JP2003536179A - ヒューリスティック分類方法 - Google Patents
ヒューリスティック分類方法Info
- Publication number
- JP2003536179A JP2003536179A JP2002503811A JP2002503811A JP2003536179A JP 2003536179 A JP2003536179 A JP 2003536179A JP 2002503811 A JP2002503811 A JP 2002503811A JP 2002503811 A JP2002503811 A JP 2002503811A JP 2003536179 A JP2003536179 A JP 2003536179A
- Authority
- JP
- Japan
- Prior art keywords
- data
- cluster
- data cluster
- vector
- objects
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/90—Fuzzy logic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/932—Mathematics, science, or engineering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Threshing Machine Elements (AREA)
- Image Analysis (AREA)
- Electrotherapy Devices (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Separation By Low-Temperature Treatments (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
Description
日付けの出願番号第60/212,404号明細書の優先権を主張する。前記明
細書の全体を参考のため、本明細書中に引用する。
値データの列またはテーブル、mRNAのDNAチップとのハイブリッド形成に
より検出された組織の細胞中の種々異なる遺伝子の発現レベル、または質量分析
により検出された試料中の種々異なるタンパク質の量、として表現可能な対象を
分析し、分類する方法に関する。より具体的には、本発明は、分類されるべき対
象のクラスの事前の分類例から成る学習データセットから、分類アルゴリズムを
生成し、検証する一般的な方法に関する。事前の分類例は、ドキュメントの場合
には読み取りにより、市場データの場合には過去の経験により、または生物学的
データの場合には病理学的試験により分類されている。この場合、分類アルゴリ
ズムは、事前に分類されていない例を分類するために使用することができる。こ
のようなアルゴリズムは総称的に、データマイニング技術と呼ばれる。より一般
に適用されるデータマイニング技術、例えば多変量線形回帰分析および非線形フ
ィード・フォワード・ニューラルネットワークは、固有の欠点を有する。すなわ
ちこのような技術は、一旦開発されると、静的となり、データ・ストリーム中の
新規事象を認識することはできない。最終結果として、新規事象はしばしば誤っ
て分類されることになる。本発明は、データ・ストリーム中の新規事象を認識で
きる適応型メカニズムを介して、上記欠点を解決することに関する。
ムとを用いる。遺伝的アルゴリズムは当初、John H. Holland教授によって説明
された(J.H. Holland著「自然および人為システムにおける適応(Adaptation in
Natural and Artificial Systems)」(MIT Press 1992)、米国特許第4,697
,242号明細書および同第4,881,178号明細書も参照のこと)。パタ
ーン認識のために遺伝的アルゴリズムを使用することは、Kozaに与えられた米国
特許第5,136,686号明細書に記載されている(第87欄参照)。
「自己組織化連想記憶(情報科学第8集)(Self Organizing and Associative M
emory, 8 Series in Information Sciences)」 Springer Verlag刊 1984年; Koh
onen T著 「自己組織化マッピング(Self-organizing Maps)」Springer Verlag刊
、ハイデルベルク1997年)。適応型パターン認識における自己組織化マッピング
の使用は、マサチューセッツ工科大学のRichard Lippman博士によって説明され
た。
アルゴリズムと学習アルゴリズムとから成る。これらの両アルゴリズムは分類方
法および学習方法を実現するのに用いられる。分類アルゴリズムのパラメータは
、学習アルゴリズムを訓練データセットまたは学習データセットに適用すること
により決定される。訓練データセットは、すでに分類されている各項目を有する
データセットである。以下の方法については、ディジタル・コンピュータとは無
関係に説明するが、本発明がコンピュータ・ソフトウェアとして実現するために
意図されたものであることは、当業者には明らかである。いかなる汎用コンピュ
ータを使用してもよく、この方法に従った計算が極度に大規模になることはない
。並行処理機能を有するコンピュータを本発明に用いることはできるが、このよ
うな処理能力は、本発明の学習アルゴリズムを実際に使用するのに際して必要で
はない。分類アルゴリズムが必要とするのは最小の計算量だけである。
に応じてオブジェクトを分類する。本発明におけるそれぞれのオブジェクトはデ
ータ・ストリームによって特徴付けされる。データ・ストリームは多数の、少な
くとも約100個のデータポイントから成り、10,000個以上のデータポイ
ントから成っていてもよい。同一オブジェクト・タイプの種々異なるサンプルか
ら成るデータ・ストリーム中の個々のデータが互いに相関可能になるように、デ
ータ・ストリームが生成される。
作の予測に関連する時点、および医療診断のための生物学的試料が挙げられる。
これらのオブジェクトの関連データ・ストリームは、テキスト内のトリグラム(
trigram)の分布、株式市場または商品取引市場の毎日の変化、精油所のような処
理施設における圧力、温度および流量の多数の読み取り値の瞬時の読み、および
、試料中に見出されるタンパク質下位集合の質量スペクトル、または、種々異な
る試験ポリヌクレオチドから成るアレイとのmRNAハイブリッド形成強度であ
る。
には2つまたは3つのカテゴリーのうちの1つにオブジェクトを分類したい場合
にはいつでも使用することができる。これらのオブジェクトは大量のデータ、例
えば典型的には数千のデータポイントと関連する。「オブジェクト(Objec
t)」という用語は本明細書中では、最初の字を大文字にして、これにより、オ
ブジェクトが本明細書中で特定の意味を有すること、すなわちオブジェクトが集
合的に有形の対象、例えば特定の試料、および無形の対象、例えば書込みまたは
テキストを意味し、全体的には抽象的な対象、例えば複合処理施設における不都
合な事象の発生前の瞬間または外国為替市場の動向を意味することを示す。
00個、より典型的には5〜30個)のデータポイントまたはスケーラから成る
順序付けされたセットを算出することである。このオブジェクト・ベクトルは、
分類しようとするオブジェクトと関連するデータ・ストリームから導き出される
。データ・ストリームをオブジェクト・ベクトルに変えることを「抽象化」と呼
ぶ。最も単純な抽象化プロセスは、データ・ストリームの多数のポイントを選択
することである。しかし原理的にはこの抽象化プロセスは、データ・ストリーム
のいかなる関連においても実施することができる。実施形態に示す下記の抽象化
は、データ・ストリームから少数の特定強度を選択することにより実現される。
クラスタがある場合には、これを判断することである。データ・クラスタは数学
的構造である。これらの数学的構造はベクトル空間内の、固定サイズの非オーバ
ラップ「超球」の多次元同等物である。それぞれのデータ・クラスタの場所およ
び関連分類または「ステータス」は、訓練データセットから学習アルゴリズムに
よって決定される。各データ・クラスタの範囲またはサイズ、および、ベクトル
空間の次元数は、学習アルゴリズムの動作に先立って、オペレータによるルーテ
ィン実行内容として設定される。ベクトルが既知のデータ・クラスタ内にある場
合には、オブジェクトはそのクラスタと関連する分類に入れられる。最も単純な
実施形態の場合、ベクトル空間の次元数は、抽象化プロセスで選択されたデータ
ポイントの数と等しい。しかしこれに代えて、データ・ストリームの複数のデー
タポイントを使用して、オブジェクト・ベクトルの各スケーラを算出することも
できる。オブジェクト・ベクトルが既知のクラスタの外部に位置している場合、
異型すなわち非定型サンプルから分類を形成することができる。
義付けは破棄され、第2のステップは、マッチ・パラメータρ=Σ(min(|
Ii|,|Wi|)/Σ(|Wi|)を算出することにより実行される。この場
合、Iiはオブジェクト・ベクトルのスケーラであり、Wiは、事前形成された
分類ベクトルのセントロイドのスケーラである。マッチ・パラメータρは、正規
化「ファジー」ANDとも呼ばれる。オブジェクトは次いで、この距離(metric
)によって最も類似する事前形成ベクトルの分類に応じて分類される。マッチ・
パラメータは、オブジェクト・ベクトルと事前形成ベクトルとが同一の場合には
1であり、他の全ての場合には1未満である。
組み合わせを利用することにより、抽象化プロセスの詳細とデータ・クラスタの
同一性との双方を判断する。ユーザがベクトル空間の次元数およびデータ・クラ
スタのサイズをプリセットするか、あるいは、その代りに「ファジーAND」マ
ッチ・パラメータρの最低許容レベルをプリセットする。本明細書中に用いられ
るように、「データ・クラスタ」という用語は、ユークリッド距離を用いる超球
、および、「ファジーAND」距離を用いる、分類された事前形成ベクトルの双
方を意味する。
間なので、各次元における強度の変化量は一定である。ユークリッド距離を用い
てこのように表現されたデータ・クラスタのサイズは、クラスタ内に位置するベ
クトル間の最小類似パーセント(minimum percent similarity)として表すこと
ができる。
るタイプの、公に利用可能な汎用ソフトウェア、つまり(1)データ・ストリー
ムの抽象化を制御する最適な論理染色体(注1)を識別するために、論理染色体
集合を処理する遺伝的アルゴリズム(J.H. Holland著「自然および人為システム
における適応(Adaptation in Natural and Artificial Systems)と、(2)論
理染色体によって生成されたあらゆるベクトル集合に基づいてデータ・クラスタ
集合を認識する、メリーランド州グリーンベルトのGroup One Softwareから入手
可能な適応型自己組織化パターン認識システム(T. Kohonen著「自己組織化連想
記憶(情報科学第8集)(Self Organizing and Associative Memory, 8 Series
in Information Sciences)」 Springer Verlag刊 1984年; Kohonen, T著 「自己
組織化マッピング(Self-organizing Maps)」ハイデルベルク、Springer Verlag
刊 1997年参照)とを組み合わせることにより、学習アルゴリズムを実行するこ
とができる。具体的には、適応型パターン認識ソフトウェアは、均質なデータ・
クラスタ、すなわち、唯1つの分類タイプを備えた学習セットのベクトルを含有
するクラスタ内に存在するベクトルの数を最大化する。(注1:「論理染色体」
という用語は遺伝的学習アルゴリズムと関連して使用される。なぜならば、アル
ゴリズムの論理動作は、再生、選択、組換えおよび変異と類似しているからであ
る。もちろん、DNAその他における論理染色体の生物学的な実施形態はない。
本発明の遺伝的学習アルゴリズムは純粋にコンピュータ・デバイスであり、生物
学に基づいた情報処理のためのスキームと混同してはならない。) 遺伝的アルゴリズムを使用するために、各論理染色体には「適応度(“fitnes
s”)」を割り当てなければならない。各論理染色体の適応度は、その染色体に
最適なデータ・クラスタ集合の均質なクラスタ内に存在する訓練データセット内
のベクトルの数によって決定される。このように、本発明の学習アルゴリズムは
、最適な論理染色体を識別するための遺伝的アルゴリズムと、最適なデータ・ク
ラスタ集合を生成し、均質なクラスタ内に存在するサンプル・ベクトルの数に基
づいて適応度を算出するための適応型パターン認識アルゴリズムとを組み合わせ
る。その極めて広範囲な実施形態では、本発明の学習アルゴリズムは、遺伝的ア
ルゴリズムと、パターン認識アルゴリズムと、パターン認識アルゴリズムの出力
の均質性を測定することにより遺伝的アルゴリズムを制御する適応度関数の利用
との組み合わせから成る。
数よりもはるかに多いことである。下記の例の分類アルゴリズムはオブジェクト
を2つのカテゴリーに、例えばドキュメントを該当ドキュメントと非該当ドキュ
メントとに選別するか、または、臨床試料を良性試料と悪性試料とに選別した。
しかしこれらの分類アルゴリズムは、分類を実施するために多数のデータ・クラ
スタを利用する。オブジェクトが時点の場合、分類アルゴリズムは、3つ以上の
カテゴリーを利用してよい。例えば、本発明が外国為替相場の予測子として使用
される場合、上昇、下落および上昇・下落が混ざった見通しに対応する三部から
成るスキームが妥当である。さらにこのような三部から成る分類アルゴリズムは
、4つ以上のデータ・クラスタを有することが期待されることになる。
とにより、分類アルゴリズムを作成しなければならない。あらゆるヒューリステ
ィックな方法と同様に、ある特定のルーティン試行が必要となる。学習アルゴリ
ズムを採用するために、ルーティン実行者は訓練データセットを使用し、2つの
パラメータと、次元数と、データ・クラスタのサイズとを試験的に最適化しなけ
ればならない。
アルゴリズム自体が各実行中に次元数を本質的に制限する。次元数が過度に少な
いかまたはクラスタのサイズが過度に大きいと、学習アルゴリズムは、許容可能
な均質性レベルで全てのサンプルを正確に分類する論理染色体を生成しそこなう
。逆に言えば、次元数が多すぎることもあり得る。この環境下では、学習アルゴ
リズムは、学習プロセスの早期に最大限可能な適応度を有する多くの論理染色体
を発生させ、したがって、実りのない選択しか行えない。同様に、データ・クラ
スタのサイズが余りにも小さいと、クラスタの数は訓練データセット内のサンプ
ルの数に近似するのが判り、また、やはりこの場合もルーティン実行者は、多数
の論理染色体が、完全に均質なデータ・クラスタから成る集合をもたらすことを
見出すことになる。
ズとを選択する際の一般的な指針を示したが、留意しなければならないのは、分
類アルゴリズムの値の真のテストは、訓練データセット内のデータ・ストリーム
とは無関係なデータ・ストリームを正確に分類する分類アルゴリズムの能力のテ
ストである、という点である。したがって、学習データセットの一部を保存して
、分類アルゴリズムが所期の目的を達成するために許容可能な誤差率で機能して
いることを検証しなければならないことは、ルーティン実行者には明らかである
。本発明のコンポーネントは、以下により詳細に説明される。
題の性質に依存する。一般原理を以下の例によって示す。
ントのための方法を提供する。例えば、個別に調べるには余りにも大型の多数の
ドキュメントから成るデータベースから、該当するドキュメントを抽出したい場
合がある。このような環境に対して、本発明は、コンピュータ化されたアルゴリ
ズムを提供することにより、該当するドキュメントを含んでいる可能性の最も高
いデータベースの部分集合を識別する。それぞれのドキュメントはオブジェクト
であり、それぞれのドキュメントに対応するデータ・ストリームはヒストグラム
から成っている。このヒストグラムは、スペースと句読点とを取り除いた後でド
キュメントに見出される17576(263)個の三つの文字の組み合わせ(ト
リグラム)のそれぞれの頻度を表す。あるいは、ドキュメントから母音をさらに
取り除いた後で、子音から成る9261個のトリグラムのヒストグラムを用意す
ることもできる。訓練データセットは、ユーザの必要に応じて、「該当」または
「非該当」と分類された適切なドキュメントのサンプルから成っている。
るように、金融市場が外部事象に応答し、一貫して相互に関連しあうことは自明
である。しかし個々の事象に対する応答の方向および範囲は、予測することが困
難な場合がある。1つの実施形態では、本発明は、1つの市場の相場の動向に基
づいて、別の市場の相場をアルゴリズムのコンピュータ化により予測することを
可能にする。それぞれの時点、例えば時間単位のインターバルがオブジェクトで
あり、時間に関するデータ・ストリームは、関係各国の主要株式市場、例えばポ
ンドおよびドルの為替レートについてはニューヨークおよびロンドンの株式市場
、において取引された株価の変動のヒストグラムから成っている。訓練データセ
ットは、ドル:ポンド為替レートの上昇または下落に先行するものとして分類さ
れた株価変動のような履歴記録から成っている。
おいては、圧力、温度、流量、多数の弁および他の制御装置の状態(集合的に「
状態値」と呼ぶ)がコンスタントに監視され、記録される。切迫した不都合な事
象を、この事象が破滅的な故障とならないうちに検出することが必要である。本
発明はコンピュータ化されたアルゴリズムを提供することにより、ハイリスク時
点または通常リスク時点として各時点を分類する。データ・ストリームは各時点
に対応する状態値から成っている。訓練データセットは、不都合な事象に先行す
るものとして、または通常動作に先行するものとして分類された状態値の履歴記
録から成っている。
析に用いることができる。データ・ストリームは、組織試料のいかなる再現可能
な物理的分析であってもよく、これらの分析は、少くとも千分の一(3つの有効
数字)に定量可能な2,000個以上の測定値をもたらす。本発明の実施には、
タンパク質の飛行時間質量スペクトルが特に適している。より具体的には、マト
リックス支援レーザー脱離イオン化飛行時間型(MALDI−TOF)分光法お
よび表面増強レーザー脱離イオン化飛行時間型(SELDI−TOF)分光法が
適している。国際公開第00/49410号パンフレットを全体的に参照された
い。
って本質的に順序づけられているというものではない任意の順序を有する測定値
も含むことができる。このように、組織試料が生検標本である場合、データ・ス
トリーム中の個々の遺伝子の順序が任意であることを認識した上で、2,000
個以上の遺伝子の発現レベルを同時に測定するDNAマイクロアレイ・データを
データ・ストリームとして使用することができる。
に困難であるような特定の疾患に対して特に有益となる。このような疾患は、病
的組織の代謝活性により血清中で検出可能な差異を生成すると考えられる。悪性
腫瘍の早期診断は、本発明の使用の主な焦点となるものである。実施例により、
前立腺悪性腫瘍の診断を示す。卵巣癌の診断のためにも同様の試みが実施された
。
合診断のために分析することができる。このような複合診断にかかる付加的なコ
ストは僅かである。なぜならば、それぞれの診断にとって特異的なステップはコ
ンピュータ処理だけで済むからである。
ベクトルに変換または抽象化することである。データは、すべてのピークに1.
0の値を割り当て、他の全ての点には所与の小数を割り当てることにより、抽象
化に先立って正規化すると有用である。データ・ストリームの最も単純な抽象化
は、少数のデータポイントの選択から成る。当業者には明らかなように、インタ
ーバル全体にわたる平均、または、選択された代表データポイントから所定の距
離だけ離れているデータポイント相互間のより複雑な和または差のような、複数
の点のより複雑な関数を構築することもできる。データ・ストリームの強度値の
このような関数も使用することができ、実施例において示す単純な抽象化と同等
に機能することが予想される。
により行われる抽象化が本発明において機能を発揮できるかどうかを、ルーティ
ン試行により判断することができる。従って実施例のルーティンで利用可能な変
更は本発明の範囲内にある。
定するために、遺伝的アルゴリズムを使用することである。専門技術用語と調和
させて、選択されるべき特定のポイントのリストを論理染色体と呼ぶ。論理染色
体は、固有ベクトルの次元の数の「遺伝子」を含有する。妥当な数のデータポイ
ントから成るいかなる集合も論理染色体であり得る。ただしこの場合、重複する
染色体の遺伝子がないことだけが条件となる。遺伝子の順序は本発明にとって重
要ではない。
使用することができる。固定サイズの不連続要素から成るセットまたはストリン
グによって、問題に対する特定の解決策が表現可能でなければならない。これら
の要素は数字または文字であってよい。さらなる解決策をもたらすために、スト
リングを組み換えることができる。また各解決策の相対的な長所を示す数値、お
よびその適応度を算出できなければならない。このような条件下では、遺伝的ア
ルゴリズムの詳細は、解決が求められている問題とは無関係である。従って、本
発明の場合、汎用の遺伝的アルゴリズム・ソフトウェアを採用することができる
。アルゴンヌ国立研究所から入手可能なPGAPackライブラリのアルゴリズ
ムが適している。特定の論理染色体の適応度の算出について、以下に説明する。
。これらのドキュメントを、46個のドキュメントから成る訓練セットと、54
個のドキュメントから成る試験セットとにランダムに分割した。これらのドキュ
メントは、一般教書集と、書籍「戦争の技術(The Art of War)」からの抜粋と
、フィナンシャル・タイムズの記事とから成るものであった。それぞれのドキュ
メントに対応するトリグラムの分布を算出した。25個の次元を有するベクトル
空間を選択し、それぞれの次元のデータ・クラスタのサイズを、これがその次元
における値の範囲の0.35倍となるように選択した。遺伝的アルゴリズムを、
約1,500個のランダムに選択された論理染色体で初期化した。アルゴリズム
が進行するのに伴い、より適応性の高い論理染色体は複製され、より適応性の低
い論理染色体は終了される。染色体間で組換えが行われ、突然変異が生じる。こ
の突然変異は、染色体の要素のランダムな置き換えによって発生する。論理染色
体の最初に選択された集まりがランダムであることは、本発明の重要な特徴では
ない。極めて高い可変性を有するデータポイントを識別するためにデータ・スト
リームの全体集合を予め選別することは有用であるが、しかしこのような技術は
、望ましくない初期化の傾向を招いてしまうおそれがある。当業者には明らかな
ように、染色体初期集合、突然変異率、および遺伝的アルゴリズムのための他の
境界条件は、遺伝的アルゴリズムの機能にとって重大ではない。
が算出される。適応度スコアの算出には、それぞれの被験論理染色体毎に、最適
なデータ・クラスタ集合が生成されることが必要になる。データ・クラスタは単
に、訓練データセットのオブジェクト・ベクトルが内部に存在するベクトル空間
の体積である。最適なデータ・クラスタ集合の生成法は、本発明にとって重大で
はなく、後で考察する。しかし、データ・クラスタ・マッピングを生成するのに
どのような方法を使用するのであれ、マッピングは以下の規則によって制約され
る。すなわち、各データ・クラスタはそのデータ・クラスタ内に位置するデータ
ポイントのセントロイドに配置されるべきであり、2つのデータ・クラスタがオ
ーバラップしてはならず、正規化ベクトル空間内の各クラスタの次元が、マッピ
ングの生成に先立って固定される、という規則によって制約される。
サイズを過度に大きく設定すると、染色体が訓練集合を首尾よく分類することが
できなくなる。逆に、サイズを過度に小さく設定すると、結果として生じた最適
データ・クラスタから成る集合内で、クラスタの数が訓練集合内のデータポイン
トの数に近似する。より重要なのは、過度に小さなデータ・クラスタのサイズを
設定すると、以下に述べる「過剰適応(“overfitting”)」を招く。
部である。クラスタのサイズは、データ・クラスタのあらゆる2つの構成要素の
間のユークリッド距離(平方和の平方根)に相当する最大値によって定義付けす
ることができる。データ・ストリームがSELDI−TOF質量分析によって生
成される場合、本発明には、90%の類似率に相応するデータ・クラスタのサイ
ズが好ましい。テキストの分類には、大きめのデータ・クラスタが有用であるこ
とが判っている。数学的には、90%の類似率は、クラスタのあらゆる2つの構
成要素間の距離が、正規化ベクトル空間内の2つのポイント相互間の最大距離の
0.1未満であることを要求することにより定義付けされる。この算出に際して
、ベクトル空間は、訓練データセット内のベクトルの各スカラーの範囲が0.0
〜1.0となるように正規化される。こうして正規化された、ベクトル空間内の
あらゆる2つのベクトル間の最大限生じ得る距離はルートNとなる。この場合N
は次元数である。各クラスタのユークリッド直径は0.1xルート(N)となる
。
は、算出を簡単にするために選択したものである。それぞれの次元を所定の範囲
に合わせるのではなく、各次元が等しい分散を有するようにスケーリングするこ
とにより、別の正規化を達成することもできる。非ユークリッド距離、例えばベ
クトル積距離を使用することができる。
布または非正規分布された対数である場合、データ・ストリームは、対数の形に
変換されてよい。
に対応する適応度スコアを算出することができる。本発明の場合、染色体の適応
度スコアは、均質なクラスタ内、すなわち、単一分類を有するサンプルからの固
有ベクトルを含むクラスタ内、に存在する訓練データセットのベクトルの数に概
ね相当する。より正確に述べるなら、適応度スコアは、それぞれのクラスタに均
質性スコアを割り当てることにより算出される。均質性スコアは、均質なクラス
タに対応する0.0から、等しい数の悪性および良性の試料ベクトルを含有する
クラスタに対応する0.5まで変化する。0.0の適応度スコアは最も適応度が
高い。論理染色体はより多くのデータ・クラスタを生成する傾向がある。すなわ
ち、2つの論理染色体がデータの割り当てにおいて同数のエラーを有する場合、
論理染色体がより多数のクラスタを生成すると、平均均質性スコアは低くなり、
ひいては適応度スコアがより良好になる。
与えられており、その一つが「Lead Cluster Map」であり、こ
れは、メリーランド州グリーンベルトのGroup One Software
からModel1として入手可能な汎用ソフトウェアによって実行することがで
きる。
クリッド距離を利用する。「距離(メトリック)」とは、ベクトル空間内の距離
を測定する方法を意味する。本発明の別の距離は、上で定義付けしたような、正
規化された「ファジーAND」に基づくことができる。「ファジーAND」に基
づいて適応型パターン認識アルゴリズムを実行するソフトウェアは、Fuzzy
ARTMAPの名でボストン大学から入手可能である。
中に割り当てても、そのこと自体は、分類アルゴリズムが許容可能な精度で効果
的に動作している証拠にはならない。従って、学習アルゴリズムによって生成さ
れた分類アルゴリズムの値は、訓練データセット以外のデータセットを選別する
分類アルゴリズムの能力によって試験されなければならない。学習アルゴリズム
によって生成された分類アルゴリズムが訓練データセットを首尾よく割り当てる
ものの、試験データセットを不十分にしか割り当てない場合、訓練データは、学
習アルゴリズムによって過剰適応させられたと言われる。過剰適応は、次元数が
過度に多い場合、および/または、データ・クラスタのサイズが過度に小さい場
合に生じる。
の専門分野にとって重要である。これらの専門分野には、法曹界、医学界、情報
学会が含まれる。ブール代数に基づくサーチおよび検索法は、テキスト素材の現
在の生成量の厳しさに直面すると不充分であることが判っている。さらにブール
サーチは概念的な情報を捕捉しない。
かして抽出することが示唆されてきた。このような方法の1つには、トリグラム
の集団および記録されたこれらトリグラムの発生頻度としてドキュメントをコー
ド化することがある。トリグラムはAFV,KLF,OIDなどのようなあらゆ
る3つの文字の集まりである。従って263個のトリグラムがある。余白および
句読点は含まれない。ドキュメントは、そのドキュメントから流れるテキストの
始まりからスタートする特定のトリグラム集合に細分化されたものとして表すこ
とができる。そのドキュメントから結果として生じるトリグラム集合およびトリ
グラムの頻度には特徴がある。集合内のドキュメントが互いに同じトリグラム集
合および頻度を有する場合、これらのドキュメントは、同じ話題に関すると思わ
れる。このことは、トリグラムの特定の部分集合だけが試験されカウントされる
場合に特に当てはまる。問題は、どのトリアグラム集合が概念を記述しているか
である。本発明による学習アルゴリズムはこの問題に答えることができる。
100個の英語ドキュメントのコーパスをコンパイルした。このコーパスを訓練
コーパスと試験コーパスとに、ランダムに細分化した。全てのドキュメントに0
または1の値を割り当てた。この場合、0は不所望を示し、1は所望を示す。学
習アルゴリズムはトリグラム集合を通してサーチし、2つのドキュメントクラス
を分離するトリグラム集合を識別した。結果として生じたモデルは、空間内に許
容される最大距離の0.35倍で設定された決定境界と共に25個の次元内にあ
った。分類アルゴリズムは、利用可能な17,576個のトリグラムのうちの2
5個しか利用しない。試験結果を表に示す。
ゴリズムの結果は水平に読む。
うち24個を正確に識別し、該当しない26個のドキュメントのうちの22個を
正確に選別して除外するかまたは拒絶した。
(MS)を使用して前立腺癌のための分類を行うのに、上述の学習アルゴリズム
を採用した。これらの試料のうち30個の試料は、生検により前立腺癌と診断さ
れており、4.0ng/mlを上回る前立腺血清抗原(PSA)レベルを有して
おり、25個の正常な試料は1ng/ml未満のPSAレベルを有している。7
個の分子量値を選択することにより、MSデータを抽象化した。
スタ・マッピングを生成した。クラスタ・マッピングは34個のクラスタ、つま
り17個の良性クラスタと18個の悪性クラスタとを含有した。表1は、マッピ
ングのそれぞれのデータ・クラスタの場所と、各クラスタに割り当てられた訓練
セットのサンプルの数とを示す。
リズムを試験した。種々の臨床診断および病理学的診断を有する患者から採取し
た6組の試料を使用した。病理学的・臨床的記述およびアルゴリズムの結果は次
の通りであった:1) PSA>4ng/mlを有し、生検で癌であると判って
いる24人の患者のうち、22人が疾患データ・クラスタに位置し、2人はどの
クラスタにも位置しなかった;2) 6人の正常者は全て健康クラスタに位置し
た;3) 良性前立腺肥大(BPH)または前立腺炎を患い、PSA<4ng/
mlを有する39人のうち、7人は疾患データ・クラスタに位置し、健康データ
・クラスタに位置する者はおらず、32人がどのデータ・クラスタにも位置しな
かった;4) BPHまたは前立腺炎を患い、4<PSA<10ng/mlを有
する139人の患者のうち、42人が疾患データ・クラスタに位置し、2人が健
康データ・クラスタに位置し、95人がどのデータ・クラスタにも位置しなかっ
た;5) BPHまたは前立腺炎を患い、PSA>10ng/mlを有する19
人のうち、9人が疾患データ・クラスタに位置し、健康データ・クラスタに位置
する者はおらず、10人がどのデータ・クラスタにも位置しなかった。生検で悪
性腫瘍であることが判っており、PSA>10ng/mlを有する患者から、前
立腺摘除の前後に試料を採取することにより、第6のデータセットを作成した。
予想通り、手術前の7つの試料のそれぞれは疾患データセットに割り当てられた
。しかし、手術の6週間後、PSAレベルが1ng/ml未満に低下した時点で
採取されたサンプルは、いかなるデータセットにも割り当てることができなかっ
た。
生検により良性と診断された患者の潜伏癌の率が約30%であることを思い出さ
なければならない。従って、高PSAを有するがしかし癌の組織診断は下されて
いない患者の18%〜47%が悪性であるという所見は、悪性腫瘍の存在の正確
な予測を裏付けている。
Claims (23)
- 【請求項1】 予め分類された複数のデータ・クラスタを有するベクトル空
間を用いてオブジェクトを分類する方法であって、該方法が、 a. オブジェクトを記述するデータ・ストリームを入力するステップと、 b. 前記データ・ストリームを特徴付けするオブジェクト・ベクトルを算出
するために、前記データ・ストリームを抽象化するステップと、 c. 前記オブジェクト・ベクトルが内部に存在するデータ・クラスタがもし
あるならばそのデータ・クラスタを識別するステップと、 d. 前記オブジェクトに、認識された前記データ・クラスタのステータスを
割り当てるか、または、もしクラスタが認識されなければ、前記オブジェクトに
非定型のステータスを割り当てるステップと から成ることを特徴とする、オブジェクトを分類する方法。 - 【請求項2】 前記抽象化が、前記データ・ストリームから5〜25個のデ
ータポイントを選択することから成るプロセスにより実施される、請求項1に記
載の方法。 - 【請求項3】 前記識別が、データ・クラスタのセントロイドと、オブジェ
クト・ベクトルとの間のユークリッド距離を算出することから成るプロセスによ
って実施される、請求項1に記載の方法。 - 【請求項4】 前記識別が、前記オブジェクト・ベクトルの正規化ベクトル
積を算出し、データ・クラスタのセントロイドを表すことから成るプロセスによ
って実施される、請求項1に記載の方法。 - 【請求項5】 各データ・クラスタが、2つのステータス条件のうちの一方
を有するものとして予め分類される、請求項1に記載の方法。 - 【請求項6】 各データ・クラスタが、3つのステータス条件のうちの1つ
を有するものとして予め分類される、請求項1に記載の方法。 - 【請求項7】 前記データ・ストリームが、1,000〜20,000個の
データポイントから成る、請求項1に記載の方法。 - 【請求項8】 前記データ・ストリームの長さが少くとも1,000個のデ
ータポイントから成る、請求項1に記載の方法。 - 【請求項9】 それぞれがデータ・ストリームと関連する予め分類されたオ
ブジェクトの集合を使用することにより、分類アルゴリズムを構築する方法であ
って、前記アルゴリズムが、固定数の次元のベクトル空間内で所定の広がりを有
する複数のデータ・クラスタを有することを特徴とする方法において、前記方法
が、 a. 予め分類されたオブジェクトと関連する前記データ・ストリームの集合
を提供するステップと、 b. 前記データ・ストリームの所定数のポイントの場所を特定する論理染色
体の初期集合を選択するステップと、 c. 各染色体を使用して、前記データ・ストリーム集合の各構成要素毎にオ
ブジェクト・ベクトルを算出するステップと、 d. 同一分類のオブジェクトベクトルだけを含むデータ・クラスタに存在す
るオブジェクトベクトルの数が最大となる所定の広がりであって、前記ベクトル
の数が増えれば増えるほど、前記論理染色体の適応度が増える所定の広がりを有
する多数の非オーバラップデータクラスタの、ベクトル空間における位置を見出
すことによって、各染色体の適応度を決定するステップと、 e. 前記ステップ(c)および(d)を繰り返し、適応度の低い論理染色体
を終結させ、適応度の高い論理染色体を複製し、前記染色体の組換えおよびラン
ダムな改変を行うことから成る反復プロセスによって、前記論理染色体の集合を
最適化するステップと、 f. 前記反復プロセスを終結し、最適化された均質な非オーバラップ・デー
タ・クラスタ集合を可能にする論理染色体を選択するステップであって、前記最
適均質集合のそれぞれのクラスタの属性ステータスが、前記データ・クラスタ内
に存在する前記オブジェクト・ベクトルの分類であるステップと、 g. 前記選択された論理染色体を使用して未知のオブジェクト・ベクトルを
算出するプロセスと、前記未知のオブジェクト・ベクトルが内部に存在する最適
化された均質な非オーバラップ・データ・クラスタ集合のデータ・クラスタの属
性ステータスに応じて、前記未知のオブジェクトを分類するプロセスとを含むプ
ロセスによって、未知のオブジェクトを分類する分類アルゴリズムを構築するス
テップとを備える方法。 - 【請求項10】 前記次元の固定数が5〜25である、請求項9に記載の方
法。 - 【請求項11】 前記予め分類されたオブジェクトの数が20〜200であ
る、請求項9に記載の方法。 - 【請求項12】 前記論理染色体の初期集合がランダムに選択される、請求
項9に記載の方法。 - 【請求項13】 前記論理染色体の初期集合が、100〜2,000個の論
理染色体から成る、請求項9に記載の方法。 - 【請求項14】 各データ・クラスタの広がりが等しい、請求項9に記載の
方法。 - 【請求項15】 各データ・クラスタの広がりがユークリッド距離によって
決定される、請求項9に記載の方法。 - 【請求項16】 一つの次元における各データ・クラスタの広がりが、その
次元におけるオブジェクト・ベクトルの範囲の所定の部分である、請求項15に
記載の方法。 - 【請求項17】 各データ・クラスタの広がりを決定する距離が、そのデー
タ・クラスタの特性を示すベクトルを伴うファジーANDマッチ・パラメータの
関数である、請求項9に記載の方法。 - 【請求項18】 前記最適均質集合の各データ・クラスタの位置が、そのデ
ータ・クラスタ内に存在する予め分類されたオブジェクトのオブジェクト・ベク
トルのセントロイドである、請求項9に記載の方法。 - 【請求項19】 前記最適均質集合の各データ・クラスタの位置が、そのデ
ータ・クラスタ内に存在する予め分類されたオブジェクトのオブジェクト・ベク
トルのセントロイドである、請求項9に記載の方法。 - 【請求項20】 前記最適均質集合の各データ・クラスタの位置が、そのデ
ータ・クラスタ内に存在する予め分類されたオブジェクトのオブジェクト・ベク
トルのセントロイドである、請求項9に記載の方法。 - 【請求項21】 汎用ディジタル・コンピュータのためのソフトウェア製品
であって、該製品を、請求項1または請求項9に記載の方法を実施するために使
用することができるという指示を伴うことを特徴とする、汎用ディジタル・コン
ピュータのためのソフトウェア製品。 - 【請求項22】 ソフトウェア製品であって、該製品が、請求項1または請
求項9に記載の方法を汎用ディジタル・コンピュータで実施するか、または実施
させることを特徴とする、ソフトウェア製品。 - 【請求項23】 汎用ディジタル・コンピュータであって、請求項1または
請求項9に記載の方法を実施するようにまたは実施させるようにプログラミング
されることを特徴とする、汎用ディジタル・コンピュータ。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US21240400P | 2000-06-19 | 2000-06-19 | |
US60/212,404 | 2000-06-19 | ||
PCT/US2001/019376 WO2001099043A1 (en) | 2000-06-19 | 2001-06-19 | Heuristic method of classification |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003536179A true JP2003536179A (ja) | 2003-12-02 |
JP2003536179A5 JP2003536179A5 (ja) | 2006-08-17 |
Family
ID=22790864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002503811A Pending JP2003536179A (ja) | 2000-06-19 | 2001-06-19 | ヒューリスティック分類方法 |
Country Status (19)
Country | Link |
---|---|
US (3) | US7096206B2 (ja) |
EP (1) | EP1292912B1 (ja) |
JP (1) | JP2003536179A (ja) |
KR (2) | KR20030051435A (ja) |
CN (2) | CN1249620C (ja) |
AT (1) | ATE406627T1 (ja) |
AU (1) | AU2001269877A1 (ja) |
BR (1) | BR0111742A (ja) |
CA (1) | CA2411906A1 (ja) |
DE (1) | DE60135549D1 (ja) |
EA (1) | EA006272B1 (ja) |
HK (1) | HK1059494A1 (ja) |
IL (1) | IL153189A0 (ja) |
MX (1) | MXPA02012167A (ja) |
NO (1) | NO20026087L (ja) |
NZ (1) | NZ522859A (ja) |
SG (1) | SG143055A1 (ja) |
WO (1) | WO2001099043A1 (ja) |
ZA (1) | ZA200209845B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011238019A (ja) * | 2010-05-11 | 2011-11-24 | Yahoo Japan Corp | カテゴリ処理装置及び方法 |
Families Citing this family (78)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6993186B1 (en) * | 1997-12-29 | 2006-01-31 | Glickman Jeff B | Energy minimization for classification, pattern recognition, sensor fusion, data compression, network reconstruction and signal processing |
JP2003535594A (ja) * | 2000-06-02 | 2003-12-02 | ラージ スケール プロテオミクス コーポレーション | 医薬および関連の毒性についてのタンパク質マーカー |
WO2001099043A1 (en) | 2000-06-19 | 2001-12-27 | Correlogic Systems, Inc. | Heuristic method of classification |
KR101054732B1 (ko) * | 2000-07-18 | 2011-08-05 | 더 유나이티드 스테이츠 오브 아메리카 애즈 리프리젠티드 바이 더 세크레터리 오브 더 디파트먼트 오브 헬쓰 앤드 휴먼 써비시즈 | 생물학적 데이터의 숨겨진 패턴에 근거한 생물학적 상태의 식별 방법 |
US6980674B2 (en) * | 2000-09-01 | 2005-12-27 | Large Scale Proteomics Corp. | Reference database |
US6539102B1 (en) * | 2000-09-01 | 2003-03-25 | Large Scale Proteomics | Reference database |
CA2429633A1 (en) * | 2000-11-16 | 2002-05-30 | Ciphergen Biosystems, Inc. | Method for analyzing mass spectra |
US20030009293A1 (en) * | 2001-01-09 | 2003-01-09 | Anderson Norman G. | Reference database |
AU2003214724B2 (en) * | 2002-03-15 | 2010-04-01 | Pacific Edge Biotechnology Limited | Medical applications of adaptive learning systems using gene expression data |
US7756804B2 (en) * | 2002-05-10 | 2010-07-13 | Oracle International Corporation | Automated model building and evaluation for data mining system |
AU2003268031A1 (en) * | 2002-07-29 | 2004-02-16 | Correlogic Systems, Inc. | Quality assurance/quality control for electrospray ionization processes |
US7337154B2 (en) * | 2003-05-19 | 2008-02-26 | Raytheon Company | Method for solving the binary minimization problem and a variant thereof |
US7321364B2 (en) * | 2003-05-19 | 2008-01-22 | Raytheon Company | Automated translation of high order complex geometry from a CAD model into a surface based combinatorial geometry format |
AU2004261222A1 (en) * | 2003-08-01 | 2005-02-10 | Correlogic Systems, Inc. | Multiple high-resolution serum proteomic features for ovarian cancer detection |
US7761239B2 (en) * | 2003-12-11 | 2010-07-20 | Correlogic Systems, Inc. | Method of diagnosing biological states through the use of a centralized, adaptive model, and remote sample processing |
EP1716514A2 (en) * | 2004-02-10 | 2006-11-02 | Koninklijke Philips Electronics N.V. | Genetic algorithms for optimization of genomics-based medical diagnostic tests |
US20050209785A1 (en) * | 2004-02-27 | 2005-09-22 | Wells Martin D | Systems and methods for disease diagnosis |
TW200532523A (en) * | 2004-02-27 | 2005-10-01 | Aureon Biosciences Corp | Methods and systems for predicting occurrence of an event |
US20050198182A1 (en) * | 2004-03-02 | 2005-09-08 | Prakash Vipul V. | Method and apparatus to use a genetic algorithm to generate an improved statistical model |
US7733339B2 (en) * | 2004-05-04 | 2010-06-08 | Raytheon Company | System and method for partitioning CAD models of parts into simpler sub-parts for analysis of physical characteristics of the parts |
US8527442B2 (en) * | 2004-05-14 | 2013-09-03 | Lawrence Fu | Method for predicting citation counts |
US8275772B2 (en) * | 2004-05-14 | 2012-09-25 | Yin Aphinyanaphongs | Content and quality assessment method and apparatus for quality searching |
US7379939B2 (en) * | 2004-06-30 | 2008-05-27 | International Business Machines Corporation | Methods for dynamic classification of data in evolving data stream |
US20060036566A1 (en) * | 2004-08-12 | 2006-02-16 | Simske Steven J | Index extraction from documents |
US8805803B2 (en) * | 2004-08-12 | 2014-08-12 | Hewlett-Packard Development Company, L.P. | Index extraction from documents |
US7545986B2 (en) * | 2004-09-16 | 2009-06-09 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive resampling classifier method and apparatus |
WO2007053170A2 (en) * | 2005-02-09 | 2007-05-10 | Correlogic Systems, Inc. | Identification of bacteria and spores |
US7370039B2 (en) * | 2005-04-05 | 2008-05-06 | International Business Machines Corporation | Method and system for optimizing configuration classification of software |
US20080312514A1 (en) * | 2005-05-12 | 2008-12-18 | Mansfield Brian C | Serum Patterns Predictive of Breast Cancer |
US20080234944A1 (en) * | 2005-07-21 | 2008-09-25 | Koninklijke Philips Electronics, N.V. | Method and Apparatus for Subset Selection with Preference Maximization |
US20080228405A1 (en) | 2005-08-05 | 2008-09-18 | Koninklijke Philips Electronics, N.V. | Search Space Coverage With Dynamic Gene Distribution |
US20080133550A1 (en) * | 2005-08-15 | 2008-06-05 | The University Of Southern California | Method and system for integrated asset management utilizing multi-level modeling of oil field assets |
GB2430772A (en) * | 2005-10-01 | 2007-04-04 | Knowledge Support Systems Ltd | User interface method and apparatus |
US7539653B2 (en) * | 2005-10-07 | 2009-05-26 | Xerox Corporation | Document clustering |
US7853869B2 (en) * | 2005-12-14 | 2010-12-14 | Microsoft Corporation | Creation of semantic objects for providing logical structure to markup language representations of documents |
US7736905B2 (en) * | 2006-03-31 | 2010-06-15 | Biodesix, Inc. | Method and system for determining whether a drug will be effective on a patient with a disease |
US7478075B2 (en) * | 2006-04-11 | 2009-01-13 | Sun Microsystems, Inc. | Reducing the size of a training set for classification |
US20070260568A1 (en) * | 2006-04-21 | 2007-11-08 | International Business Machines Corporation | System and method of mining time-changing data streams using a dynamic rule classifier having low granularity |
US20080163824A1 (en) * | 2006-09-01 | 2008-07-10 | Innovative Dairy Products Pty Ltd, An Australian Company, Acn 098 382 784 | Whole genome based genetic evaluation and selection process |
US9353415B2 (en) * | 2006-12-19 | 2016-05-31 | Thomson Reuters (Scientific) Llc | Methods for functional analysis of high-throughput experimental data and gene groups identified therefrom |
WO2008100941A2 (en) * | 2007-02-12 | 2008-08-21 | Correlogic Systems Inc. | A method for calibrating an analytical instrument |
US20080208646A1 (en) * | 2007-02-28 | 2008-08-28 | Thompson Ralph E | Method for increasing productivity and safety in the mining and heavy construction industries |
EP2145180B1 (en) * | 2007-04-13 | 2013-12-04 | Sequenom, Inc. | Comparative sequence analysis processes and systems |
MY150234A (en) | 2007-06-29 | 2013-12-31 | Ahn Gook Pharmaceutical Company Ltd | Predictive markers for ovarian cancer |
US8046322B2 (en) * | 2007-08-07 | 2011-10-25 | The Boeing Company | Methods and framework for constraint-based activity mining (CMAP) |
US20090049856A1 (en) * | 2007-08-20 | 2009-02-26 | Honeywell International Inc. | Working fluid of a blend of 1,1,1,3,3-pentafluoropane, 1,1,1,2,3,3-hexafluoropropane, and 1,1,1,2-tetrafluoroethane and method and apparatus for using |
US8185298B2 (en) * | 2007-10-17 | 2012-05-22 | Lockheed Martin Corporation | Hybrid heuristic national airspace flight path optimization |
US20090112645A1 (en) * | 2007-10-25 | 2009-04-30 | Lockheed Martin Corporation | Multi objective national airspace collaborative optimization |
US8311960B1 (en) * | 2009-03-31 | 2012-11-13 | Emc Corporation | Interactive semi-supervised machine learning for classification |
US10475529B2 (en) | 2011-07-19 | 2019-11-12 | Optiscan Biomedical Corporation | Method and apparatus for analyte measurements using calibration sets |
US8583571B2 (en) * | 2009-07-30 | 2013-11-12 | Marchex, Inc. | Facility for reconciliation of business records using genetic algorithms |
US8139822B2 (en) * | 2009-08-28 | 2012-03-20 | Allen Joseph Selner | Designation of a characteristic of a physical capability by motion analysis, systems and methods |
US8370386B1 (en) | 2009-11-03 | 2013-02-05 | The Boeing Company | Methods and systems for template driven data mining task editing |
US9009156B1 (en) * | 2009-11-10 | 2015-04-14 | Hrl Laboratories, Llc | System for automatic data clustering utilizing bio-inspired computing models |
KR101139913B1 (ko) * | 2009-11-25 | 2012-04-30 | 한국 한의학 연구원 | 판정불능집단을 함께 분류하는 패턴 분류방법 |
KR101556726B1 (ko) * | 2010-02-24 | 2015-10-02 | 바이오디식스, 인크. | 질량스펙트럼 분석을 이용한 치료제 투여를 위한 암 환자 선별 |
EP2678682A4 (en) | 2011-02-24 | 2014-10-01 | Vermillion Inc | BIOLOGICAL MARKERS PANEL, DIAGNOSTIC METHODS AND TESTING NEEDS FOR OVARIAN CANCER |
CN102184193A (zh) * | 2011-04-19 | 2011-09-14 | 无锡永中软件有限公司 | 与通用公办软件兼容的快速文档处理方法 |
JP5821767B2 (ja) * | 2012-04-20 | 2015-11-24 | 株式会社島津製作所 | クロマトグラフタンデム四重極型質量分析装置 |
US9798918B2 (en) * | 2012-10-05 | 2017-10-24 | Cireca Theranostics, Llc | Method and system for analyzing biological specimens by spectral imaging |
US9552649B2 (en) * | 2012-11-20 | 2017-01-24 | Koninklijke Philips N.V. | Integrated phenotyping employing image texture features |
US8855968B1 (en) * | 2012-12-10 | 2014-10-07 | Timothy Lynn Gillis | Analytical evaluation tool for continuous process plants |
US8467988B1 (en) * | 2013-01-02 | 2013-06-18 | Biodesix, Inc. | Method and system for validation of mass spectrometer machine performance |
US9471662B2 (en) | 2013-06-24 | 2016-10-18 | Sap Se | Homogeneity evaluation of datasets |
CN103632164B (zh) * | 2013-11-25 | 2017-03-01 | 西北工业大学 | 基于kap样本优化的knn卷钢图片数据的卷刚状态分类识别方法 |
CN105654100A (zh) * | 2014-10-30 | 2016-06-08 | 诺基亚技术有限公司 | 利用计算装置识别对象的方法、装置以及电子设备 |
US11657447B1 (en) * | 2015-02-27 | 2023-05-23 | Intuit Inc. | Transaction-based verification of income and employment |
CN105373832B (zh) * | 2015-10-14 | 2018-10-30 | 江苏师范大学 | 基于并行遗传算法的交易规则参数优化方法 |
WO2017223522A1 (en) | 2016-06-23 | 2017-12-28 | Mohammad Shami | Neural network systems and methods for generating distributed representations of electronic transaction information |
CN106404441B (zh) * | 2016-09-22 | 2018-11-06 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
EP3575813B1 (en) * | 2018-05-30 | 2022-06-29 | Siemens Healthcare GmbH | Quantitative mapping of a magnetic resonance imaging parameter by data-driven signal-model learning |
CN108877947B (zh) * | 2018-06-01 | 2021-10-15 | 重庆大学 | 基于迭代均值聚类的深度样本学习方法 |
EP4047519A1 (en) | 2021-02-22 | 2022-08-24 | Carl Zeiss Vision International GmbH | Devices and methods for processing eyeglass prescriptions |
EP4101367A1 (en) | 2021-06-09 | 2022-12-14 | Carl Zeiss Vision International GmbH | Method and device for determining a visual performance |
WO2023129687A1 (en) * | 2021-12-29 | 2023-07-06 | AiOnco, Inc. | Multiclass classification model and multitier classification scheme for comprehensive determination of cancer presence and type based on analysis of genetic information and systems for implementing the same |
CN114623693B (zh) * | 2022-04-13 | 2024-01-30 | 深圳市佳运通电子有限公司 | 用于油田上下游站加热炉智能外输温度的控制方法 |
CN116304114B (zh) * | 2023-05-11 | 2023-08-04 | 青岛市黄岛区中心医院 | 基于外科护理的智能数据处理方法及*** |
CN117688354B (zh) * | 2024-02-01 | 2024-04-26 | 中国标准化研究院 | 一种基于进化算法的文本特征选择方法及*** |
Family Cites Families (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3935562A (en) | 1974-02-22 | 1976-01-27 | Stephens Richard G | Pattern recognition method and apparatus |
US4075475A (en) | 1976-05-03 | 1978-02-21 | Chemetron Corporation | Programmed thermal degradation-mass spectrometry analysis method facilitating identification of a biological specimen |
US4122518A (en) * | 1976-05-17 | 1978-10-24 | The United States Of America As Represented By The Administrator Of The National Aeronautics & Space Administration | Automated clinical system for chromosome analysis |
US4697242A (en) | 1984-06-11 | 1987-09-29 | Holland John H | Adaptive computing system capable of learning and discovery |
GB2187035A (en) | 1986-01-27 | 1987-08-26 | Eric James Sjoberg | Pyrolysis mass spectrometer disease diagnosis aid |
US4881178A (en) | 1987-05-07 | 1989-11-14 | The Regents Of The University Of Michigan | Method of controlling a classifier system |
US5697369A (en) | 1988-12-22 | 1997-12-16 | Biofield Corp. | Method and apparatus for disease, injury and bodily condition screening or sensing |
AU7563191A (en) | 1990-03-28 | 1991-10-21 | John R. Koza | Non-linear genetic algorithms for solving problems by finding a fit composition of functions |
US5210412A (en) | 1991-01-31 | 1993-05-11 | Wayne State University | Method for analyzing an organic sample |
US5784162A (en) | 1993-08-18 | 1998-07-21 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for biological research, medical diagnostics and therapy |
DE69218912T2 (de) * | 1991-08-28 | 1997-10-09 | Becton Dickinson Co | Schwerkraftsattraktionsmaschine zur anpassungsfähigen autoclusterbildung n-dimensionaler datenströme |
US5632957A (en) | 1993-11-01 | 1997-05-27 | Nanogen | Molecular biological diagnostic systems including electrodes |
RU2038598C1 (ru) | 1992-07-06 | 1995-06-27 | Шапиро Светлана Борисовна | Способ уринодиагностики заболеваний почек |
US6114114A (en) * | 1992-07-17 | 2000-09-05 | Incyte Pharmaceuticals, Inc. | Comparative gene transcript analysis |
EP1341126A3 (en) | 1992-09-01 | 2004-02-04 | Apple Computer, Inc. | Image compression using a shared codebook |
US5790761A (en) | 1992-12-11 | 1998-08-04 | Heseltine; Gary L. | Method and apparatus for the diagnosis of colorectal cancer |
ES2201077T3 (es) * | 1993-05-28 | 2004-03-16 | Baylor College Of Medicine | Metodo y espectrometro de masas para la desorcion e ionizacion de analitos. |
US5995645A (en) | 1993-08-18 | 1999-11-30 | Applied Spectral Imaging Ltd. | Method of cancer cell detection |
US5352613A (en) | 1993-10-07 | 1994-10-04 | Tafas Triantafillos P | Cytological screening method |
US5553616A (en) * | 1993-11-30 | 1996-09-10 | Florida Institute Of Technology | Determination of concentrations of biological substances using raman spectroscopy and artificial neural network discriminator |
US6025128A (en) | 1994-09-29 | 2000-02-15 | The University Of Tulsa | Prediction of prostate cancer progression by analysis of selected predictive parameters |
AU1837495A (en) | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
US5848177A (en) | 1994-12-29 | 1998-12-08 | Board Of Trustees Operating Michigan State University | Method and system for detection of biological materials using fractal dimensions |
GB2301897B (en) | 1995-06-08 | 1999-05-26 | Univ Wales Aberystwyth The | Composition analysis |
KR100197580B1 (ko) | 1995-09-13 | 1999-06-15 | 이민화 | 무선 통신망을 이용한 실시간 생체신호모니터링시스템 |
US5716825A (en) | 1995-11-01 | 1998-02-10 | Hewlett Packard Company | Integrated nucleic acid analysis system for MALDI-TOF MS |
US5687716A (en) | 1995-11-15 | 1997-11-18 | Kaufmann; Peter | Selective differentiating diagnostic process based on broad data bases |
DE19543020A1 (de) | 1995-11-18 | 1997-05-22 | Boehringer Mannheim Gmbh | Verfahren und Vorrichtung zur Bestimmung von analytischen Daten über das Innere einer streuenden Matrix |
SE9602545L (sv) | 1996-06-25 | 1997-12-26 | Michael Mecklenburg | Metod för att diskriminera komplexa biologiska prover |
US5839438A (en) | 1996-09-10 | 1998-11-24 | Neuralmed, Inc. | Computer-based neural network system and method for medical diagnosis and interpretation |
US6571227B1 (en) | 1996-11-04 | 2003-05-27 | 3-Dimensional Pharmaceuticals, Inc. | Method, system and computer program product for non-linear mapping of multi-dimensional data |
IL129728A0 (en) | 1996-11-04 | 2000-02-29 | Dimensional Pharm Inc | System method and computer program product for the visualization and interactive processing and analysis of chemical data |
DE19782095T1 (de) * | 1996-11-06 | 2000-03-23 | Sequenom Inc | DNA-Diagnose auf der Basis von Massenspektrometrie |
US6157921A (en) | 1998-05-01 | 2000-12-05 | Barnhill Technologies, Llc | Enhancing knowledge discovery using support vector machines in a distributed network environment |
AU6816998A (en) * | 1997-03-24 | 1998-10-20 | Queen's University At Kingston | Coincidence detection method, products and apparatus |
US5905258A (en) | 1997-06-02 | 1999-05-18 | Advanced Research & Techology Institute | Hybrid ion mobility and mass spectrometer |
NZ516848A (en) * | 1997-06-20 | 2004-03-26 | Ciphergen Biosystems Inc | Retentate chromatography apparatus with applications in biology and medicine |
US6081797A (en) | 1997-07-09 | 2000-06-27 | American Heuristics Corporation | Adaptive temporal correlation network |
US5974412A (en) * | 1997-09-24 | 1999-10-26 | Sapient Health Network | Intelligent query system for automatically indexing information in a database and automatically categorizing users |
CA2321160A1 (en) | 1998-02-13 | 1999-08-19 | Oxford Glycosciences (Uk) Ltd. | Methods and compositions for diagnosis of hepatoma |
GB9805477D0 (en) | 1998-03-13 | 1998-05-13 | Oxford Glycosciences Limited | Methods and compositions for diagnosis of rheumatoid arthritis |
US6723564B2 (en) | 1998-05-07 | 2004-04-20 | Sequenom, Inc. | IR MALDI mass spectrometry of nucleic acids using liquid matrices |
JP2002514762A (ja) | 1998-05-09 | 2002-05-21 | アイコニシス,インコーポレーテッド | コンピュータによって制御された、胎児細胞を含む希少細胞に基づく診断のための方法および装置 |
US6311163B1 (en) | 1998-10-26 | 2001-10-30 | David M. Sheehan | Prescription-controlled data collection system and method |
US5989824A (en) | 1998-11-04 | 1999-11-23 | Mesosystems Technology, Inc. | Apparatus and method for lysing bacterial spores to facilitate their identification |
CA2359649A1 (en) | 1999-02-16 | 2000-08-24 | Lance A. Liotta | Lcm (laser capture microdissection) for cellular protein analysis |
GB9905817D0 (en) | 1999-03-12 | 1999-05-05 | Oxford Glycosciences Uk Ltd | Methods |
US6631333B1 (en) * | 1999-05-10 | 2003-10-07 | California Institute Of Technology | Methods for remote characterization of an odor |
US6329652B1 (en) | 1999-07-28 | 2001-12-11 | Eastman Kodak Company | Method for comparison of similar samples in liquid chromatography/mass spectrometry |
US6615199B1 (en) * | 1999-08-31 | 2003-09-02 | Accenture, Llp | Abstraction factory in a base services pattern environment |
WO2001020043A1 (en) | 1999-09-17 | 2001-03-22 | Affymetrix, Inc. | Method of cluster analysis of gene expression profiles |
WO2001031579A2 (en) | 1999-10-27 | 2001-05-03 | Barnhill Technologies, Llc | Methods and devices for identifying patterns in biological patterns |
EP1236173A2 (en) | 1999-10-27 | 2002-09-04 | Biowulf Technologies, LLC | Methods and devices for identifying patterns in biological systems |
DE10021737C2 (de) | 2000-05-04 | 2002-10-17 | Hermann Haller | Verfahren und Vorrichtung zur qualitativen und/oder quantitativen Bestimmung eines Protein- und/oder Peptidmusters einer Flüssigkeitsprobe, die dem menschlichen oder tierischen Körper entnommen wird |
WO2001099043A1 (en) | 2000-06-19 | 2001-12-27 | Correlogic Systems, Inc. | Heuristic method of classification |
US6680203B2 (en) * | 2000-07-10 | 2004-01-20 | Esperion Therapeutics, Inc. | Fourier transform mass spectrometry of complex biological samples |
US20020059030A1 (en) | 2000-07-17 | 2002-05-16 | Otworth Michael J. | Method and apparatus for the processing of remotely collected electronic information characterizing properties of biological entities |
KR101054732B1 (ko) | 2000-07-18 | 2011-08-05 | 더 유나이티드 스테이츠 오브 아메리카 애즈 리프리젠티드 바이 더 세크레터리 오브 더 디파트먼트 오브 헬쓰 앤드 휴먼 써비시즈 | 생물학적 데이터의 숨겨진 패턴에 근거한 생물학적 상태의 식별 방법 |
CA2429633A1 (en) | 2000-11-16 | 2002-05-30 | Ciphergen Biosystems, Inc. | Method for analyzing mass spectra |
ATE496343T1 (de) | 2001-01-24 | 2011-02-15 | Health Discovery Corp | Verfahren zum identifizieren von mustern in biologischen systemen und deren anwendungen |
JP2005504263A (ja) | 2001-02-01 | 2005-02-10 | シファーゲン バイオシステムズ, インコーポレイテッド | タンデム質量分析によるタンパク質同定、特徴付けおよび配列決定のための改良された方法 |
WO2002079491A2 (en) | 2001-02-16 | 2002-10-10 | Ciphergen Biosystems, Inc. | Method for correlating gene expression profiles with protein expression profiles |
KR20030031911A (ko) | 2001-04-19 | 2003-04-23 | 싸이퍼젠 바이오시스템즈, 인코포레이티드 | 질량 분석법과 친화성 태그를 이용한 생물분자 특성화 |
US20020160420A1 (en) | 2001-04-30 | 2002-10-31 | George Jackowski | Process for diagnosis of physiological conditions by characterization of proteomic materials |
EP1421381A1 (en) | 2001-08-03 | 2004-05-26 | The General Hospital Corporation | System, process and diagnostic arrangement establishing and monitoring medication doses for patients |
IL160324A0 (en) | 2001-08-13 | 2004-07-25 | Beyond Genomics Inc | Method and system for profiling biological systems |
US20020193950A1 (en) | 2002-02-25 | 2002-12-19 | Gavin Edward J. | Method for analyzing mass spectra |
AU2003268031A1 (en) | 2002-07-29 | 2004-02-16 | Correlogic Systems, Inc. | Quality assurance/quality control for electrospray ionization processes |
JP4585167B2 (ja) | 2002-11-29 | 2010-11-24 | 東芝医用システムエンジニアリング株式会社 | X線コンピュータ断層撮影システム |
US7311665B2 (en) | 2003-05-19 | 2007-12-25 | Alcohol Monitoring Systems, Inc. | Bio-information sensor monitoring system and method |
AU2004261222A1 (en) | 2003-08-01 | 2005-02-10 | Correlogic Systems, Inc. | Multiple high-resolution serum proteomic features for ovarian cancer detection |
US7761239B2 (en) | 2003-12-11 | 2010-07-20 | Correlogic Systems, Inc. | Method of diagnosing biological states through the use of a centralized, adaptive model, and remote sample processing |
IL163061A (en) | 2004-07-15 | 2007-07-24 | Meddynamics Ltd | System and method for administration of on-line healthcare |
WO2007053170A2 (en) | 2005-02-09 | 2007-05-10 | Correlogic Systems, Inc. | Identification of bacteria and spores |
-
2001
- 2001-06-19 WO PCT/US2001/019376 patent/WO2001099043A1/en active IP Right Grant
- 2001-06-19 NZ NZ522859A patent/NZ522859A/en unknown
- 2001-06-19 SG SG200407500-8A patent/SG143055A1/en unknown
- 2001-06-19 US US09/883,196 patent/US7096206B2/en not_active Expired - Lifetime
- 2001-06-19 CA CA002411906A patent/CA2411906A1/en not_active Abandoned
- 2001-06-19 BR BR0111742-4A patent/BR0111742A/pt not_active IP Right Cessation
- 2001-06-19 IL IL15318901A patent/IL153189A0/xx unknown
- 2001-06-19 AU AU2001269877A patent/AU2001269877A1/en not_active Abandoned
- 2001-06-19 CN CNB018137202A patent/CN1249620C/zh not_active Expired - Fee Related
- 2001-06-19 AT AT01948425T patent/ATE406627T1/de not_active IP Right Cessation
- 2001-06-19 EP EP01948425A patent/EP1292912B1/en not_active Expired - Lifetime
- 2001-06-19 MX MXPA02012167A patent/MXPA02012167A/es not_active Application Discontinuation
- 2001-06-19 JP JP2002503811A patent/JP2003536179A/ja active Pending
- 2001-06-19 KR KR1020027017015A patent/KR20030051435A/ko not_active Application Discontinuation
- 2001-06-19 CN CNA2005100893182A patent/CN1741036A/zh active Pending
- 2001-06-19 KR KR1020097002829A patent/KR101047575B1/ko not_active IP Right Cessation
- 2001-06-19 DE DE60135549T patent/DE60135549D1/de not_active Expired - Lifetime
- 2001-06-19 EA EA200300035A patent/EA006272B1/ru not_active IP Right Cessation
-
2002
- 2002-12-04 ZA ZA200209845A patent/ZA200209845B/en unknown
- 2002-12-18 NO NO20026087A patent/NO20026087L/no not_active Application Discontinuation
-
2004
- 2004-03-29 HK HK04102275A patent/HK1059494A1/xx not_active IP Right Cessation
-
2005
- 2005-11-15 US US11/273,432 patent/US7240038B2/en not_active Expired - Fee Related
-
2007
- 2007-04-13 US US11/735,028 patent/US7499891B2/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011238019A (ja) * | 2010-05-11 | 2011-11-24 | Yahoo Japan Corp | カテゴリ処理装置及び方法 |
Also Published As
Publication number | Publication date |
---|---|
US7096206B2 (en) | 2006-08-22 |
ATE406627T1 (de) | 2008-09-15 |
US20020046198A1 (en) | 2002-04-18 |
EA200300035A1 (ru) | 2003-10-30 |
US7499891B2 (en) | 2009-03-03 |
CA2411906A1 (en) | 2001-12-27 |
DE60135549D1 (de) | 2008-10-09 |
ZA200209845B (en) | 2003-10-21 |
IL153189A0 (en) | 2003-06-24 |
KR20090019019A (ko) | 2009-02-24 |
MXPA02012167A (es) | 2004-08-19 |
US20060112041A1 (en) | 2006-05-25 |
CN1249620C (zh) | 2006-04-05 |
NO20026087D0 (no) | 2002-12-18 |
US20070185824A1 (en) | 2007-08-09 |
EP1292912A1 (en) | 2003-03-19 |
CN1741036A (zh) | 2006-03-01 |
AU2001269877A1 (en) | 2002-01-02 |
CN1446344A (zh) | 2003-10-01 |
US7240038B2 (en) | 2007-07-03 |
WO2001099043A1 (en) | 2001-12-27 |
HK1059494A1 (en) | 2004-07-02 |
NO20026087L (no) | 2003-02-13 |
EA006272B1 (ru) | 2005-10-27 |
KR101047575B1 (ko) | 2011-07-13 |
SG143055A1 (en) | 2008-06-27 |
BR0111742A (pt) | 2004-02-03 |
EP1292912B1 (en) | 2008-08-27 |
KR20030051435A (ko) | 2003-06-25 |
NZ522859A (en) | 2005-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2003536179A (ja) | ヒューリスティック分類方法 | |
US20020095260A1 (en) | Methods for efficiently mining broad data sets for biological markers | |
US10402748B2 (en) | Machine learning methods and systems for identifying patterns in data | |
US20090138251A1 (en) | Bioinformatics research and analysis system and methods associated therewith | |
Morovvat et al. | An ensemble of filters and wrappers for microarray data classification | |
Babu et al. | Implementation of partitional clustering on ILPD dataset to predict liver disorders | |
Phan et al. | Improvement of SVM algorithm for microarray analysis using intelligent parameter selection | |
Garatti et al. | An unsupervised clustering approach for leukaemia classification based on DNA micro-arrays data | |
Leung et al. | Gene selection for brain cancer classification | |
Huiqing | Effective use of data mining technologies on biological and clinical data | |
NZ539429A (en) | Heuristic method of classification | |
Sun et al. | Efficient gene selection with rough sets from gene expression data | |
Alshalalfah et al. | Cancer class prediction: two stage clustering approach to identify informative genes | |
Taunk et al. | Machine learning classification with K-nearest neighbors | |
Bamgbade | Disease Profiling of High-Dimensional | |
Bamgbade | Disease profiling of high-dimensional biomedical data with multiple classifier systems | |
CN116259418A (zh) | 心血管疾病患病概率筛查的一级预防方法 | |
Shiang et al. | PRINCOMP, CLUSTER, DISCRIM in SAS® 9.2 | |
Suzuki | Statistical and graph-based approaches to small sample and high dimensional data | |
WO2011124758A1 (en) | A method, an arrangement and a computer program product for analysing a cancer tissue | |
Anaissi | Case-base retrieval of childhood leukaemia patients using gene expression data | |
Cabrera et al. | Bioinformatics: a Promising field for Case-Based Reasoning | |
Orduña Cabrera et al. | Bioinformatics: a promising field for case-based reasoning | |
Hua et al. | Identifying genes with the concept of customization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051227 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051227 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060620 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090224 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090522 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20090529 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091110 |