特許ウォッチ

公開番号2025013170
公報種別公開特許公報(A)
公開日2025-01-24
出願番号2024080977
出願日2024-05-17
発明の名称医用情報処理装置および医用情報処理方法
出願人キヤノンメディカルシステムズ株式会社
代理人弁理士法人酒井国際特許事務所
主分類G16B 40/20 20190101AFI20250117BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】低レベル特徴及び高レベルの両方の特徴における近接関係を順守する順番を課す医用情報処理装置並びに方法を提供する。
【解決手段】医用情報処理装置10において、コンピューティング装置12の処理回路22は、畳み込みニューラルネットワーク(CNN)層を取得し、CNN層のうちの入力層に結合する第1のマッピング層と、CNN層のうちの出力層に結合する第2のマッピング層とをトレーニングする。第1のマッピング層は遺伝子情報を表す入力オミクスデータを第1のN次元データに変換し、第2のマッピング層はCNN層により出力される第2のN次元データを受け取り、第2のN次元データを遺伝子情報を表すオミクス出力データに変換する。第1のマッピング層と第2のマッピング層のトレーニングは、CNN層の所定のパラメータにおいて、損失関数を最小化することを含む。損失関数は、入力オミクスデータおよび出力オミクスデータに基づいて得る。
【選択図】図2
特許請求の範囲【請求項１】
処理回路を備え、前記処理回路は、
畳み込みニューラルネットワーク（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ：ＣＮＮ）層を取得し、
前記ＣＮＮ層のうちの入力層に結合する第１のマッピング層と、前記ＣＮＮ層のうちの出力層に結合する第２のマッピング層とをトレーニングし、前記第１のマッピング層は遺伝子情報を表す入力オミクスデータを第１のＮ次元データに変換し、前記第２のマッピング層は前記ＣＮＮ層により出力される第２のＮ次元データを受け取り、前記第２のＮ次元データを遺伝子情報を表す出力オミクスデータに変換し、
前記第１のマッピング層と前記第２のマッピング層の前記トレーニングは、前記ＣＮＮ層の所定のパラメータにおいて、損失関数を最小化することを含み、前記損失関数は前記入力オミクスデータおよび前記出力オミクスデータに基づいて得る、
医用情報処理装置。
続きを表示（約 790 文字）【請求項２】
前記第２のマッピング層は前記第１のマッピング層の逆数である、
請求項１に記載の医用情報処理装置。
【請求項３】
前記損失関数は、前記入力オミクスデータと前記出力オミクスデータとの間の再構成損失である、
請求項１に記載の医用情報処理装置。
【請求項４】
前記ＣＮＮ層はオートエンコーダの層である、
請求項１に記載の医用情報処理装置。
【請求項５】
前記第１のマッピング層は全デンス層（ｆｕｌｌｙｄｅｎｓｅｌａｙｅｒ）としてパラメータ化される、
請求項１に記載の医用情報処理装置。
【請求項６】
前記第１のマッピング層は一対一マッピングを含む、
請求項１に記載の医用情報処理装置。
【請求項７】
前記処理回路は更に、前記第１のマッピング層と前記第２のマッピング層の前記トレーニングする前に、空間的に順番付けられたデータを再構成するように前記ＣＮＮ層をトレーニングする、
請求項１に記載の医用情報処理装置。
【請求項８】
前記処理回路は更に、前記第１のマッピング層を用いて得た順番付けられたＮ次元データからタスク特異的出力を得るために、タスク特異的モデルをトレーニングする、
請求項１に記載の医用情報処理装置。
【請求項９】
前記タスク特異的出力は分類または予測を含む、
請求項８に記載の医用情報処理装置。
【請求項１０】
前記タスク特異的出力は、病気の分類、表現型の分類、１つまたは複数の病気の特徴の分類、治療反応の予測、生存予測、再発予測のうちの少なくとも１つを含む、
請求項８に記載の医用情報処理装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本明細書及び図面に開示の実施形態は、医用情報処理装置および医用情報処理方法に関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
オミクス研究は、生命体の構造および機能を理解するために生体分子を特徴づけることを目的とする科学の諸分野に関する。例えば、トランスクリプトミクスは、生体サンプルで発見されたＲＮＡ転写産物の数および多様性を判断するための、遺伝子発現データの解析である。
【０００３】
トランスクリプトームにおける遺伝子発現データは、組織サンプル（例えば、結腸ポリープまたは生検腫瘍）で発見されたｍＲＮＡ分子の正規化されたカウントを含むと考えてよい。ＤＮＡ、ＲＮＡ、およびタンパク質の既知の関係を用いて、トランスクリプトームが当該組織におけるタンパク質発現のプロキシを形成すると考えてよい。
【０００４】
トランスクリプトームは、マイクロアレイ、ＲＮＡ配列またはプローブに基づく分析であって、Ｔｅｍｐ’ＯＳｅｑなどのターゲットプライマーのライブラリを用いるものを含むＲＮＡシーケンシング法を通じて得ることができる。
【０００５】
サンプルからの典型的な遺伝子発現データセットは、約１万から６万の測定を含むだろう。タンパク質をコードするＲＮＡ（ｍＲＮＡ）のみを考慮し、且つ、低発現の遺伝子をフィルタリングで除去する場合、データセットは約１万の測定に低減できる。当該データセットを検査すると、トランスクリプトーム結果の明示的な順番付けがない。デフォルト設定では、遺伝子名でアルファベット順にリストされることが多い。染色体位置に基づく順番付けもまた可能であるが、機能的重要性に乏しい。
【０００６】
図１は、スプレッドシートに記憶された個々のトランスクリプトームの例を示す。各遺伝子には個別のインデックス番号が与えられている。各遺伝子は関連する正規化された遺伝子発現値を有する。実際には、数多くの患者またはその他の被検体のトランスクリプトームを１枚のスプレッドシートに記憶してよい。
【０００７】
特に腫瘍生検のトランスクリプトームは広く研究され、予後的重要性があることを示している。例えば、切除ポリープのトランスクリプトームを解析して、結腸癌スクリーニングにおいて層化（ｓｔｒａｔｉｆｉｃａｔｉｏｎ）を改善してよい。
【０００８】
数多くのサンプルの遺伝子発現値から構成されるトランスクリプトームデータセットは、典型的には、異なる遺伝子発現解析によりコホートごとに処理される。これに続いて、遺伝子群エンリッチメント解析と、ボルケーノプロット（ＶｏｌｃａｎｏＰｌｏｔ）またはヒートマップ（ｈｅａｔｍａｐ）での可視化がしばしば行われる。ボルケーノプロットは複数の点を含み、各ポイントは個別の遺伝子を表し、群間比（ｆｏｌｄｃｈａｎｇｅ）対ｐ値としてコホート全体に関してプロットされる。患者特異的プロットではない。
【０００９】
これらの方法は、個々の遺伝子および遺伝子群における摂動を理解するためにしばしば有益であるだろう。しかし、これらの方法は典型的には容易に解釈可能な、全サンプルのデータセット全体の視覚表示を提供しない。
【００１０】
人間の視覚野および現代のニューラルネットワークモデルは、どちらも畳み込みネットワークアーキテクチャを含み、パターン分類のための２Ｄ画像におけるパターンスポッティングに長けている。ある絶対的方法で画像を規定または構造化すれば、当該画像を有意義に比較することができる。そのため、人間および現代のニューラルネットワークモデルがオミクスデータから意味を読み取れるオミクスデータを提示することが必要である。
（【００１１】以降は省略されています）

関連特許