JPH05176932A - 脳梗塞の診断方法 - Google Patents
脳梗塞の診断方法Info
- Publication number
- JPH05176932A JPH05176932A JP3358698A JP35869891A JPH05176932A JP H05176932 A JPH05176932 A JP H05176932A JP 3358698 A JP3358698 A JP 3358698A JP 35869891 A JP35869891 A JP 35869891A JP H05176932 A JPH05176932 A JP H05176932A
- Authority
- JP
- Japan
- Prior art keywords
- cerebral infarction
- data
- layer
- coagulation
- input
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/925—Neural network
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
(57)【要約】
【目的】 高精度にかつ適確に脳梗塞を判断する。
【構成】 年齢、性別、D−dimer、PIC、TA
Tを、脳梗塞状態を示す指数1組とする複数組のデータ
からなる学習用データを、入力層10、中間層12、出力層
14からなるニューラルネットワークに繰り返し入力する
ことによって、ニューラルネットワークに学習させ、年
齢、性別、D−dimer、PIC、TATを1組とす
る被検データを、ニューラルネットワークに入力するこ
とにより、脳梗塞に対する危険度を求める。
Tを、脳梗塞状態を示す指数1組とする複数組のデータ
からなる学習用データを、入力層10、中間層12、出力層
14からなるニューラルネットワークに繰り返し入力する
ことによって、ニューラルネットワークに学習させ、年
齢、性別、D−dimer、PIC、TATを1組とす
る被検データを、ニューラルネットワークに入力するこ
とにより、脳梗塞に対する危険度を求める。
Description
【0001】
【産業上の利用分野】本発明は、脳梗塞の診断方法に関
し、特にニューラルネットワークを使用するものに関す
る。
し、特にニューラルネットワークを使用するものに関す
る。
【0002】
【従来の技術】脳梗塞とは、動脈が何らかの原因で詰ま
り、それ以降の組織に血液が流れなくなるか、若しくは
流れにくくなった状態を言う。死因の約20%が脳血管
疾患であり、その中の約50%が脳梗塞で占められてい
る。脳梗塞は、脳塞栓と脳血栓の2つに分類される。脳
塞栓は、脳動脈には直接的な原因がなく、心臓病(心房
細動、心筋症等)を起こしたことによって、心臓内で形
成された血液、蛋白、脂肪等の凝固物が、脳動脈に流れ
込み、脳動脈を塞ぐことにより起こる。これに対し、脳
血栓は脳動脈の動脈硬化によって血管内皮が肥厚し、発
症する。発症頻度は、脳塞栓よりも脳血栓の方が多い。
り、それ以降の組織に血液が流れなくなるか、若しくは
流れにくくなった状態を言う。死因の約20%が脳血管
疾患であり、その中の約50%が脳梗塞で占められてい
る。脳梗塞は、脳塞栓と脳血栓の2つに分類される。脳
塞栓は、脳動脈には直接的な原因がなく、心臓病(心房
細動、心筋症等)を起こしたことによって、心臓内で形
成された血液、蛋白、脂肪等の凝固物が、脳動脈に流れ
込み、脳動脈を塞ぐことにより起こる。これに対し、脳
血栓は脳動脈の動脈硬化によって血管内皮が肥厚し、発
症する。発症頻度は、脳塞栓よりも脳血栓の方が多い。
【0003】脳血栓の原因となる動脈硬化を診断する方
法として、現在、眼底検査、X線CT、MRI、脈波速
度法、超音波による血流計測等の非侵襲的診断法と、血
管造映、血管内視鏡、血管内エコー等の観血的検査とが
あるが、いずれの方法も満足のいくものではない。
法として、現在、眼底検査、X線CT、MRI、脈波速
度法、超音波による血流計測等の非侵襲的診断法と、血
管造映、血管内視鏡、血管内エコー等の観血的検査とが
あるが、いずれの方法も満足のいくものではない。
【0004】近年、D−dimer等の凝固線溶系分子
マーカを特異的に測定することが可能となった。そし
て、凝固線溶系分子マーカが循環系の動脈硬化と関係が
あることが分かってきた。末廣 謙 他:臨床病理 3
9:694〜700、1991には、a)脳梗塞症にお
いて凝固線溶系分子マーカであるD−dimer値が高
値を示すこと、b)年齢とD−dimer値が正相関を
示すこと、c)脳梗塞症においてD−dimer値の他
に、凝固線溶系分子マーカであるトロンビン・アンチト
ロンビンIII 複合体TAT(Thrombin-antithrombin I
II complex) )及びプラスミン・α2 プラスミンインヒ
ビタ複合体PIC(plasmin-α2plasmininhibitor comp
lex)も同様な変化を示すことが記載されている。
マーカを特異的に測定することが可能となった。そし
て、凝固線溶系分子マーカが循環系の動脈硬化と関係が
あることが分かってきた。末廣 謙 他:臨床病理 3
9:694〜700、1991には、a)脳梗塞症にお
いて凝固線溶系分子マーカであるD−dimer値が高
値を示すこと、b)年齢とD−dimer値が正相関を
示すこと、c)脳梗塞症においてD−dimer値の他
に、凝固線溶系分子マーカであるトロンビン・アンチト
ロンビンIII 複合体TAT(Thrombin-antithrombin I
II complex) )及びプラスミン・α2 プラスミンインヒ
ビタ複合体PIC(plasmin-α2plasmininhibitor comp
lex)も同様な変化を示すことが記載されている。
【0005】一方、複数のデータを取り扱う分析手法も
公知であり、D−dimer値、TAT、PICを分析
することにより、脳梗塞に関し、何らかの判定結果を得
ることができる。分析手法としては、例えば判別分析法
と重回帰分析法がある。
公知であり、D−dimer値、TAT、PICを分析
することにより、脳梗塞に関し、何らかの判定結果を得
ることができる。分析手法としては、例えば判別分析法
と重回帰分析法がある。
【0006】判別分析法を脳梗塞の判定に適用するに
は、凝固線溶系分子マーカの値を説明変数とし、患者分
類(非脳梗塞群:0、脳梗塞群:1)を目的変数として
行うことが考えられる。判別分析法には、線形判別分析
とマハラノビス距離を使ったものがあり、マハラノビス
距離を使った場合、脳梗塞に対する危険度を、 構成比=脳梗塞群に帰属する確率/(脳梗塞群に帰属す
る確率+非脳梗塞群に帰属する確率) にて、算出することができる。重回帰分析を脳梗塞の判
定に適用する場合には、判別分析と同様な目的変数、説
明変数で重回帰分析を行う。
は、凝固線溶系分子マーカの値を説明変数とし、患者分
類(非脳梗塞群:0、脳梗塞群:1)を目的変数として
行うことが考えられる。判別分析法には、線形判別分析
とマハラノビス距離を使ったものがあり、マハラノビス
距離を使った場合、脳梗塞に対する危険度を、 構成比=脳梗塞群に帰属する確率/(脳梗塞群に帰属す
る確率+非脳梗塞群に帰属する確率) にて、算出することができる。重回帰分析を脳梗塞の判
定に適用する場合には、判別分析と同様な目的変数、説
明変数で重回帰分析を行う。
【0007】
【発明が解決しようとする課題】上記の文献には、脳梗
塞症において、凝固線溶系分子マーカであるD−dim
er、TAT、PICが高値になることが記載されてい
るだけであり、各データの値と脳梗塞に対する危険度と
を結びつける具体的な関係は示されていない。また、こ
れら各凝固線溶系分子マーカの値を判別分析や重回帰分
析で分析する場合には、基本的には線形的な枠組み内で
の分析しかできないので、分析性能に限界がある。
塞症において、凝固線溶系分子マーカであるD−dim
er、TAT、PICが高値になることが記載されてい
るだけであり、各データの値と脳梗塞に対する危険度と
を結びつける具体的な関係は示されていない。また、こ
れら各凝固線溶系分子マーカの値を判別分析や重回帰分
析で分析する場合には、基本的には線形的な枠組み内で
の分析しかできないので、分析性能に限界がある。
【0008】本発明は、分析性能の高い脳梗塞の診断方
法を提供することを目的とする。
法を提供することを目的とする。
【0009】
【課題を解決するための手段】上記の目的を達成するた
めに、本発明では、年齢、凝固線溶系分子マーカ測定
値、脳梗塞状態を示す指数を1組とする複数組のデータ
からなる学習用データを、ニューラルネットワークに繰
り返し入力し、ニューラルネットワークに学習させる工
程と、年齢、凝固線溶系分子マーカ測定値を1組とする
被検データを、ニューラルネットワークに入力すること
により、脳梗塞に対する危険度を求める工程とを、具備
するものである。凝固線溶系分子マーカとしては、D−
dimer、TAT、PICを、単独または組み合わせ
て用いることができる。また、学習データと、被検デー
タとに、性別データを含ませることもできる。
めに、本発明では、年齢、凝固線溶系分子マーカ測定
値、脳梗塞状態を示す指数を1組とする複数組のデータ
からなる学習用データを、ニューラルネットワークに繰
り返し入力し、ニューラルネットワークに学習させる工
程と、年齢、凝固線溶系分子マーカ測定値を1組とする
被検データを、ニューラルネットワークに入力すること
により、脳梗塞に対する危険度を求める工程とを、具備
するものである。凝固線溶系分子マーカとしては、D−
dimer、TAT、PICを、単独または組み合わせ
て用いることができる。また、学習データと、被検デー
タとに、性別データを含ませることもできる。
【0010】
【作用】本発明によれば、ニューラルネットワークに学
習用データを繰り返し入力することによって、ニューラ
ルネットワークは、脳梗塞の危険度に対する学習を行
う。この学習の完了後に、ニューラルネットワークに被
検データを入力することによって、ニューラルネットワ
ークは、その被検データから脳梗塞に対する危険度を求
める。なお、学習用データとして、凝固線溶系分子マー
カと年齢を用いているのは、上記文献に記載されている
ように、脳梗塞症において凝固線溶系分子マーカが高値
を示し、年齢と凝固線溶系分子マーカとが正相関を示す
からである。また、学習データと、被検データとに、性
別データを含ませることがあるのは、男性の方が女性よ
りも脳梗塞を発症する確率が高いからである。
習用データを繰り返し入力することによって、ニューラ
ルネットワークは、脳梗塞の危険度に対する学習を行
う。この学習の完了後に、ニューラルネットワークに被
検データを入力することによって、ニューラルネットワ
ークは、その被検データから脳梗塞に対する危険度を求
める。なお、学習用データとして、凝固線溶系分子マー
カと年齢を用いているのは、上記文献に記載されている
ように、脳梗塞症において凝固線溶系分子マーカが高値
を示し、年齢と凝固線溶系分子マーカとが正相関を示す
からである。また、学習データと、被検データとに、性
別データを含ませることがあるのは、男性の方が女性よ
りも脳梗塞を発症する確率が高いからである。
【0011】
【実施例】図1に、本発明による脳梗塞の診断方法の1
実施例に使用するニューラルネットワークの構造を示
す。このニューラルネットワークは、エラーバックプロ
パゲイション(誤差逆伝播)学習アルゴリズムを使用す
るもので、入力層10、中間層12、出力層14からな
る3層構造を有している。
実施例に使用するニューラルネットワークの構造を示
す。このニューラルネットワークは、エラーバックプロ
パゲイション(誤差逆伝播)学習アルゴリズムを使用す
るもので、入力層10、中間層12、出力層14からな
る3層構造を有している。
【0012】入力層10は、5個のニューロンを有し、
これら5個のニューロンは、性別、年齢、3種の凝固線
溶系分子マーカである、D−dimer、TAT、PI
Cからなる5個の入力データに対応している。これら各
凝固線溶系分子マーカの値は、公知技術を用いて測定す
ることによって、得ることができる。
これら5個のニューロンは、性別、年齢、3種の凝固線
溶系分子マーカである、D−dimer、TAT、PI
Cからなる5個の入力データに対応している。これら各
凝固線溶系分子マーカの値は、公知技術を用いて測定す
ることによって、得ることができる。
【0013】出力層14は、2個のニューロンを有し、
これらは脳梗塞に対する危険度、健常度に対応してい
る。また、中間層12のニューロンの数は、適宜決定す
る。通常には3乃至10である。この実施例では、5個
のニューロンを用いている。このように、入力層10に
5個のニューロンを設け、中間層12に5個のニューロ
ンを設け、出力層14に2個のニューロンを設けている
ので、全ニューロン数は12個である。なお、この中間
層12のニューロン数の決定方法については後述する。
これらは脳梗塞に対する危険度、健常度に対応してい
る。また、中間層12のニューロンの数は、適宜決定す
る。通常には3乃至10である。この実施例では、5個
のニューロンを用いている。このように、入力層10に
5個のニューロンを設け、中間層12に5個のニューロ
ンを設け、出力層14に2個のニューロンを設けている
ので、全ニューロン数は12個である。なお、この中間
層12のニューロン数の決定方法については後述する。
【0014】入力層10の5個のニューロンは、中間層
12の5個のニューロンとシナプス結合されており、中
間層12の5個のニューロンは、出力層14の2個のニ
ューロンとシナプス結合されている。従って、全シナプ
ス結合数は、5×5+5×2の35である。これらシナ
プス結合は、それぞれ入力信号に対して重みを有してい
る。
12の5個のニューロンとシナプス結合されており、中
間層12の5個のニューロンは、出力層14の2個のニ
ューロンとシナプス結合されている。従って、全シナプ
ス結合数は、5×5+5×2の35である。これらシナ
プス結合は、それぞれ入力信号に対して重みを有してい
る。
【0015】このニューラルネットワークでは、図2に
ステップS2として示す学習工程が実行され、続いてス
テップS4として示す危険度判別工程が実行される。学
習工程は、まず図1に示す各シナプス結合の重みを初期
設定した状態で、様々な学習用入力データを入力層10
に順次入力し、1組の学習用データを入力するごとに得
られる出力層14からの出力値と、当該学習用入力デー
タに対応して、本来出力層14から出力されるべき出力
値との誤差に基づいて、各シナプス結合の荷重を修正す
ることを繰り返す。このようにして、各シナプス結合の
荷重を決定した後に、ステップS4に示すように、被検
データを入力層10に入力し、そのときの出力層14か
らの出力から脳梗塞の危険度を判定する。
ステップS2として示す学習工程が実行され、続いてス
テップS4として示す危険度判別工程が実行される。学
習工程は、まず図1に示す各シナプス結合の重みを初期
設定した状態で、様々な学習用入力データを入力層10
に順次入力し、1組の学習用データを入力するごとに得
られる出力層14からの出力値と、当該学習用入力デー
タに対応して、本来出力層14から出力されるべき出力
値との誤差に基づいて、各シナプス結合の荷重を修正す
ることを繰り返す。このようにして、各シナプス結合の
荷重を決定した後に、ステップS4に示すように、被検
データを入力層10に入力し、そのときの出力層14か
らの出力から脳梗塞の危険度を判定する。
【0016】学習工程では、入力層10に学習用入力デ
ータを入力する。しかし、これらデータは、整数表現の
年齢、実数表現であるD−dimer、TAT、PI
C、数値表現のできない性別と種々雑多であるので、こ
れらを、出力層10が通常出力する値0.0乃至1.0
と同等に扱うことができるようにするため、0.0乃至
1.0の範囲に入るように入力前に正規化する。なお、
危険度判別工程で使用される被検データも、年齢、性
別、D−dimer、TAT、PICからなるので、学
習用入力データと同様に正規化が行われている。
ータを入力する。しかし、これらデータは、整数表現の
年齢、実数表現であるD−dimer、TAT、PI
C、数値表現のできない性別と種々雑多であるので、こ
れらを、出力層10が通常出力する値0.0乃至1.0
と同等に扱うことができるようにするため、0.0乃至
1.0の範囲に入るように入力前に正規化する。なお、
危険度判別工程で使用される被検データも、年齢、性
別、D−dimer、TAT、PICからなるので、学
習用入力データと同様に正規化が行われている。
【0017】この正規化は、次のように行っている。 性別:男性=0、女性=1 年齢:年齢/100 年齢の上限を100として正規化を行うが、この上限を
超えても正規化値は1.0とした。 D−dimer:D−dimer/500.0 D−dimerの上限を500.0〔ng/ml〕とし
て正規化を行うが、この上限を超えても、正規化値は
1.0とした。 TAT:TAT/16.0 TATの上限を16.0〔ng/ml〕として正規化を
行うが、この上限を超えても、正規化値は1.0とし
た。 PIC:PIC/1.5〔μg/ml〕として正規化を
行うが、この上限を超えても、正規化値は1.0とし
た。
超えても正規化値は1.0とした。 D−dimer:D−dimer/500.0 D−dimerの上限を500.0〔ng/ml〕とし
て正規化を行うが、この上限を超えても、正規化値は
1.0とした。 TAT:TAT/16.0 TATの上限を16.0〔ng/ml〕として正規化を
行うが、この上限を超えても、正規化値は1.0とし
た。 PIC:PIC/1.5〔μg/ml〕として正規化を
行うが、この上限を超えても、正規化値は1.0とし
た。
【0018】この実施例では、D−dimer、TA
T、PICに対する上限値は、いずれも全データの平均
値+2SD(SD=標準偏差)を目安として設定した。
T、PICに対する上限値は、いずれも全データの平均
値+2SD(SD=標準偏差)を目安として設定した。
【0019】また、この実施例では、学習用データとし
て、脳梗塞の人100と、非脳梗塞の人140人の合計
240人の年齢、性別、D−dimer、TAT、PI
Cを上述したように正規化したものを、氏名順に並べた
ものを用いた。
て、脳梗塞の人100と、非脳梗塞の人140人の合計
240人の年齢、性別、D−dimer、TAT、PI
Cを上述したように正規化したものを、氏名順に並べた
ものを用いた。
【0020】学習に先立って、中間層12のニューロン
数を決定する必要がある。中間層12のニューロン数が
少ないと、入力データの組合せの複雑さが出力層14に
伝わらない。反対に、中間層12のニューロン数が多す
ぎると、シナプス結合数が増加するので、出力層14に
出力を生じるまでに時間が掛かったり、或いは最小値に
収束しない危険性もある。
数を決定する必要がある。中間層12のニューロン数が
少ないと、入力データの組合せの複雑さが出力層14に
伝わらない。反対に、中間層12のニューロン数が多す
ぎると、シナプス結合数が増加するので、出力層14に
出力を生じるまでに時間が掛かったり、或いは最小値に
収束しない危険性もある。
【0021】そこで、この実施例では、上述した各学習
用データを用いて、学習を行い、出力層14の各ニュー
ロンの出力値と、これに対応する真のニューロンの出力
値(教師データ)との誤差を用いて、出力層14のニュ
ーロン1個当たりの平均2乗誤差で評価したところ、中
間層12のニューロン数は5乃至7個程度が最適となっ
た。そこで、この実施例では、中間層12のニューロン
数として5個を採用した。
用データを用いて、学習を行い、出力層14の各ニュー
ロンの出力値と、これに対応する真のニューロンの出力
値(教師データ)との誤差を用いて、出力層14のニュ
ーロン1個当たりの平均2乗誤差で評価したところ、中
間層12のニューロン数は5乃至7個程度が最適となっ
た。そこで、この実施例では、中間層12のニューロン
数として5個を採用した。
【0022】このようにして中間層12のニューロン数
を決定した後、上述した各学習用入力データを用いて、
バックプロパゲーション法により、各シナプス結合の重
みを決定する。即ち、各シナプス結合の重みを初期化
し、まず1組目の学習用入力データを入力層10及び出
力層14に入力する。そして、入力層10と中間層12
との各ニューロン間のシナプス結合の重みと、学習用入
力データとを用いて、中間層12の各ニューロンの出力
を求める。
を決定した後、上述した各学習用入力データを用いて、
バックプロパゲーション法により、各シナプス結合の重
みを決定する。即ち、各シナプス結合の重みを初期化
し、まず1組目の学習用入力データを入力層10及び出
力層14に入力する。そして、入力層10と中間層12
との各ニューロン間のシナプス結合の重みと、学習用入
力データとを用いて、中間層12の各ニューロンの出力
を求める。
【0023】この中間層12の各ニューロンの出力と、
中間層12と出力層14のシナプス結合の重みを用い
て、出力層14の各ニューロンの出力を求める。この求
めた出力層14の各ニューロンの出力と、この学習用入
力データを入力層10に入力したとき、本来なら出力層
14の各ニューロンに生じるべき出力(教師データ)と
の誤差を計算し、この誤差が解消されるように中間層1
2と出力層14の各ニューロン間のシナプス結合の重み
を修正する。
中間層12と出力層14のシナプス結合の重みを用い
て、出力層14の各ニューロンの出力を求める。この求
めた出力層14の各ニューロンの出力と、この学習用入
力データを入力層10に入力したとき、本来なら出力層
14の各ニューロンに生じるべき出力(教師データ)と
の誤差を計算し、この誤差が解消されるように中間層1
2と出力層14の各ニューロン間のシナプス結合の重み
を修正する。
【0024】この修正によって、中間層12の各ニュー
ロンに生じるべき各出力と、実際にこれら中間層12の
各ニューロンに生じている出力との誤差を計算し、この
誤差が解消されるように入力層10と中間層12の各ニ
ューロン間のシナプス結合の重みを修正する。
ロンに生じるべき各出力と、実際にこれら中間層12の
各ニューロンに生じている出力との誤差を計算し、この
誤差が解消されるように入力層10と中間層12の各ニ
ューロン間のシナプス結合の重みを修正する。
【0025】このように各シナプス結合の重みを修正し
た状態で、次の学習用入力データを入力し、上述したよ
うに各シナプス結合の重みを修正する。以下、同様に、
このような作業を残りの学習用入力データについても行
い、各シナプス結合の重みを最終的に決定する。これに
よって学習工程が終了する。
た状態で、次の学習用入力データを入力し、上述したよ
うに各シナプス結合の重みを修正する。以下、同様に、
このような作業を残りの学習用入力データについても行
い、各シナプス結合の重みを最終的に決定する。これに
よって学習工程が終了する。
【0026】この学習工程に続いて、被検データを入力
層10に入力し、出力層14の各ニューロンの出力に基
づいて脳梗塞の危険度を判別する。
層10に入力し、出力層14の各ニューロンの出力に基
づいて脳梗塞の危険度を判別する。
【0027】このようにして240人の人間を対象とし
て脳梗塞の危険度を判定した結果のヒストグラムを図3
に示す。また、同じデータを用いて、判別分析法(マハ
ラノビス距離を用いた方法)及び重回帰分析法で脳梗塞
の危険度を判定した結果のヒストグラムを図4、図5に
それぞれ示す。図3、図4、図5において、横軸は脳梗
塞の危険度(0.0乃至1.0)であり、縦軸の上半分
は健常群の度数、縦軸の下半分は患者群の度数である。
て脳梗塞の危険度を判定した結果のヒストグラムを図3
に示す。また、同じデータを用いて、判別分析法(マハ
ラノビス距離を用いた方法)及び重回帰分析法で脳梗塞
の危険度を判定した結果のヒストグラムを図4、図5に
それぞれ示す。図3、図4、図5において、横軸は脳梗
塞の危険度(0.0乃至1.0)であり、縦軸の上半分
は健常群の度数、縦軸の下半分は患者群の度数である。
【0028】図6は、図3乃至図5のヒストグラムの見
方を説明するためのもので、16は陰性と陽性とに分画
するための分画線であり、この分画線16よりも左側の
上半分の領域A1は健常群に対する真陰性の領域、分画
線16よりも右側の上半分の領域A2は健常群に対する
偽陽性の領域、分画線16よりも左側の下半分の領域B
1は患者群に対する偽陰性の領域、分画線16よりも右
側の下半分の領域B2は患者群に対する真陽性の領域で
ある。
方を説明するためのもので、16は陰性と陽性とに分画
するための分画線であり、この分画線16よりも左側の
上半分の領域A1は健常群に対する真陰性の領域、分画
線16よりも右側の上半分の領域A2は健常群に対する
偽陽性の領域、分画線16よりも左側の下半分の領域B
1は患者群に対する偽陰性の領域、分画線16よりも右
側の下半分の領域B2は患者群に対する真陽性の領域で
ある。
【0029】図3乃至図5において、分画線16を危険
度の0.4、0.5、0.6に設定したときの感度(疾
患を有する患者に行った診断の結果が陽性を示す率)、
特異度(疾患を有しない人に行った診断の結果が陰性を
示す率)、偽陽性、偽陰性の4特性値を求めた結果を表
1、表2、表3に示す。
度の0.4、0.5、0.6に設定したときの感度(疾
患を有する患者に行った診断の結果が陽性を示す率)、
特異度(疾患を有しない人に行った診断の結果が陰性を
示す率)、偽陽性、偽陰性の4特性値を求めた結果を表
1、表2、表3に示す。
【0030】
【表1】
【表2】
【表3】
【0031】表2に示すように、分画線16を危険度の
0.5に引いた場合、判別分析法とこの発明の方法と
は、ほぼ同等の性能であるが、重回帰分析法では、分画
線16を0.5以上に引いた場合、感度が極端に下がっ
ている。また、分画線16を0.4、0.6に引いた場
合、この発明の方が感度、特異度とも高い結果が得られ
た。このことは、本発明の方法が推測する危険度は中間
領域に少なく、この発明の方法が判別の切れが良いこと
を表している。
0.5に引いた場合、判別分析法とこの発明の方法と
は、ほぼ同等の性能であるが、重回帰分析法では、分画
線16を0.5以上に引いた場合、感度が極端に下がっ
ている。また、分画線16を0.4、0.6に引いた場
合、この発明の方が感度、特異度とも高い結果が得られ
た。このことは、本発明の方法が推測する危険度は中間
領域に少なく、この発明の方法が判別の切れが良いこと
を表している。
【0032】また、本発明の診断方法、判別分析法で
は、偽陰性が発生しているが、これらの患者を吟味した
結果、どちらの方法でも偽陰性と判断されたのは同じ患
者であり、殆どが急性期の患者であった。これは、急性
期と慢性期の病態の差に起因している可能性がある。ま
た、同様に偽陽性と判別された患者は循環系疾患外患者
であって、高血圧の患者が含まれていた。高血圧は動脈
硬化の危険因子であり、このように判定されるのも止む
を得ない。
は、偽陰性が発生しているが、これらの患者を吟味した
結果、どちらの方法でも偽陰性と判断されたのは同じ患
者であり、殆どが急性期の患者であった。これは、急性
期と慢性期の病態の差に起因している可能性がある。ま
た、同様に偽陽性と判別された患者は循環系疾患外患者
であって、高血圧の患者が含まれていた。高血圧は動脈
硬化の危険因子であり、このように判定されるのも止む
を得ない。
【0033】上記の実施例では、年齢と、各凝固線溶系
分子マーカの値を独立した入力データとして使用してい
るが、実際には各凝固線溶系分子マーカは年齢が高くな
ると共に、高くなることが知られている。即ち、各凝固
線溶系分子マーカと年齢とには関係がある。各入力デー
タは、互いに独立しているのが望ましい。そこで、健常
人における各凝固線溶系分子マーカの対年齢の標準値を
求め、各凝固線溶系分子マーカから上記標準値を減算し
た値を入力層10に入力し、年齢を独立した要素として
捕らえてもよく、このようにすれば、学習の効率化、診
断の高精度化を図れる。
分子マーカの値を独立した入力データとして使用してい
るが、実際には各凝固線溶系分子マーカは年齢が高くな
ると共に、高くなることが知られている。即ち、各凝固
線溶系分子マーカと年齢とには関係がある。各入力デー
タは、互いに独立しているのが望ましい。そこで、健常
人における各凝固線溶系分子マーカの対年齢の標準値を
求め、各凝固線溶系分子マーカから上記標準値を減算し
た値を入力層10に入力し、年齢を独立した要素として
捕らえてもよく、このようにすれば、学習の効率化、診
断の高精度化を図れる。
【0034】また、上記の実施例では、入力データとし
て性別、年齢、各凝固線溶系分子マーカであるD−di
mer、TAT、PICを用いたが、入力データとして
は、最低限度、凝固線溶系分子マーカのうちのいずれか
1つと、年齢とを用いるだけでよい。また、上記の実施
例では、中間層12を1層だけとしたが、場合によって
は複数層とすることもできる。
て性別、年齢、各凝固線溶系分子マーカであるD−di
mer、TAT、PICを用いたが、入力データとして
は、最低限度、凝固線溶系分子マーカのうちのいずれか
1つと、年齢とを用いるだけでよい。また、上記の実施
例では、中間層12を1層だけとしたが、場合によって
は複数層とすることもできる。
【0035】
【発明の効果】以上のように、本発明によれば、凝固線
溶系分子マーカが血管の血栓形成傾向を適格に、かつ鋭
敏に反映し、凝固線溶系分子マーカの値が年齢と正相関
の関係にあることに着目し、これらを用いて診断してい
るので、従来とは異なった観点から脳梗塞を適格に、か
つ鋭敏に診断できる。しかも、この診断は、ニューラル
ネットワークに学習用の上記データを入力することによ
って知識を得て、その知識を用いて、脳梗塞に対する危
険度を推論しているので、従来の方法に比べて、簡単
に、かつ精度の高い診断結果が得られる。上述した判定
分析法や重回帰分析法では、基本的には線型のデータ変
換によっているので、分析に限界があるが、ニューラル
ネットワークは、非線型のデータによっているので、分
析に対して対応能力が高く、高精度の診断結果が得られ
る。
溶系分子マーカが血管の血栓形成傾向を適格に、かつ鋭
敏に反映し、凝固線溶系分子マーカの値が年齢と正相関
の関係にあることに着目し、これらを用いて診断してい
るので、従来とは異なった観点から脳梗塞を適格に、か
つ鋭敏に診断できる。しかも、この診断は、ニューラル
ネットワークに学習用の上記データを入力することによ
って知識を得て、その知識を用いて、脳梗塞に対する危
険度を推論しているので、従来の方法に比べて、簡単
に、かつ精度の高い診断結果が得られる。上述した判定
分析法や重回帰分析法では、基本的には線型のデータ変
換によっているので、分析に限界があるが、ニューラル
ネットワークは、非線型のデータによっているので、分
析に対して対応能力が高く、高精度の診断結果が得られ
る。
【図1】本発明による脳梗塞の診断方法の1実施例に使
用するニューラルネットワークのブロック図である。
用するニューラルネットワークのブロック図である。
【図2】同実施例の工程図である。
【図3】同実施例における判別結果を示すヒストグラム
である。
である。
【図4】判別分析法による脳梗塞の判別結果を示すヒス
トグラムである。
トグラムである。
【図5】重回帰分析法による脳梗塞の判別結果を示すヒ
ストグラムである。
ストグラムである。
【図6】図3乃至図5のヒストグラムの見方の説明図で
ある。
ある。
10 入力層 12 中間層 14 出力層
Claims (5)
- 【請求項1】 年齢、凝固線溶系分子マーカ測定値、脳
梗塞状態を示す指数を1組とする複数組のデータからな
る学習用データをニューラルネットワークに繰り返し入
力し上記ニューラルネットワークに学習させる工程と、
年齢、凝固線溶系分子マーカ測定値、を1組とする被検
データを上記ニューラルネットワークに入力することに
より脳梗塞に対する危険度を求める工程とを、具備する
脳梗塞の診断方法。 - 【請求項2】 請求項1記載の脳梗塞の診断方法におい
て、凝固線溶系分子マーカとして、D−dimerを用
いることを特徴とする脳梗塞の診断方法。 - 【請求項3】 請求項1または2記載の脳梗塞の診断方
法において、凝固線溶系分子マーカとして、トロンビン
・アンチトロンビンIII 複合体を用いることを特徴とす
る脳梗塞の診断方法。 - 【請求項4】 請求項1、2または3記載の脳梗塞の診
断方法において、凝固線溶系分子マーカとして、プラス
ミン・α2 プラスミンインヒビタ複合体を用いることを
特徴とする脳梗塞の診断方法。 - 【請求項5】 請求項1、2、3または4記載の脳梗塞
の診断方法において、上記学習用データ及び被検データ
が、性別を含むことを特徴とする脳梗塞の診断方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP03358698A JP3081043B2 (ja) | 1991-12-27 | 1991-12-27 | 脳梗塞の診断方法 |
EP92311620A EP0555591A1 (en) | 1991-12-27 | 1992-12-18 | Apparatus for diagnosing cerebral infarction |
US08/338,826 US5590665A (en) | 1991-12-27 | 1994-11-10 | Method of diagnosing cerebral infarction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP03358698A JP3081043B2 (ja) | 1991-12-27 | 1991-12-27 | 脳梗塞の診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH05176932A true JPH05176932A (ja) | 1993-07-20 |
JP3081043B2 JP3081043B2 (ja) | 2000-08-28 |
Family
ID=18460652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP03358698A Expired - Fee Related JP3081043B2 (ja) | 1991-12-27 | 1991-12-27 | 脳梗塞の診断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US5590665A (ja) |
EP (1) | EP0555591A1 (ja) |
JP (1) | JP3081043B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006172461A (ja) * | 1996-02-09 | 2006-06-29 | Adeza Biomedical Corp | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
WO2008142888A1 (ja) * | 2007-05-18 | 2008-11-27 | National University Corporation Chiba University | アクロレイン、インターロイキン-6及びcrpの含有量、ポリアミンオキシダーゼ活性又はポリアミンオキシダーゼの蛋白質量、並びに、被験者の年齢を指標とした脳卒中・無症候性脳梗塞の検出方法 |
JP2009073465A (ja) * | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
JP2015141201A (ja) * | 2014-01-29 | 2015-08-03 | 立創生医科技股▲ふん▼有限公司 | 生理的パラメータの定量化出力システム |
JP2021192163A (ja) * | 2020-06-05 | 2021-12-16 | 株式会社コスミックコーポレーション | 生体情報評価システム及び生体情報評価プログラム |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3310498B2 (ja) * | 1994-09-02 | 2002-08-05 | 独立行政法人産業技術総合研究所 | 生体情報解析装置および生体情報解析方法 |
WO1996012187A1 (en) * | 1994-10-13 | 1996-04-25 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
US5687716A (en) * | 1995-11-15 | 1997-11-18 | Kaufmann; Peter | Selective differentiating diagnostic process based on broad data bases |
US6678669B2 (en) | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
FI111514B (fi) * | 1996-03-12 | 2003-08-15 | Polar Electro Oy | Menetelmä mitattavan kohteen fyysisen kunnon mittaamiseksi |
US5680866A (en) * | 1996-03-29 | 1997-10-28 | Battelle Memorial Institute | Artificial neural network cardiopulmonary modeling and diagnosis |
IT1288913B1 (it) * | 1996-05-31 | 1998-09-25 | Biotekna Srl | Apparecchiatura elettromedicinale. |
US6070098A (en) * | 1997-01-11 | 2000-05-30 | Circadian Technologies, Inc. | Method of and apparatus for evaluation and mitigation of microsleep events |
US6004267A (en) * | 1997-03-07 | 1999-12-21 | University Of Florida | Method for diagnosing and staging prostate cancer |
US6267722B1 (en) | 1998-02-03 | 2001-07-31 | Adeza Biomedical Corporation | Point of care diagnostic systems |
US6394952B1 (en) * | 1998-02-03 | 2002-05-28 | Adeza Biomedical Corporation | Point of care diagnostic systems |
USD432244S (en) * | 1998-04-20 | 2000-10-17 | Adeza Biomedical Corporation | Device for encasing an assay test strip |
USD434153S (en) * | 1998-04-20 | 2000-11-21 | Adeza Biomedical Corporation | Point of care analyte detector system |
US6443889B1 (en) * | 2000-02-10 | 2002-09-03 | Torgny Groth | Provision of decision support for acute myocardial infarction |
US7366564B2 (en) | 2002-08-23 | 2008-04-29 | The United States Of America As Represented By The Secretary Of The Navy | Nonlinear blind demixing of single pixel underlying radiation sources and digital spectrum local thermometer |
EP2021988A2 (en) * | 2006-05-10 | 2009-02-11 | Koninklijke Philips Electronics N.V. | Transforming measurement data for classification learning |
CN102462506B (zh) | 2010-11-09 | 2015-05-13 | Ge医疗***环球技术有限公司 | 激光引导医疗设备自动定位***及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4875183A (en) * | 1987-11-19 | 1989-10-17 | American Telephone And Telegraph Company, At&T Bell Laboratories | Neural networks |
US4876731A (en) * | 1988-02-19 | 1989-10-24 | Nynex Corporation | Neural network model in pattern recognition using probabilistic contextual information |
JPH02259421A (ja) * | 1989-03-31 | 1990-10-22 | Toshiba Corp | 自動分析装置 |
US5218529A (en) * | 1990-07-30 | 1993-06-08 | University Of Georgia Research Foundation, Inc. | Neural network system and methods for analysis of organic materials and structures using spectral data |
-
1991
- 1991-12-27 JP JP03358698A patent/JP3081043B2/ja not_active Expired - Fee Related
-
1992
- 1992-12-18 EP EP92311620A patent/EP0555591A1/en not_active Withdrawn
-
1994
- 1994-11-10 US US08/338,826 patent/US5590665A/en not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006172461A (ja) * | 1996-02-09 | 2006-06-29 | Adeza Biomedical Corp | ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 |
WO2008142888A1 (ja) * | 2007-05-18 | 2008-11-27 | National University Corporation Chiba University | アクロレイン、インターロイキン-6及びcrpの含有量、ポリアミンオキシダーゼ活性又はポリアミンオキシダーゼの蛋白質量、並びに、被験者の年齢を指標とした脳卒中・無症候性脳梗塞の検出方法 |
JP2009073465A (ja) * | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
JP2015141201A (ja) * | 2014-01-29 | 2015-08-03 | 立創生医科技股▲ふん▼有限公司 | 生理的パラメータの定量化出力システム |
JP2021192163A (ja) * | 2020-06-05 | 2021-12-16 | 株式会社コスミックコーポレーション | 生体情報評価システム及び生体情報評価プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP3081043B2 (ja) | 2000-08-28 |
EP0555591A1 (en) | 1993-08-18 |
US5590665A (en) | 1997-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH05176932A (ja) | 脳梗塞の診断方法 | |
Itchhaporia et al. | Artificial neural networks: current status in cardiovascular medicine | |
Kuecherer et al. | Echocardiography in serial evaluation of left ventricular systolic and diastolic function: importance of image acquisition, quantitation, and physiologic variability in clinical and investigational applications | |
Cuspidi et al. | Evaluation of target organ damage in arterial hypertension: which role for qualitative funduscopic examination? | |
RU2512794C2 (ru) | Способ и устройство для определения частотного диапазона шума | |
Loughran et al. | The use of focused cardiac ultrasound to screen for occult heart disease in asymptomatic cats | |
JP2002523168A (ja) | 胎盤および胎児健康診断用モニター | |
Strunic et al. | Detection and classification of cardiac murmurs using segmentation techniques and artificial neural networks | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测*** | |
Singla et al. | Role of carotid corrected flow time and peak velocity variation in predicting fluid responsiveness: a systematic review and meta-analysis | |
Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
CN114898882A (zh) | 基于超声对右心功能进行评估的方法和*** | |
Allen et al. | Prospective assessment of an artificial neural network for the detection of peripheral vascular disease from lower limb pulse waveforms | |
CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
Ben-Bassat et al. | Evaluating multimembership classifiers: A methodology and application to the MEDAS diagnostic system | |
Kara | Classification of mitral stenosis from Doppler signals using short time Fourier transform and artificial neural networks | |
Tang et al. | A neural network to pulmonary embolism aided diagnosis with a feature selection approach | |
CN111297388B (zh) | 一种血流储备分数测量装置 | |
RU2742429C1 (ru) | Способ экспресс-оценки изменений легочной ткани при COVID-19 без применения компьютерной томографии органов грудной клетки | |
RU2461877C1 (ru) | Способ нейросетевого анализа состояния сердца | |
Kara et al. | Utilization of artificial neural networks and autoregressive modeling in diagnosing mitral valve stenosis | |
JPH05277119A (ja) | 癌診断装置 | |
RU2141247C1 (ru) | Способ диагностики функционального состояния кардиосистемы | |
RU2704478C1 (ru) | Способ прогнозирования толщины комплекса интима-медиа у работников химических производств | |
Kaur et al. | Diabetic retinopathy detection system (DRDS); A novel GUI based approach for diabetic retinopathy detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20000613 |
|
LAPS | Cancellation because of no payment of annual fees |