態４に係るサーバの構成の一例を模式的に示す図である。
図２４は、実施の形態４に係る学習処理の処理手順を示すシーケンス図である。
図２５は、図２４に示す前処理及び学習処理の処理手順を示すシーケンス図である。
図２６は、実施の形態４に係る推定処理の処理手順を示すシーケンス図である。
図２７は、実施の形態１に係る処理システムの構成の他の例を示すブロック図である。
図２８は、プログラムを実行するコンピュータを示す図である。
【発明を実施するための形態】
【０００９】
以下に、本願に係る推定装置、推定方法及び推定プログラムの実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態により本願に係る推定装置、推定方法及び推定プログラムが限定されるものではない。
【００１０】
［実施の形態１］
まず、実施の形態１について説明する。実施の形態１では、データを暗号化したまま計算できる秘密計算ＡＩ（Artificial Intelligence）によって、複数の希少疾患ごとに推定対象の患者の発症確率を推定する推定モデルを実現する場合について説明する。
（【００１１】以降は省略されています）

関連特許