脑功能连接相关值的聚类装置、脑功能连接相关值的聚类系统、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序、脑活动标记物分类系统以及脑功能连接相关值的聚类分类器模型制造方法及图纸

基于从多个设施获取到的脑测量数据来执行具有规定的属性的受验者的聚类的、脑功能连接相关值的聚类装置在多个MRI装置中对于健康群、患者群拍摄静息态的fMRI图像数据，计算处理系统(300)在进行协调化处理后的相关阵列的元素值与关于各受验者的疾病标签之间，通过“有监督学习”将识别器的生成作为集成学习来实施，在集成学习过程中，根据重要度而从在针对疾病标签生成识别器的生成处理中确定出的特征量中选择出用于聚类的特征量，之后通过“无监督学习”来执行多重共聚类。来执行多重共聚类。来执行多重共聚类。

【技术实现步骤摘要】
【国外来华专利技术】脑功能连接相关值的聚类装置、脑功能连接相关值的聚类系统、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序、脑活动标记物分类系统以及脑功能连接相关值的聚类分类器模型


[0001]本专利技术涉及一种对在多个装置中利用脑功能图像法测量出的脑功能连接相关值的图案进行聚类的技术，更确定地说，涉及一种脑功能连接相关值的聚类装置、脑功能连接相关值的聚类系统、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序、脑活动标记物分类系统以及脑功能连接相关值的聚类分类器模型。本申请要求2020年4月6日申请的日本特愿2020
‑
068669号的优先权，将所述日本申请所记载的全部记载内容通过引用并入本申请。

技术介绍

[0002](数据驱动型的聚类方法)
[0003]随着近年来的人工智能技术、特别是数据驱动型人工智能技术的发展，在声音识别、翻译、图像识别等领域中部分地实现了与人类的能力相匹敌的应用，或者，在部分领域中还实现了超越人类的能力那样的应用(例如专利文献1)。
[0004]在医疗技术的领域中，在图像诊断等中利用深度学习等机器学习的情况也增多。深度学习是使用了多层神经网络的机器学习，在图像识别的领域中，已知的是使用作为深度学习之一的卷积神经网络(Convolutional Neural Network，下面称为“CNN”)的学习方法表现出与以往的方法相比非常高的性能(例如专利文献2)。
[0005]例如，在大肠癌的利用内窥镜的图像诊断等中，诊断的准确度超过人类诊断的准确度那样的诊断设备已被实用化(非专利文献1)。
[0006]但是，这些人工智能技术在机器学习的分类上几乎都落入了所谓的“有监督学习”的范畴，即，大量地准备正解数据与输入数据(例如图像数据)的组，以该组为输入来使人工智能进行学习处理。
[0007]另一方面，作为数据驱动型人工智能的应用用途，也存在将所提供的数据基于其特征量分类为若干个簇这样的任务的执行。在该情况下，已知有不存在正解数据的所谓的“无监督学习”、将基于少量的“带正解标签的学习数据”的学习与基于大量的“无正解标签的学习数据”的学习组合所得到的“半监督学习”等(例如专利文献3)。
[0008]例如，在专利文献3中记载有“半监督学习是基于比较少的带标签数据和无标签数据进行学习的学习方法，例如包括自举法、基于图的算法(graph base algorithm)等，该自举法是使用带标签数据(包含状态数据S和判定数据L的训练数据T)生成进行分类的学习模型，使用该学习模型和无标签数据(状态数据S)，对于该学习模型进行追加学习，从而提高学习的精度，该基于图的算法是基于带标签数据和无标签数据的数据分布进行分组从而生成作为分类器的学习模型”。但是，也如该例所示的那样，在“半监督学习”中，存在的训练数据是少量的学习数据，从而前提是首先生成分类器并在之后使用大量的“无正解标签的学
习数据”来使该分类器自身进行再学习等。
[0009](生物标记物)
[0010]下面，作为应用基于人工智能技术的判别、聚类的领域，以医学领域为例。
[0011]将为了定量地掌握生物体内的生物学变化而对生物体信息进行了数值化/定量化的指标称为“生物标记物”。
[0012]FDA(美国食品药品监督管理局)将生物标记物的定位定义为“作为正常过程和病态过程、或者对于治疗的药理学反应的指标来客观地测定/评价的项目”。另外，用于表征疾病的状态、变化、治愈的程度的生物标记物被用作用于确认新药在临床试验中的有效性的替代标记物(surrogate marker)。血糖值、胆固醇值等是代表性的作为生活习惯病的指标的生物标记物。不仅包含尿、血液中包含的源自生物体的物质，还包含心电图、血压、PET(positron emission tomography：正电子放射断层造影术)图像、骨密度、肺功能等。另外，随着染色体组解析、蛋白质组解析的发展，发现了与DNA、RNA、生物蛋白等相关联的各种生物标记物。
[0013]生物标记物不仅应用于患上疾病后的治疗效果的测定，还作为用于预防疾病的日常的指标而应用于疾病的预防，并且还被期待应用于选择避免副作用的有效治疗法的个体化医疗。
[0014]例如，对于肺部疾病，公开有用于使用基因信息来判断罹患疾病的可能性的生物标记物(专利文献4)。在专利文献4中，“生物标记物”或“标记物”是指“作为表示该生物体系统的生理学状态的特征的物质而能够客观地进行测定的生物学分子”。而且，在该专利文献4中，记载有“通常，生物标记物测定值典型的是与蛋白质或多肽即表达产物的定量测定相关的信息。本专利技术设想以RNA(翻译前)水平或蛋白质水平(还能包含翻译后修饰)来决定生物标记物测定值”。而且，在专利文献4中，作为用作针对这样的生物标记物测定值的“分类系统”的分类器，例示了决策树、贝叶斯分类器、贝叶斯信念网络、k
‑
最近邻法、基于事例的推理以及支持向量机等。
[0015]另一方面，在神经/精神疾病的情况下，现状的诊断有时也是基于DSM
‑
5(精神障碍的诊断/统计手册(Diagnostic and Statistical Manual of Mental Disorders)第5版)等、所谓的基于症状的诊断，虽然从生物化学或分子遗传学的观点出发还研究出了能够利用为客观性指标的分子标记物等，但仍处于应该称为研究阶段这样的状况。
[0016]可是，还报告了使用NIRS(Near
‑
infraRed Spectroscopy：近红外光谱)技术来根据通过生物体光测量而测量出的血红蛋白信号的特征量进行精神分裂症、抑郁症等精神疾病的分类的疾病判定系统等(专利文献5)。
[0017](基于脑活动的生物标记物)
[0018]另一方面，在所谓的图像诊断的领域中，与如上所述的“生物学分子”这样的生物标记物的概念不同，还存在被称为“图像生物标记物”的生物标记物。例如，还尝试在脑神经区域的分子成像中使用PET来进行神经传递功能、受体功能解析。
[0019]并且，在磁共振成像法(MRI：Magnetic Resonance Imaging)中，还能够使用与血流量的变化相应地在检测出的信号中出现变化的情形，来使大脑对于外部刺激等的活动部位视觉化。将这种磁共振成像法特别称为fMRI(functional MRI：功能性磁共振成像)。
[0020]在fMRI中，作为装置，使用了在通常的MRI装置中进一步配备fMRI测量所需要的硬
件和软件而成的装置。
[0021]在此，血流量的变化引起NMR信号强度的变化是利用了血液中的氧合血红蛋白和脱氧血红蛋白的磁学性质不同。氧合血红蛋白具有反磁性体的性质，对于周围存在的水的氢原子的弛豫时间没有影响，与此相对，脱氧血红蛋白为顺磁性体，使周围的磁场变化。因而，当大脑受到刺激、局部血流增大从而脱氧血红蛋白变化时，能够将其变化量检测为MRI信号。这种对受验者的刺激例本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种脑功能连接相关值的聚类装置，用于基于对象者的脑活动的测量结果，来在所述对象者中执行对具有至少一个规定的属性的所述对象者的聚类，所述脑功能连接相关值的聚类装置具备计算处理系统，所述计算处理系统用于针对包括具有所述规定的属性的第一受验者群和不具有所述规定的属性的第二受验者群的多个受验者，基于脑活动的测量值来执行所述聚类的处理，所述计算处理系统包括存储装置和运算装置，所述运算装置构成为：i)针对所述多个受验者的各受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到所述存储装置中；ii)基于所述存储装置中所保存的所述特征量，以有监督学习来执行生成用于判别所述属性的有无的识别器模型的机器学习，所述运算装置在生成所述识别器模型的机器学习中进行以下处理：根据所述第一受验者群和所述第二受验者群，执行欠采样和下采样，从而生成多个学习用子样本；针对所述学习用子样本的各个学习用子样本，从在通过机器学习生成识别器时使用的特征量的并集中，根据属于所述并集的特征量的重要度，来选择用于聚类的特征量，所述运算装置还进行以下处理：基于所选择出的用于所述聚类的特征量，通过无监督学习的多重共聚类法对所述第一受验者群进行聚类，来生成簇的分类器。2.根据权利要求1所述的脑功能连接相关值的聚类装置，其中，所述脑功能连接相关值的聚类装置从分别设置于多个测量地点的多个脑活动测量装置，接受表现所述多个受验者的各受验者的规定的多个脑区域对之间的脑活动的时间相关性的信息，所述计算处理系统包括协调化计算单元，所述协调化计算单元对所述多个受验者的各受验者的所述多个脑功能连接相关值进行校正，以去除所述测量地点的测定偏倚，从而将校正得到的调整值作为所述特征量保存到所述存储装置中。3.根据权利要求1或2所述的脑功能连接相关值的聚类装置，其中，所述通过机器学习生成识别器的处理是如下的集成学习：针对所述多个学习用子样本分别生成多个识别器子模型，对所述多个识别器子模型进行整合而生成所述识别器模型。4.根据权利要求1～3中的任一项所述的脑功能连接相关值的聚类装置，其中，所述属性以是规定的精神疾病这一诊断结果的标签来表现，所述聚类是通过基于数据驱动的机器学习来将所述第一受验者群分类到至少一个亚型簇的处理。5.根据权利要求1～4中的任一项所述的脑功能连接相关值的聚类装置，其中，所述运算装置在所述通过机器学习生成识别器时进行以下处理：i)将所述调整值分割为机器学习用的训练数据集和验证用的测试数据集；ii)对所述训练数据集执行规定数量的欠采样和下采样，来生成所述规定数量的学习用子样本；iii)针对每个所述学习用子样本生成识别器子模型；
iv)对所述识别器子模型的输出进行整合而生成针对所述属性的有无的识别器模型。6.根据权利要求1～4中的任一项所述的脑功能连接相关值的聚类装置，其中，所述通过机器学习生成识别器的处理是具有外侧的交叉验证和内侧的交叉验证的嵌套构造的交叉验证，所述运算装置在所述嵌套构造的交叉验证的处理中进行以下处理：i)将所述外侧的交叉验证设为K折交叉验证，来将所述调整值分割为机器学习用的训练数据集和验证用的测试数据集；ii)对所述训练数据集执行规定数量的欠采样和下采样，来生成所述规定数量的学习用子样本；iii)在所述K折交叉验证的各循环中，通过所述内侧的交叉验证调整超参数，来针对每个所述学习用子样本生成识别器子模型；iv)基于所述识别器子模型，来生成针对所述属性的有无的识别器模型。7.根据权利要求3所述的脑功能连接相关值的聚类装置，其中，所述通过机器学习生成识别器的处理是伴有特征量选择的机器学习法，在对用于所述聚类的特征量的选择中，根据在生成所述识别器子模型时属于所述并集的特征量被选择的频度的排序，来决定所述特征量的重要度。8.根据权利要求3所述的脑功能连接相关值的聚类装置，其中，所述通过机器学习生成识别器的处理是随机森林法，在对用于所述聚类的特征量的选择中，属于所述并集的特征量的重要度是在所述随机森林法中基于基尼不纯度针对各特征量计算出的重要度。9.根据权利要求3所述的脑功能连接相关值的聚类装置，其中，所述通过机器学习生成识别器的处理是基于L2正则化的机器学习法，在对用于所述聚类的特征量的选择中，根据基于通过L2正则化计算出的所述识别器子模型中的特征量的权重进行的排序，来决定属于所述并集的特征量的重要度。10.根据权利要求2所述的脑功能连接相关值的聚类装置，其中，所述存储装置针对在所述多个测量地点处共同地成为测量对象的多个旅行受验者，预先保存有对各所述旅行受验者的预先决定的多个脑区域测量脑活动所得到的结果，所述运算装置进行以下处理：对于各所述旅行受验者计算脑功能连接阵列的规定的元素，所述脑功能连接阵列表示所述多个脑区域对的脑活动的时间相关性；通过使用一般线性混合模型法，针对所述功能连接阵列的每个规定的元素计算所述测定偏倚，来作为各测量地点处的相对于涉及所述多个测量地点和所述多个旅行受验者的该元素的平均而言的固定效应。11.根据权利要求4所述的脑功能连接相关值的聚类装置，其中，所述运算装置基于对象者在除所述多个测量地点以外的测量地点被测量出的测量数据，来执行向所述亚型的分类处理。12.一种脑功能连接相关值的聚类系统，用于基于对象者的脑活动的测量结果，来在所述对象者中执行对具有至少一个规定的属性的所述对象者的聚类，所述脑功能连接相关值的聚类系统包括：
多个脑活动测量装置，所述多个脑活动测量装置分别设置于多个测量地点，以按时间序列测量多个受验者的脑活动，所述多个受验者包括具有所述规定的属性的第一受验者群和不具有所述规定的属性的第二受验者群；以及计算处理系统，其用于基于脑活动的测量值，来对所述多个受验者执行所述聚类的处理，所述计算处理系统包括存储装置和运算装置，所述运算装置构成为：i)针对所述多个受验者的各受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到所述存储装置中；ii)基于所述存储装置中所保存的所述特征量，以有监督学习来执行生成用于判别所述属性的有无的识别器模型的机器学习，所述运算装置在生成所述识别器模型的机器学习中进行以下处理：根据所述第一受验者群和所述第二受验者群，执行欠采样和下采样，从而生成多个学习用子样本；针对所述学习用子样本的各个学习用子样本，从在通过机器学习生成识别器时使用的特征量的并集中，根据属于所述并集的特征量的重要度，来选择用于聚类的特征量，所述运算装置还进行以下处理：基于所选择出的用于所述聚类的特征量，通过无监督学习的多重共聚类法对所述第一受验者群进行聚类，来生成簇的分类器。13.根据权利要求12所述的脑功能连接相关值的聚类系统，其中，所述计算处理系统从分别设置于多个测量地点的多个脑活动测量装置，接受表现所述多个受验者的各受验者的规定的多个脑区域对之间的脑活动的时间相关性的信息，所述计算处理系统包括协调化计算单元，所述协调化计算单元对所述多个受验者的各受验者的所述多个脑功能连接相关值进行校正，以去除所述测量地点的测定偏倚，从而将校正得到的调整值作为所述特征量保存到所述存储装置中。14.根据权利要求12或13所述的脑功能连接相关值的聚类系统，其中，所述属性以是规定的精神疾病这一诊断结果的标签来表现，所述聚类是通过基于数据驱动的机器学习来将所述第一受验者群分类到至少一个亚型簇的处理。15.一种脑功能连接相关值的聚类方法，用于由计算处理系统基于对象者的脑活动的测量结果，来在所述对象者中执...

【专利技术属性】
技术研发人员：柏木雄人，德田智矶，高原雄史，川人光男，山下步，山下宙人，酒井雄希，吉本润一郎，
申请(专利权)人：株式会社国际电气通信基础技术研究所，
类型：发明
国别省市：