JPH05277119A - 癌診断装置 - Google Patents
癌診断装置Info
- Publication number
- JPH05277119A JPH05277119A JP4103915A JP10391592A JPH05277119A JP H05277119 A JPH05277119 A JP H05277119A JP 4103915 A JP4103915 A JP 4103915A JP 10391592 A JP10391592 A JP 10391592A JP H05277119 A JPH05277119 A JP H05277119A
- Authority
- JP
- Japan
- Prior art keywords
- cancer
- neural network
- data
- carcinogenesis
- diagnostic
- 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
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
(57)【要約】
【目的】 過去の診察データを有効利用して、発癌の有
無、将来の発癌確率、余寿命などを正確に診断できる癌
診断装置を提供する。 【構成】 各病院５での診察データはパラメータ化され
て、本部診断システムパッケージ４の入力部１を介して
ニューラルネットワーク２に入力される。このニューラ
ルネットワーク２は、予め学習データ（過去の診察デー
タと実際の発癌の有無、生存率等の組））が与えられて
各ノードの重み係数の調節がなされており、入力信号に
応じて癌の診断がなされる。診断結果（発癌の有無、将
来の発癌率、余寿命）は出力部３から出力され、個々の
病院に送られる。
無、将来の発癌確率、余寿命などを正確に診断できる癌
診断装置を提供する。 【構成】 各病院５での診察データはパラメータ化され
て、本部診断システムパッケージ４の入力部１を介して
ニューラルネットワーク２に入力される。このニューラ
ルネットワーク２は、予め学習データ（過去の診察デー
タと実際の発癌の有無、生存率等の組））が与えられて
各ノードの重み係数の調節がなされており、入力信号に
応じて癌の診断がなされる。診断結果（発癌の有無、将
来の発癌率、余寿命）は出力部３から出力され、個々の
病院に送られる。
Description
【０００１】
【産業上の利用分野】本発明は、過去の膨大な診断デー
タを活用することにより、医師に代わって正確に癌を診
断することのできる癌診断装置に関するものである。
タを活用することにより、医師に代わって正確に癌を診
断することのできる癌診断装置に関するものである。
【０００２】
【従来の技術】近年、癌は先進諸国における主要な死亡
原因となっており、日本においても食生活の変化等に伴
って、例えば大腸癌等の増加が認められる。従来、何ら
かの体調の不調を訴えて医師の診察を受けた場合、症状
に応じてレントゲン検査や内視鏡検査、更に組織検査な
どが行なわれ、これらの診察データに基づいて担当医に
よって発癌の有無が診断される。又、自覚症状が全くな
い場合でも、定期健康診断などの際に癌の疑いがもたれ
た場合には、医師の判断で上述のような種々の検査が行
なわれ発癌の有無が診断される。
原因となっており、日本においても食生活の変化等に伴
って、例えば大腸癌等の増加が認められる。従来、何ら
かの体調の不調を訴えて医師の診察を受けた場合、症状
に応じてレントゲン検査や内視鏡検査、更に組織検査な
どが行なわれ、これらの診察データに基づいて担当医に
よって発癌の有無が診断される。又、自覚症状が全くな
い場合でも、定期健康診断などの際に癌の疑いがもたれ
た場合には、医師の判断で上述のような種々の検査が行
なわれ発癌の有無が診断される。
【０００３】
【発明が解決しようとする課題】しかし、従来において
は、検査段階で種々の精密機器を利用することはあって
も、総合的な癌の診断はすべて個々の担当医が行なって
おり、次のような問題点があった。先ず、診断結果は、
担当医の技能と経験に大きく左右され、場合によっては
発癌の兆候を示すデータが見落とされて早期発見ができ
ないこともある。特に、個人病院等では、国公立病院や
大学病院に比べて癌の診断に有用なデータの蓄積や新規
な医療情報の入手が困難な面もあり、早期癌が看過され
る危険性が大きい。
は、検査段階で種々の精密機器を利用することはあって
も、総合的な癌の診断はすべて個々の担当医が行なって
おり、次のような問題点があった。先ず、診断結果は、
担当医の技能と経験に大きく左右され、場合によっては
発癌の兆候を示すデータが見落とされて早期発見ができ
ないこともある。特に、個人病院等では、国公立病院や
大学病院に比べて癌の診断に有用なデータの蓄積や新規
な医療情報の入手が困難な面もあり、早期癌が看過され
る危険性が大きい。
【０００４】又、従来においては、診察を受けた時点で
の発癌の有無は評価しているものの、その時点で発癌が
認められない場合には将来の発癌確率などは全く評価さ
れておらず、診察データの有効活用がなされていない。
又、診察の時点で発癌が認められた場合、担当医の経験
などから家族に対して漠然とした余寿命が示されること
もあるが、個々の患者についての余寿命の正確な評価は
全くなされていない。
の発癌の有無は評価しているものの、その時点で発癌が
認められない場合には将来の発癌確率などは全く評価さ
れておらず、診察データの有効活用がなされていない。
又、診察の時点で発癌が認められた場合、担当医の経験
などから家族に対して漠然とした余寿命が示されること
もあるが、個々の患者についての余寿命の正確な評価は
全くなされていない。
【０００５】本発明は、上記の点に鑑みてなされたもの
であり、過去の診察データを有効利用して、発癌の有
無、将来の発癌確率、余寿命などを正確に診断できる癌
診断装置を提供することを目的とするものである。
であり、過去の診察データを有効利用して、発癌の有
無、将来の発癌確率、余寿命などを正確に診断できる癌
診断装置を提供することを目的とするものである。
【０００６】
【課題を解決するための手段】請求項１の癌診断装置
は、被検者の診断データに基づいて癌の診断を行なう装
置であって、前記被検者の診断データをパラメータ化し
た入力信号に基づいて前記癌の診断を行なう診断手段と
して、所定の応答関数ｆ（Ｘ）をもつ複数の処理ユニッ
トが所定の重み係数Ｗi で結合され、かつ前記重み係数
は与えられた学習データによって最適化がなされるニュ
ーラルネットワークシステムを備えたを備えたものであ
る。
は、被検者の診断データに基づいて癌の診断を行なう装
置であって、前記被検者の診断データをパラメータ化し
た入力信号に基づいて前記癌の診断を行なう診断手段と
して、所定の応答関数ｆ（Ｘ）をもつ複数の処理ユニッ
トが所定の重み係数Ｗi で結合され、かつ前記重み係数
は与えられた学習データによって最適化がなされるニュ
ーラルネットワークシステムを備えたを備えたものであ
る。
【０００７】請求項２の癌診断装置における評価手段
は、発癌の有無、健常者の将来の発癌確率、発癌者の余
寿命を出力するものである。
は、発癌の有無、健常者の将来の発癌確率、発癌者の余
寿命を出力するものである。
【０００８】
【作用】本発明においては上記のようにニューラルネッ
トワークシステムを用いて診察データを分析して癌の診
断を行なうが、このニューラルネットワークについて以
下に説明する。ニューラルネットワークとは、人間の神
経細胞を模擬するモデルであり、神経細胞（ニューロ
ン）に相当する人工の処理ユニットが所定の重み係数で
結合されている。ここでは、簡単のため、層構造の前進
型ニューラルネットワークを例にとり図２を参照して説
明する。又、それぞれの処理ユニットはネットワークの
交点（ノード）にあたり、一般にノードと称されるので
以下においては処理ユニットをノードと表記する。
トワークシステムを用いて診察データを分析して癌の診
断を行なうが、このニューラルネットワークについて以
下に説明する。ニューラルネットワークとは、人間の神
経細胞を模擬するモデルであり、神経細胞（ニューロ
ン）に相当する人工の処理ユニットが所定の重み係数で
結合されている。ここでは、簡単のため、層構造の前進
型ニューラルネットワークを例にとり図２を参照して説
明する。又、それぞれの処理ユニットはネットワークの
交点（ノード）にあたり、一般にノードと称されるので
以下においては処理ユニットをノードと表記する。
【０００９】図２（Ａ）において、ニューラルネットワ
ークは入力層９、中間層１０、出力層１１からなり、各
層は複数のノード８（ｕ1 …ｕ9 ）から構成されてい
る。各層のノード８間はそれぞれ重み係数Ｗxx（後述）
で結合されている。このようなニューラルネットワーク
において、入力層９のノード８の数はパラメータ化され
た入力信号の数に応じて、出力層１１のノード８の数は
出力信号の数（出力すべき項目の数）に応じて決められ
る。又、中間層については、層数、ノードの数ともに可
変である。
ークは入力層９、中間層１０、出力層１１からなり、各
層は複数のノード８（ｕ1 …ｕ9 ）から構成されてい
る。各層のノード８間はそれぞれ重み係数Ｗxx（後述）
で結合されている。このようなニューラルネットワーク
において、入力層９のノード８の数はパラメータ化され
た入力信号の数に応じて、出力層１１のノード８の数は
出力信号の数（出力すべき項目の数）に応じて決められ
る。又、中間層については、層数、ノードの数ともに可
変である。
【００１０】次に、各ノード内部の処理について図２
（Ｂ）を参照して説明する。１つ前の層からの入力信号
（Ｉ1 …Ｉn ）に対し、式１に示されるように、１つ前
の層に対する重み係数（Ｗ1 …Ｗn ）がそれぞれ乗算さ
れ、更に重みづけされた入力値の総和が求められた後、
総和から閾値Ｈi が減算されてＸが求められる。 Ｘ＝ΣＷi ・Ｉi −Ｈi …（１）
（Ｂ）を参照して説明する。１つ前の層からの入力信号
（Ｉ1 …Ｉn ）に対し、式１に示されるように、１つ前
の層に対する重み係数（Ｗ1 …Ｗn ）がそれぞれ乗算さ
れ、更に重みづけされた入力値の総和が求められた後、
総和から閾値Ｈi が減算されてＸが求められる。 Ｘ＝ΣＷi ・Ｉi −Ｈi …（１）
【００１１】次いで、このＸは、非線形関数であるシグ
モイド関数（式２参照）に代入されてｆ（Ｘ）が求めら
れる。 ｆ（Ｘ）＝（１＋tan-1 （Ｘ／ｕ0 ））／２ …（２） なお、ノード８の応答関数は、必ずしも上記のシグモイ
ド関数に限らず、他の関数であっても良いものである。
モイド関数（式２参照）に代入されてｆ（Ｘ）が求めら
れる。 ｆ（Ｘ）＝（１＋tan-1 （Ｘ／ｕ0 ））／２ …（２） なお、ノード８の応答関数は、必ずしも上記のシグモイ
ド関数に限らず、他の関数であっても良いものである。
【００１２】さて、ニューラルネットワークシステムを
使用するに際しては、まず、学習を行なう。ここで学習
とは、情報処理システムの目的に合うようにノード間の
重み（Ｗ1 …Ｗn ）及び閾値Ｈj を調節することであ
る。学習の具体的な方法としては、入力（質問）と出力
（答）が既知である１組のデータを多数用意し、入力−
出力がすべて一致するようにノード間の重み係数（Ｗi
…Ｗn ）及び閾値（Ｈj）を決定すれば良い。
使用するに際しては、まず、学習を行なう。ここで学習
とは、情報処理システムの目的に合うようにノード間の
重み（Ｗ1 …Ｗn ）及び閾値Ｈj を調節することであ
る。学習の具体的な方法としては、入力（質問）と出力
（答）が既知である１組のデータを多数用意し、入力−
出力がすべて一致するようにノード間の重み係数（Ｗi
…Ｗn ）及び閾値（Ｈj）を決定すれば良い。
【００１３】一旦学習が終了すると、ニューラルネット
ワークシステムは「知能」をもつことになり、未知の入
力（質問）に対して各ノードの演算結果として出力
（答）がなされる。このように、ニューラルネットワー
クシステムでは、各ノードで並列処理が行なわれ、入力
から出力までの過程が簡単な演算で行なわれるので、処
理速度が非常に早い。又、一旦学習が終了しているもの
について、更に学習を行なうことができ（これにより重
み係数及び閾値がより最適な値に調節される）、順次評
価能力を向上させることができる。
ワークシステムは「知能」をもつことになり、未知の入
力（質問）に対して各ノードの演算結果として出力
（答）がなされる。このように、ニューラルネットワー
クシステムでは、各ノードで並列処理が行なわれ、入力
から出力までの過程が簡単な演算で行なわれるので、処
理速度が非常に早い。又、一旦学習が終了しているもの
について、更に学習を行なうことができ（これにより重
み係数及び閾値がより最適な値に調節される）、順次評
価能力を向上させることができる。
【００１４】又、上記においては、層構造をなす前進型
ニューラルネットワークについて説明したが、より人間
の神経系に近い結合モデルである相互結合型ニューラル
ネットワーク（図３参照）も開発されており、これを使
用して測定信号の評価を行なうこともできる。図２の前
進型ニューラルネットワークでは、各層間の結合だけで
同じ層内のノード８は結合されていないが、相互結合型
ニューラルネットワーでは図３に示されるように、各ノ
ードが結合されている。
ニューラルネットワークについて説明したが、より人間
の神経系に近い結合モデルである相互結合型ニューラル
ネットワーク（図３参照）も開発されており、これを使
用して測定信号の評価を行なうこともできる。図２の前
進型ニューラルネットワークでは、各層間の結合だけで
同じ層内のノード８は結合されていないが、相互結合型
ニューラルネットワーでは図３に示されるように、各ノ
ードが結合されている。
【００１５】
【実施例】本発明実施例による癌診断装置のブロック図
を図１に示す。本実施例では、各病院５の端末機と本部
（後述）の診察システムパッケージ４とは電話回線等で
接続されており、全国規模の診断ネットワークが開設さ
れる。
を図１に示す。本実施例では、各病院５の端末機と本部
（後述）の診察システムパッケージ４とは電話回線等で
接続されており、全国規模の診断ネットワークが開設さ
れる。
【００１６】図において、各病院５における診察結果は
予め設定されたパラメータごとに数値化（ランク分け）
されて、本部診断システムパッケージ４の入力部１に送
られる。癌診断のためのパラメータは適宜専門家によっ
て選択されものであるが、例えば、レントゲン写真の陰
影、種々の自覚症状、組織検査の結果、性別、年齢等が
ある。これらのパラメータの数値化は、担当医が行なっ
ても良いものであるが、例えば光学式画像読み取り装置
などの手段によってレントゲン写真の陰影を数値化する
ようにしても良い。
予め設定されたパラメータごとに数値化（ランク分け）
されて、本部診断システムパッケージ４の入力部１に送
られる。癌診断のためのパラメータは適宜専門家によっ
て選択されものであるが、例えば、レントゲン写真の陰
影、種々の自覚症状、組織検査の結果、性別、年齢等が
ある。これらのパラメータの数値化は、担当医が行なっ
ても良いものであるが、例えば光学式画像読み取り装置
などの手段によってレントゲン写真の陰影を数値化する
ようにしても良い。
【００１７】次に、各病院から送られた診察データ（入
力信号）は、本部診断システムパッケージ４のニューラ
ルネットワーク２に入力される。このニューラルネット
ワーク２は、予め各病院５における過去の癌診断データ
を与えることにより学習が施されている。つまり、各病
院５で過去に診察した膨大な数の被検者について、診察
データ（被検者の性別や年齢、種々の検査結果、自覚症
状など）と実際の被検者の状況（例えば、生存した年月
や開腹手術した際の実際の癌の状況等）との組が学習デ
ータ（正しい入力−出力の組）として与えられ、ニュー
ラルネットワーク２の各ノード間の重み係数Ｗi （図２
参照）が調節される。
力信号）は、本部診断システムパッケージ４のニューラ
ルネットワーク２に入力される。このニューラルネット
ワーク２は、予め各病院５における過去の癌診断データ
を与えることにより学習が施されている。つまり、各病
院５で過去に診察した膨大な数の被検者について、診察
データ（被検者の性別や年齢、種々の検査結果、自覚症
状など）と実際の被検者の状況（例えば、生存した年月
や開腹手術した際の実際の癌の状況等）との組が学習デ
ータ（正しい入力−出力の組）として与えられ、ニュー
ラルネットワーク２の各ノード間の重み係数Ｗi （図２
参照）が調節される。
【００１８】このようにして一旦学習が済んだニューラ
ルネットワーク２は、癌の診断について過去の膨大な診
断データを背景として専門医と同等以上の知能をもつこ
とになり、個々の病院５から送られてきた診察データ
（入力信号）から癌の診断を行なうことが可能となる。
なお、本実施例におけるニューラルネットワークシステ
ム２は、図２で説明した前進型ニューラルネットワーク
で構成されており、既存のパソコンレベルでも稼働可能
である。
ルネットワーク２は、癌の診断について過去の膨大な診
断データを背景として専門医と同等以上の知能をもつこ
とになり、個々の病院５から送られてきた診察データ
（入力信号）から癌の診断を行なうことが可能となる。
なお、本実施例におけるニューラルネットワークシステ
ム２は、図２で説明した前進型ニューラルネットワーク
で構成されており、既存のパソコンレベルでも稼働可能
である。
【００１９】ニューラルネットワークシステム２による
診断結果は、出力部３から出力され、診断を必要として
いる病院（診断すべき診察データを送ってきた病院）５
に送られる。診断結果としては、診察時点での発癌の有
無の他、診察時点で発癌していない場合には将来の発癌
確率、診察時点で発癌が認められた場合には余寿命が出
力される。
診断結果は、出力部３から出力され、診断を必要として
いる病院（診断すべき診察データを送ってきた病院）５
に送られる。診断結果としては、診察時点での発癌の有
無の他、診察時点で発癌していない場合には将来の発癌
確率、診察時点で発癌が認められた場合には余寿命が出
力される。
【００２０】又、診察データ（入力）と診断結果（出
力）の組は、診断システムパッケージ４内の記憶手段
（図示せず）に記憶され、ニューラルネットワーク２の
新たな学習に役立てられる。このようにして、新規患者
（被検者）の診断データを学習データに付加することに
より、更に重み係数の調節がなされ、診断の高精度化が
可能である。
力）の組は、診断システムパッケージ４内の記憶手段
（図示せず）に記憶され、ニューラルネットワーク２の
新たな学習に役立てられる。このようにして、新規患者
（被検者）の診断データを学習データに付加することに
より、更に重み係数の調節がなされ、診断の高精度化が
可能である。
【００２１】以下に、上述したニューラルネットワーク
網の構築例を示す。 １．その地域の大学病院や公立病院を核（本部）として
個人病院をネットワーク化する。 ２．国家機関を核として日本全国の医療機関をネットワ
ーク化する。 ３．国際機関を核として世界各国の医療機関をネットワ
ーク化する。
網の構築例を示す。 １．その地域の大学病院や公立病院を核（本部）として
個人病院をネットワーク化する。 ２．国家機関を核として日本全国の医療機関をネットワ
ーク化する。 ３．国際機関を核として世界各国の医療機関をネットワ
ーク化する。
【００２２】なお、上記においては、ニューラルネット
ワークを癌の診断に用いた場合について説明したが、本
発明は他のあらゆる病気についても適用可能であること
は言うまでもない。
ワークを癌の診断に用いた場合について説明したが、本
発明は他のあらゆる病気についても適用可能であること
は言うまでもない。
【００２３】
【発明の効果】本発明では、ニューラルネットワークを
使用して診察データを分析し、癌の診察を行なうので、
以下のような効果を奏する。 １．過去の膨大な診断データを活用することにより、病
院の規模や担当医の経験・技量に左右されずに正確な癌
診断を行なうことができる。 ２．健常者については将来の発癌率の警告、発癌者につ
いては癌の早期発見、早期治療が可能となり、癌による
死亡率を減少させることができる。 ３．発癌者については正確な余寿命の判定が可能とな
り、当人への告知の有無にかかわらず、当人及び周囲の
人々への有効な情報となり得る。
使用して診察データを分析し、癌の診察を行なうので、
以下のような効果を奏する。 １．過去の膨大な診断データを活用することにより、病
院の規模や担当医の経験・技量に左右されずに正確な癌
診断を行なうことができる。 ２．健常者については将来の発癌率の警告、発癌者につ
いては癌の早期発見、早期治療が可能となり、癌による
死亡率を減少させることができる。 ３．発癌者については正確な余寿命の判定が可能とな
り、当人への告知の有無にかかわらず、当人及び周囲の
人々への有効な情報となり得る。
【図１】本発明実施例による装置の構成を示すブロック
図である。
図である。
【図２】ニューラルネットワークを説明するための概念
図であり、（Ａ）は前進型ニューラルネットワークの構
成を、（Ｂ）はノード内の処理を示す。
図であり、（Ａ）は前進型ニューラルネットワークの構
成を、（Ｂ）はノード内の処理を示す。
【図３】相互結合型ニューラルネットワークの構成を示
す概念図である。
す概念図である。
１…入力部、２…ニューラルネットワーク、３…出力
部、４…診断システムパッケージ４パッケージ、５…病
院、８…ノード、９…入力層、１０…中間層、１１…出
力層。
部、４…診断システムパッケージ４パッケージ、５…病
院、８…ノード、９…入力層、１０…中間層、１１…出
力層。
Claims (2)
- 【請求項１】 被検者の診断データに基づいて癌の診断
を行なう装置であって、 前記被検者の診断データをパラメータ化した入力信号に
基づいて前記癌の診断を行なう診断手段として、所定の
応答関数ｆ（Ｘ）をもつ複数の処理ユニットが所定の重
み係数Ｗi で結合され、かつ前記重み係数は与えられた
学習データによって最適化がなされるニューラルネット
ワークシステムを備えたことを特徴とする癌診断装置。 - 【請求項２】 前記診断手段は、発癌の有無、健常者の
将来の発癌確率、発癌者の余寿命を出力するものである
ことを特徴とする請求項１に記載の癌診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4103915A JPH05277119A (ja) | 1992-03-31 | 1992-03-31 | 癌診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4103915A JPH05277119A (ja) | 1992-03-31 | 1992-03-31 | 癌診断装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05277119A true JPH05277119A (ja) | 1993-10-26 |
Family
ID=14366727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4103915A Pending JPH05277119A (ja) | 1992-03-31 | 1992-03-31 | 癌診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05277119A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003528373A (ja) * | 2000-02-14 | 2003-09-24 | ファースト オピニオン コーポレーション | 自動診断システムおよび方法 |
| 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 |
| US7228295B2 (en) | 1997-08-14 | 2007-06-05 | Adeza Biomedical Corporation | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions |
| JP2008220299A (ja) * | 2007-03-14 | 2008-09-25 | Sysmex Corp | 癌の診断支援装置 |
| WO2010101150A1 (ja) * | 2009-03-02 | 2010-09-10 | 日比 紀文 | 膵嚢胞性疾患診断装置 |
| US7908231B2 (en) | 2007-06-12 | 2011-03-15 | Miller James R | Selecting a conclusion using an ordered sequence of discriminators |
| US8793209B2 (en) | 2011-06-22 | 2014-07-29 | James R. Miller, III | Reflecting the quantitative impact of ordinal indicators |
-
1992
- 1992-03-31 JP JP4103915A patent/JPH05277119A/ja active Pending
Non-Patent Citations (1)
| Title |
|---|
| ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY=1990 * |
Cited By (9)
| 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 |
| US7228295B2 (en) | 1997-08-14 | 2007-06-05 | Adeza Biomedical Corporation | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions |
| JP2003528373A (ja) * | 2000-02-14 | 2003-09-24 | ファースト オピニオン コーポレーション | 自動診断システムおよび方法 |
| JP2008220299A (ja) * | 2007-03-14 | 2008-09-25 | Sysmex Corp | 癌の診断支援装置 |
| US7908231B2 (en) | 2007-06-12 | 2011-03-15 | Miller James R | Selecting a conclusion using an ordered sequence of discriminators |
| WO2010101150A1 (ja) * | 2009-03-02 | 2010-09-10 | 日比 紀文 | 膵嚢胞性疾患診断装置 |
| JP2010200881A (ja) * | 2009-03-02 | 2010-09-16 | Shigenari Hozawa | 膵嚢胞性疾患診断装置 |
| US8793209B2 (en) | 2011-06-22 | 2014-07-29 | James R. Miller, III | Reflecting the quantitative impact of ordinal indicators |
| US8972333B2 (en) | 2011-06-22 | 2015-03-03 | James R. Milller, III | Reflecting the quantitative impact of ordinal indicators |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7365747B1 (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
| CN115517682B (zh) | 基于胃肠电信号的认知功能障碍预测系统及构建方法 | |
| KR102423483B1 (ko) | 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 | |
| Purnama et al. | Disease classification based on dermoscopic skin images using convolutional neural network in teledermatology system | |
| Al-Kasasbeh et al. | Fuzzy prediction and early detection of stomach diseases by means of combined iteration fuzzy models | |
| CN111403015A (zh) | 一种互联网的医疗咨询和在线诊断系统及方法 | |
| US12278014B1 (en) | Technology to automatically identify the most relevant health failure risk factors | |
| JPH05176932A (ja) | 脳梗塞の診断方法 | |
| CN114334123A (zh) | 一种适用于轻度认知障碍快速检测的认知测评体系 | |
| Nkamgang et al. | Automating the clinical stools exam using image processing integrated in an expert system | |
| Kitukale et al. | Predicting knee osteoarthritis using deep neural network | |
| KR20220082869A (ko) | 진단 툴 | |
| Mikołajczyk et al. | Evaluation of a smartphone application for diagnosis of skin diseases | |
| Wen et al. | On the deep learning-based age prediction of color fundus images and correlation with ophthalmic diseases | |
| Wulff | The inherent paternalism in clinical practice | |
| CN113643798A (zh) | 为失能人员匹配照护人员的方法、装置及计算机设备 | |
| Sooriamoorthy et al. | An integrated convolutional neural network with zero-dimensional cardiovascular hemodynamics parameters for early cardiovascular disease detection | |
| Ben-Bassat et al. | Evaluating multimembership classifiers: A methodology and application to the MEDAS diagnostic system | |
| Umanandhini et al. | GlorotUniform Kernel Initializer based Conv2D Sequential Convolutional Neural Network for Diabetic Retinopathy Detection | |
| JP2025031329A (ja) | 医用情報処理装置、医用情報処理システム及び医用情報処理プログラム | |
| CN116313038A (zh) | 一种诊断肌少症的装置、设备和系统 | |
| Goh et al. | Accident and emergency department diagnosis-how accurate are we? | |
| Oktavianus et al. | The implementation of fuzzy logic algorithm in android-based typhoid fever diagnostic application | |
| Pirozzolo et al. | Neuropsychology and its applications to the legal forum | |
| Tang et al. | A neural network to pulmonary embolism aided diagnosis with a feature selection approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19960820 |