特開 2022-175422 コンピュータプログラム、情報処理装置、及び情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022175422

(43)【公開日】2022-11-25

(54)【発明の名称】コンピュータプログラム、情報処理装置、及び情報処理方法

(51)【国際特許分類】

   G16H 50/50 20180101AFI20221117BHJP

   G16H 50/70 20180101ALI20221117BHJP

   G16H 15/00 20180101ALI20221117BHJP

   G06N 20/00 20190101ALI20221117BHJP

【ＦＩ】

G16H50/50

G16H50/70

G16H15/00

G06N20/00

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2021081790

(22)【出願日】2021-05-13

(71)【出願人】

【識別番号】521206648

【氏名又は名称】ソホビービー株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】沈 天毅

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA03

5L099AA15

5L099AA21

(57)【要約】      （修正有）

【課題】入力要素に対する推奨値の情報を出力できるコンピュータプログラム、情報処理装置及び情報処理方法の提供する。
【解決手段】コンピュータプログラムは、複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、出力データに対する各入力要素の影響度を算出し、算出した影響度に基づき、少なくとも１つの入力要素を選択し、選択した入力要素の値を変更した複数の入力データの夫々を学習モデルに入力して、学習モデルによる演算を実行し、学習モデルによる演算結果に基づき、入力要素の推奨値を決定し、決定した推奨値の情報を出力する処理を、汎用コンピュータである情報処理装置に実行させる。
【選択図】図１０

【特許請求の範囲】

【請求項1】

複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各入力要素の影響度を算出し、
算出した影響度に基づき、少なくとも１つの入力要素を選択し、
選択した入力要素の値を変更した複数の入力データの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記入力要素の推奨値を決定し、
決定した推奨値の情報を出力する
処理をコンピュータに実行させるためのコンピュータプログラム。

【請求項2】

前記学習モデルは、複数のニューロンが結合されたニューラルネットワークにより構成されており、
前記ニューラルネットワークに含まれる各ニューロンの活性度と、ニューロン間の重み係数とに基づき、前記影響度を算出する
処理を前記コンピュータに実行させるための請求項１に記載のコンピュータプログラム。

【請求項3】

複数の入力データを取得し、取得した入力データを前記学習モデルに入力して得られる出力データを集計することにより、各入力要素の分布を導出する
処理を前記コンピュータに実行させるための請求項１又は請求項２に記載のコンピュータプログラム。

【請求項4】

各入力要素の現状値と、導出した各入力要素の分布とに基づき、選択すべき入力要素を決定する
処理を前記コンピュータに実行させるための請求項３に記載のコンピュータプログラム。

【請求項5】

選択すべき入力要素の個数の設定を受付け、
受付けた個数の範囲内で、前記影響度に基づき入力要素を選択する
処理を前記コンピュータに実行させるための請求項１から請求項４の何れか１つに記載のコンピュータプログラム。

【請求項6】

設定された上限値及び下限値の範囲内で、前記選択した入力要素の値を変更する
処理を前記コンピュータに実行させるための請求項１から請求項５の何れか１つに記載のコンピュータプログラム。

【請求項7】

前記上限値及び前記下限値の設定を受付け、
受付けた上限値及び下限値の範囲内で、前記選択した入力要素の値を変更する
処理を前記コンピュータに実行させるための請求項６に記載のコンピュータプログラム。

【請求項8】

選択した入力要素と対応付けて夫々の影響度の情報を出力する
処理を前記コンピュータに実行させるための請求項１から請求項７の何れか１つに記載のコンピュータプログラム。

【請求項9】

選択した入力要素の現状値と、前記入力要素について決定した推奨値とを対応付けて出力する
処理を前記コンピュータに実行させるための請求項１から請求項８の何れか１つに記載のコンピュータプログラム。

【請求項10】

前記推奨値に基づき前記入力要素の改善案を生成し、
生成した改善案の情報を出力する
処理を前記コンピュータに実行させるための請求項１から請求項９の何れか１つに記載のコンピュータプログラム。

【請求項11】

複数種の検査項目の値を含む健診データと、健康リスクの推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各検査項目の影響度を算出し、
算出した影響度に基づき、少なくとも１つの検査項目を選択し、
選択した検査項目の値を変更した複数のデータの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記検査項目の推奨値を決定し、
前記検査項目の現状値と、決定した推奨値とを対比して出力する
処理をコンピュータに実行させるためのコンピュータプログラム。

【請求項12】

複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各入力要素の影響度を算出する影響度算出部と、
算出した影響度に基づき、少なくとも１つの入力要素を選択する選択部と、
選択した入力要素の値を変更した複数の入力データの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行する演算部と、
前記学習モデルによる演算結果に基づき、前記入力要素の推奨値を決定する決定部と、
決定した推奨値の情報を出力する出力部と
を備える情報処理装置。

【請求項13】

複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各入力要素の影響度を算出し、
算出した影響度に基づき、少なくとも１つの入力要素を選択し、
選択した入力要素の値を変更した複数の入力データの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記入力要素の推奨値を決定し、
決定した推奨値の情報を出力する
処理をコンピュータにより実行する情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、コンピュータプログラム、情報処理装置、及び情報処理方法に関する。

【背景技術】

【0002】

近年、推定モデルの構築方法として機械学習が注目されている。特に、機械学習の１つであるニューラルネットワークは、非線形のモデル化が可能であり、入力データと入力データに対応する出力データの対応関係を学習することができるため、推定精度の高いモデル化が期待できる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平４－５８３５８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上述したニューラルネットワークは、入力データの入力に応じて、推定結果である出力データを出力するものであり、入力データを構成する入力要素についての推奨値を出力するものではない。

【0005】

本発明は、入力要素に対する推奨値の情報を出力できるコンピュータプログラム、情報処理装置、及び情報処理方法を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の一態様に係るコンピュータプログラムは、複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各入力要素の影響度を算出し、算出した影響度に基づき、少なくとも１つの入力要素を選択し、選択した入力要素の値を変更した複数の入力データの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行し、前記学習モデルによる演算結果に基づき、前記入力要素の推奨値を決定し、決定した推奨値の情報を出力する処理をコンピュータに実行させるためのコンピュータプログラムである。

【0007】

本発明の一態様に係る情報処理装置は、複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各入力要素の影響度を算出する影響度算出部と、算出した影響度に基づき、少なくとも１つの入力要素を選択する選択部と、選択した入力要素の値を変更した複数の入力データの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行する演算部と、前記学習モデルによる演算結果に基づき、前記入力要素の推奨値を決定する決定部と、決定した推奨値の情報を出力する出力部とを備える。

【0008】

本発明の一態様に係る情報処理方法は、複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、前記出力データに対する各入力要素の影響度を算出し、算出した影響度に基づき、少なくとも１つの入力要素を選択し、選択した入力要素の値を変更した複数の入力データの夫々を前記学習モデルに入力して、前記学習モデルによる演算を実行し、前記学習モデルによる演算結果に基づき、前記入力要素の推奨値を決定し、決定した推奨値の情報を出力する処理をコンピュータにより実行する。

【発明の効果】

【0009】

本願によれば、入力要素に対する推奨値の情報を出力できる。

【図面の簡単な説明】

【0010】

【図1】実施の形態１に係る情報処理装置の構成を説明するブロック図である。

【図2】健診結果データベースの一例を示す概念図である。

【図3】学習モデルの構成例を示す模式図である。

【図4】影響度の算出手法を説明する説明図である。

【図5】影響度の表示例を示す模式図である。

【図6】実施の形態１における調整範囲の定義例を説明する説明図である。

【図7】実施の形態１におけるシミュレーションの実行結果を説明する説明図である。

【図8】実施の形態１における改善案の提示例を示す模式図である。

【図9】改善案の他の提示例を示す模式図である。

【図10】実施の形態１における情報処理装置が実行する処理の手順を説明するフローチャートである。

【図11】検査項目の分布の導出手法を説明する説明図である。

【図12】分布の導出結果を示す図である。

【図13】実施の形態２における調整範囲の定義例を説明する説明図である。

【図14】実施の形態２におけるシミュレーションの実行結果を説明する説明図である。

【図15】実施の形態２における改善案の提示例を示す模式図である。

【図16】実施の形態２における情報処理装置が実行する処理の手順を説明するフローチャートである。

【発明を実施するための形態】

【0011】

以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る情報処理装置の構成を説明するブロック図である。情報処理装置１は、複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された学習モデルに関して、推定結果への影響が大きい入力要素を特定し、影響が大きい入力要素の値を様々に変更したデータを用いてシミュレーションを実行することにより、各入力要素についての改善案をユーザに提供する。以下、本発明の適用例の１つとして、ユーザの健診データに基づき健康リスクを推定する学習モデルＬＭ１に関して、推定結果である健康リスクへの影響が大きい検査項目（入力要素）を特定し、検査項目の値について改善案をユーザに提供する構成を説明する。

【0012】

情報処理装置１は、専用又は汎用のコンピュータであり、制御部１１、記憶部１２、入力部１３、通信部１４、操作部１５、表示部１６などを備える。

【0013】

制御部１１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１１が備えるＲＯＭには、情報処理装置１が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１１内のＣＰＵは、ＲＯＭに記憶されている制御プログラムや記憶部１２に記憶されている各種コンピュータプログラムを読み込んで実行し、ハードウェア各部の動作を制御することによって、装置全体を本発明に係る情報処理装置として機能させる。制御部１１が備えるＲＡＭには、演算の実行中に利用されるデータが一時的に記憶される。

【0014】

実施の形態において、制御部１１は、ＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路であってもよい。また、制御部１１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えてもよい。

【0015】

記憶部１２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＥＥＰＲＯＭ（Electronically Erasable Programmable Read Only Memory）などのストレージを備える。記憶部１２には、制御部１１によって実行される各種のコンピュータプログラムや制御部１１によって利用される各種のデータが記憶される。

【0016】

記憶部１２に記憶されるコンピュータプログラムは、学習モデルＬＭ１に関して、推定結果に対する各入力要素の影響度を算出し、算出した影響度に基づき少なくとも１つの入力要素を選択し、選択した入力要素の値を様々に変更して学習モデルＬＭ１によるシミュレーションを実行し、シミュレーションの実行結果に基づき、入力要素に対する推奨値を決定し、決定した推奨値の情報を出力する処理を情報処理装置１に実行させるためのコンピュータプログラムＰＧ１を含む。コンピュータプログラムＰＧ１は、単一のコンピュータプログラムであってもよく、複数のコンピュータプログラムにより構成されるものであってもよい。また、コンピュータプログラムＰＧ１は、既存のライブラリを部分的に用いるものであってもよい。

【0017】

記憶部１２に記憶されるコンピュータプログラムＰＧ１は、当該コンピュータプログラムＰＧ１を読み取り可能に記録した非一時的な記録媒体ＭＤ１により提供される。記録媒体ＭＤ１は、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カード、マイクロＳＤカード、コンパクトフラッシュ（登録商標）などの可搬型メモリである。制御部１１は、図に示していない読取装置を用いて、記録媒体ＭＤ１からコンピュータプログラムＰＧ１を読み取り、読み取ったコンピュータプログラムＰＧ１を記憶部１２に記憶させる。また、記憶部１２に記憶されるコンピュータプログラムＰＧ１は、通信部１４を介した通信により提供されてもよい。この場合、制御部１１は、通信部１４を通じてコンピュータプログラムＰＧ１を取得し、取得したコンピュータプログラムＰＧ１を記憶部１２に記憶させればよい。

【0018】

また、記憶部１２は、学習済みの学習モデルＬＭ１を備える。学習モデルＬＭ１は、ユーザの健診データが入力された場合、健康リスクに関するデータを出力するよう学習される。記憶部１２には、学習モデルＬＭ１の構成情報として、学習モデルＬＭ１が備える層の数や配置関係、各層に含まれるニューロンの数や接続関係、各ニューロンにおける活性度、ニューロン間の重み係数などが記憶される。本実施の形態では、学習済みの学習モデルＬＭ１が記憶部１２に記憶されているものとする。学習モデルＬＭ１の具体的な構成については後に詳述する。

【0019】

また、記憶部１２は、ユーザ毎の健診データを記憶する健診結果データベースＤＢ１を備える。図２は健診結果データベースＤＢ１の一例を示す概念図である。健診結果データベースＤＢ１は、ユーザの識別子であるユーザＩＤ、ユーザの氏名、健診日、各種検査項目についての検査結果を示す値を関連付けて記憶したデータベースである。検査項目は、身長、体重、収縮期及び拡張期の血圧、ＬＤＬコレステロール、ＨＤＬコレステロール、中性脂肪、血糖値、ＨｂＡ１ｃ、尿酸、尿蛋白、１日運動量、１日野菜量などを含む。なお、検査結果を示す値の一例は、数値である。検査結果を示す値は、検出対象物質を検出したか否かを示す符号、異常の有無を示す符号、医師の所見などを含んでもよい。また、検査結果を示す値は、ユーザの自己申告により与えられた情報を含んでもよい。健診結果データベースＤＢ１は、更に、ユーザの生年月日、住所、職業、メールアドレスなどのユーザの属性情報を含んでもよい。なお、ユーザの健診データは、一時的に保持されていればよく、学習モデルＬＭ１が生成された後のタイミングや学習モデルＬＭ１を用いてシミュレーションを行った後のタイミング等において消去されるとよい。

【0020】

入力部１３は、各種データを取込むための入力インタフェースを備える。入力部１３には、例えば印刷物の画像を光学的に読み取るスキャナ装置が接続される。この場合、入力部１３は、印刷物の画像を光学的に読み取ることにより得られる画像データを取込む。入力部１３は、スキャナ装置より得られる画像データに対して既存のＯＣＲ（Optical Character Recognition）技術を適用し、文字認識を行うことにより、文字データを取得してもよい。また、入力部１３は、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤカード、マイクロＳＤカード、コンパクトフラッシュなどの可搬型メモリを着脱可能に装着するスロットを備え、スロットに装着された可搬型メモリにアクセスして、所望のデータを取込む構成であってもよい。実施の形態１に係る情報処理装置１は、入力部１３を通じて、紙に印刷された健康診断結果表や可搬型メモリに記録されたデータから、ユーザの健診データを取得することが可能である。

【0021】

通信部１４は、各種データを送受信する通信インタフェースを備える。通信部１４が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮ（Local Area Network）の通信規格に準じた通信インタフェースである。通信部１４は、送信すべきデータが制御部１１から入力された場合、指定された宛先へ送信すべきデータを送信する。また、通信部１４は、外部装置から送信されたデータを受信した場合、受信したデータを制御部１１へ出力する。情報処理装置１は、通信部１４を通じて健診データを取得してもよい。

【0022】

操作部１５は、タッチパネル、キーボード、スイッチなどの操作デバイスを備え、ユーザによる各種の操作やデータの入力を受付ける。制御部１１は、操作部１５より与えられる各種の操作情報に基づき適宜の制御を行うと共に、入力を受付けた各種のデータを記憶部１２に記憶させる。情報処理装置１は、操作部１５を通じて健診データの手入力を受け付けてもよい。

【0023】

表示部１６は、液晶モニタや有機ＥＬ（Electro-Luminescence）などの表示デバイスを備え、制御部１１からの指示に応じてユーザ等に報知すべき情報を表示する。

【0024】

なお、情報処理装置１は、単一のコンピュータに限らず、複数のコンピュータや周辺機器からなるコンピュータシステムであってもよい。また、情報処理装置１は、ソフトウェアによって仮想的に構築される仮想マシンであってもよい。

【0025】

図３は学習モデルＬＭ１の構成例を示す模式図である。学習モデルＬＭ１は、複数のニューロン（ノードともいう）が結合されたニューラルネットワークにより構成されている。学習モデルＬＭ１は、ユーザの健診データを入力した場合、健康リスクに関するデータ（推定結果）を出力するよう学習される。本実施の形態では、学習済みの学習モデルＬＭ１が記憶部１２に記憶される。学習モデルＬＭ１を構成するニューラルネットワークの種類は任意であり、入力対象のデータの形式や出力すべき推定結果のデータ形式に応じて適宜選択される。例えば、ＣＮＮ（Convolutional Neural Networks）、ＲＮＮ（Recurrent Neural Networks）、ＬＳＴＭ（Long Short Term Memory）、ＧＡＮ（Generative Adversarial Network）、オートエンコーダなどが学習モデルＬＭ１のニューラルネットワークとして用いられる。

【0026】

学習モデルＬＭ１は、入力層、中間層（隠れ層）、及び出力層を備える。各層は複数のニューロンを備える。入力層が備える各ニューロンには、入力データに含まれる各入力要素の値が入力される。本実施の形態では、健診データに関して、各検査項目（入力要素）の値が入力層の各ニューロンに入力される。中間層は１又は複数の層により構成される。中間層の各層が備える個々のニューロンは、前後に設けられた層のニューロンに結合されている。各ニューロンにおける内部活性度（単に活性度ともいう）やニューロン間の結合の強さ（重み係数）は、学習の過程で定められる。各層のニューロンは、重み係数と活性度とに基づいて計算される値を、後段のニューロンへ出力する。出力層は、中間層から入力される値を基にソフトマックス関数を用いて確率を計算する。出力層は、学習モデルＬＭ１による推定結果として、計算した確率を各ニューロンより出力する。出力層の各ニューロンが出力する確率は、例えば分類対象の各カテゴリに属する確率を表す。本実施の形態に係る学習モデルＬＭ１は、健康リスクに関して、低リスクである確率（Ｐ１）、中リスクである確率（Ｐ２）、及び高リスクである確率（Ｐ３）の３つの確率を出力層の各ニューロンから出力するよう構成される。

【0027】

学習モデルＬＭ１は、複数のユーザの健診データと、各ユーザの健康リスクを示す正解データとをデータセットに含む訓練データを用いて、既存の学習アルゴリズムに従って学習することにより生成される。健康リスクを示す正解データは、直近（例えば過去１年）の疾病歴、通院歴、入院歴等を考慮し、疾病がない場合は低リスク、短期の通院歴や入院歴がある場合には中リスク、長期の通院歴や入院歴がある場合には高リスクといったように設定することが可能である。また、医師やユーザ自身が人為的に健康リスクを設定してもよい。学習モデルＬＭ１は、情報処理装置１の内部にて生成されてもよく、外部サーバにおいて生成されてもよい。後者の場合、情報処理装置１は、外部サーバから学習済みの学習モデルＬＭ１をダウンロードし、記憶部１２にインストールすればよい。

【0028】

情報処理装置１の制御部１１は、学習済みの学習モデルＬＭ１に関して、出力データに対する各入力要素の影響度を算出する。図４は影響度の算出手法を説明する説明図である。図４は、簡略化のために、第Ｎ層のｉ番目のニューロンと、第Ｎ－１層のｊ番目のニューロンとの関係のみを示している。制御部１１は、複数のユーザの健診データと、各ユーザの健康リスクを示す正解データとをデータセットに含む訓練データを用いて、学習モデルＬＭ１による演算を実行する際、ニューラルネットワークから各ニューロンの活性度と、ニューロン間の重み係数を読み出し、読み出した活性度と重み係数とを用いて各入力要素の影響度を算出する。

【0029】

学習モデルＬＭ１を構成するニューラルネットワークの第Ｎ層のｉ番目のニューロンの活性度をＡ_Ni、第Ｎ層のｉ番目のニューロンと第Ｎ－１層のｊ番目のニューロンとの間の重み係数をＷ_Nij とする。訓練データにはＫ組のデータセットが含まれるとする。

【0030】

制御部１１は、第Ｎ層のニューロンに関して、以下の数１及び数２による演算を実行する。

【0031】

【数1】

【0032】

【数2】

【0033】

制御部１１は、数１及び数２による演算を、第Ｎ層、第Ｎ－１層、…、第１層の順に実行し、第１層のｎ番目のニューロンに集約させていくことにより、Ｑ_1nを以下のように求める。

【0034】

【数3】

【0035】

制御部１１は、訓練データに含まれるＫ組のデータセットの夫々について上記の演算を実行することにより、Ｑ_1n ¹,Ｑ_1n ² ,Ｑ_1n ³ ,…，Ｑ_1n ^K を求める。

【0036】

制御部１１は、数４により、Ｑ_1n ¹ ,Ｑ_1n ² ,Ｑ_1n ³ ,…，Ｑ_1n ^K の平均値を算出することにより、第１層ｎ番目のニューロン（すなわちｎ番目の入力要素）の影響度Ｅ_n を算出する。

【0037】

【数4】

【0038】

制御部１１は、同様の演算を第１層に含まれる全てのニューロンについて実行して、各入力要素の影響度Ｅ₁ ，Ｅ₂ ，…を算出し、各入力要素の影響度Ｅ₁ ，Ｅ₂ ，…を用いて規格化することにより、各入力要素の最終的な影響度を算出する。例えば、ｎ番目の入力要素の影響度Ｅ_n は次式により算出される。

【0039】

【数5】

【0040】

制御部１１は、各入力要素（検査項目）について算出した影響度に基づき、学習モデルＬＭ１に入力する検査項目を、推定結果に与える影響が大きい検査項目と、推定結果に与える影響が小さい検査項目とに分類することができる。

【0041】

例えば、制御部１１は、算出した影響度が高い順に検査項目をソートし、影響度が高い方から順に所定数の検査項目を選択することにより、推定結果に与える影響が大きい検査項目を特定し、残りを推定結果に与える影響が小さい検査項目として特定する。

【0042】

制御部１１は、選択する検査項目の個数に関して、操作部１５を通じてユーザの設定を受け付けてもよい。例えば、３個という個数がユーザにより設定された場合、制御部１１は、影響度が高い方から順に３個の検査項目を選択することにより、推定結果に与える影響が大きい検査項目を特定し、残りを推定結果に与える影響が小さい検査項目として特定すればよい。

【0043】

代替的に、制御部１１は、予め設定した閾値より高い影響度を持つ検査項目を選択して、推定結果に与える影響が大きい検査項目を特定し、残りを推定結果に与える影響が小さい検査項目として特定してもよい。

【0044】

制御部１１は、選択した項目（推定結果に与える影響が大きい検査項目）を、算出した影響度と共に表示してもよい。図５は影響度の表示例を示す模式図である。図５の例では、推定結果に与える影響が大きい検査項目と、これらの検査項目について算出された影響度とを対応付けて表示部１６に表示した例を示している。これにより、情報処理装置１は、学習モデルＬＭ１に関して、推定結果に与える影響が大きい検査項目を可視化することができる。

【0045】

制御部１１は、推定結果に与える影響が大きい検査項目について調整範囲を設定し、設定した調整範囲内で検査項目の値を様々に変更してシミュレーションを実行して、健康リスクに関する改善案をユーザに提供する。

【0046】

図６は実施の形態１における調整範囲の定義例を説明する説明図である。検査項目の調整範囲は例えば上限値及び下限値により定義される。これらの上限値及び下限値は、制御部１１の演算によって設定されてもよく、操作部１５を通じて値を受付けることにより設定されてもよい。設定された上限値及び下限値は記憶部１２に記憶される。制御部１１は、対象の検査項目について上限値及び下限値を読み出し、調整範囲を設定する。

【0047】

制御部１１は、設定した調整範囲内で検査項目の値をランダムに変更して、学習モデルＬＭ１への入力データを生成し、生成した入力データを学習モデルＬＭ１へ入力することによってシミュレーションを実行する。図７は実施の形態１におけるシミュレーションの実行結果を説明する説明図である。制御部１１は、推定結果に与える影響が大きいとして選択した検査項目（図７の例では、収縮期／拡張期の血圧、中性脂肪、体重、尿酸、血糖値）の値を調整範囲内でランダムに変更し、学習モデルＬＭ１への入力データを生成する。なお、選択された検査項目以外の項目（推定結果に与える影響が低い）については現状値を用いればよい。

【0048】

制御部１１は、生成した複数の入力データの夫々を学習モデルＬＭ１へ入力し、学習モデルＬＭ１による演算を実行することにより、健康リスクのシミュレーションを実行する。図７の例は、現状の入力データを学習モデルＬＭ１に入力した場合、学習モデルＬＭ１から得られる推定結果は、低リスクの確率が２０％である（すなわち、現状の健康リスクは中リスク又は高リスクである）ことを示したのに対し、Ｎｏ．１のように項目値を変更した入力データを用いた場合、低リスク確率は５０％まで上昇し、Ｎｏ．２のように項目値を変更した入力データを用いた場合、低リスク確率は８５％まで上昇することを示している。Ｎｏ．３～Ｎｏ．５の入力データについても図に示す通りである。

【0049】

制御部１１は、学習モデルＬＭ１を用いたシミュレーションの実行結果に基づき、検査項目の推奨値を決定する。制御部１１は、予め定められた条件に従って推奨値を決定すればよい。図７の例では、Ｎｏ．４及びＮｏ．５の入力データについて、低リスク確率が１００％であるとの推定結果が得られている。これらのＮｏ．４及びＮｏ．５に示す検査項目の値は、健康リスクの観点からは理想的な値であるが、ユーザにとって実現困難な目標値となり得る。そこで、低リスク確率に関して目標とする範囲を設定しておき、この範囲内で検査項目の推奨値を決定すればよい。例えば、低リスク確率の範囲に関して９０％以上１００％未満という範囲を設定すれば、図７に示すデータからは、Ｎｏ．３の入力データが選択され、検査項目に対する推奨値が決定される。

【0050】

制御部１１は、シミュレーションにより決定した推奨値に基づき、検査項目の改善案をユーザに提示する。図８は実施の形態１における改善案の提示例を示す模式図である。図８は健康リスクを中リスクから低リスクに改善するための改善案を提示した例を示している。制御部１１は、このような改善案の情報を生成し、生成した改善案の情報を表示部１６に表示する。代替的に、制御部１１は、改善案の情報を通信部１４よりユーザの端末装置へ送信してもよい。

【0051】

改善案は、検査項目の推奨値を含む文字ベースの情報である。推奨値以外の文字部分は、定型文により構成される。改善案が複数ある場合、優先度が高い順（推定結果に対する影響度が高い検査項目の順）にユーザに提示すればよい。図８は、優先度が最も高い改善案として、血圧の推奨値を含む改善案を上段に提示し、２番目に優先度が高い改善案として、中性脂肪の推奨値を含む改善案を中段に提示し、３番目に優先度が高い改善案として、体重の推奨値を含む改善案を下段に提示した例を示している。

【0052】

図９は改善案の他の提示例を示す模式図である。制御部１１は、図９に示すように、選択した各検査項目の現状値と推奨値とを対応付けて表示部１６に表示することにより、ユーザに改善案を提示してもよい。また、制御部１１は、図９に示すような改善案を通信部１４よりユーザの端末装置へ送信してもよい。

【0053】

以下、情報処理装置１の動作について説明する。
図１０は実施の形態１における情報処理装置１が実行する処理の手順を説明するフローチャートである。情報処理装置１の制御部１１は、ユーザについて健診データを取得する（ステップＳ１０１）。制御部１１は、健診結果データベースＤＢ１からユーザの健診データを読み出してもよく、入力部１３又は通信部１４から新たにユーザの健診データを取得してもよい。

【0054】

制御部１１は、取得した健診データを学習モデルＬＭ１に入力し、学習モデルＬＭ１による演算を実行することによって健康リスクを推定する（ステップＳ１０２）。すなわち、制御部１１は、学習モデルＬＭ１を構成するニューラルネットワークから各ニューロンの活性度及びニューロン間の重み係数を読み出し、入力層から出力層に向かって演算を進めることにより、学習モデルＬＭ１による演算結果を取得する。制御部１１は、学習モデルＬＭ１の演算結果に基づき、健康リスクを推定する。

【0055】

ユーザの健康リスクが中リスク又は高リスクと判断した場合、制御部１１は、以下の処理を実行して、ユーザに改善案を提示する。なお、ユーザの健康リスクが低リスクと判断した場合、制御部１１は、以下の処理を実行せずに本フローチャートによる処理を終了してもよい。

【0056】

制御部１１は、学習モデルＬＭ１の推定結果に対する各検査項目の影響度を算出する（ステップＳ１０３）。制御部１１は、例えば、訓練データを用いて学習モデルＬＭ１による演算を実行する際、学習モデルＬＭ１を構成するニューラルネットワークから各ニューロンの活性度と、ニューロン間の重み係数とを読み出し、読み出した活性度と重み係数とを用いることにより、各入力要素の影響度を算出することができる。すなわち、制御部１１は、上述した数１から数５の演算式に従い、第Ｎ層のニューロンから第１層のニューロンに向けて演算を集約させていくことにより、第１層が備える各ニューロンについて影響度を算出することができる。

【0057】

制御部１１は、算出した影響度を表示部１６に表示する（ステップＳ１０４）。制御部１１は、例えば、各検査項目の項目名と、各検査項目について算出した影響度と対応付けて表示部１６に表示する。また、制御部１１は、影響度が低い検査項目と、影響度が高い検査項目とに分類し、影響度が高い検査項目についてのみ、項目名と影響度とを対応付けて表示してもよい。更に、制御部１１は、影響度が低い検査項目と、影響度が低い検査項目とで表示態様を異ならせて影響度を表示してもよい。例えば、影響度が高い検査項目のみを赤色や黄色などの強調色で表示してもよく、点滅表示により強調してもよい。

【0058】

次いで、制御部１１は、ステップＳ１０３で算出した影響度に基づき、シミュレーションに用いる検査項目を選択する（ステップＳ１０５）。制御部１１は、例えば、学習モデルＬＭ１の推定結果に与える影響度が高い方から順に所定数の検査項目を選択する。代替的に、ユーザの健康リスクが中リスクである場合、制御部１１は、学習モデルＬＭ１の推定結果に与える影響度が高い方から順にＮ１個（例えば３個）の検査項目を選択し、ユーザの健康リスクが高リスクである場合、制御部１１は、学習モデルＬＭ１の推定結果に与える影響度が高い方から順にＮ２個（Ｎ２＞Ｎ１であり、Ｎ２は例えば５個）の検査項目を選択してもよい。

【0059】

次いで、制御部１１は、選択した検査項目に対する調整範囲を設定する（ステップＳ１０６）。制御部１１は、ユーザの現状の健康リスクを把握し、健康リスクを改善できるように調整範囲を設定すればよい。制御部１１は、例えば、選択した検査項目のユーザの現状値を読み込み、読み込んだ現状値を上限値又は下限値に含む範囲を設定すればよい。調整範囲は、ユーザの現状の健康リスクが高リスクである場合、相対的に広く設定され、中リスクである場合、相対的に狭く設定されてもよい。また、調整範囲はユーザの属性などに基づき予め設定され、上限値及び下限値が記憶部１２に記憶されていてもよい。この場合、制御部１１は、記憶部１２から上限値及び下限値を読み出せばい。

【0060】

制御部１１は、設定した調整範囲内で検査項目の値をランダムに変更してシミュレーションを実行する（ステップＳ１０７）。制御部１１は、選択した検査項目の値を調整範囲内でランダムに変更して学習モデルＬＭ１に入力し、学習モデルＬＭ１による演算結果に基づいて健康リスクを推定する。

【0061】

制御部１１は、ステップＳ１０７のシミュレーション結果に基づき、各検査項目の推奨値を決定する（ステップＳ１０８）。現時点のユーザの健康リスクが高リスクである場合、制御部１１は、中リスク又は低リスクとなるように推奨値を決定する。また、現時点のユーザの健康リスクが中リスクである場合、制御部１１は、低リスクとなるように推奨値を決定する。すなわち、制御部１１は、ユーザの健康リスクが改善するように各検査項目の推奨値を決定すればよい。なお、制御部１１は、各検査項目の理想値（調整範囲の下限値又は上限値）を推奨値として決定する必要はなく、ユーザが実現可能な目標値を推奨値として決定してもよい。

【0062】

制御部１１は、ステップＳ１０８で決定した推奨値を含む改善案の情報を生成し、生成した改善案の情報を表示部１６に表示する（ステップＳ１０９）。すなわち、制御部１１は、検査項目の推奨値を含む文字ベースの情報を改善案として生成し、生成した改善案の情報を表示部１６へ出力することによって表示部１６に表示させればよい。代替的に、制御部１１は、生成した改善案の情報を通信部１４よりユーザの端末装置へ送信してもよい。

【0063】

以上のように、実施の形態１に係る情報処理装置１は、各ニューロンの活性度及びニューロン間の重み係数に基づき、学習モデルＬＭ１の推定結果に与える各検査項目の影響度を算出し、可視化することができる。また、実施の形態１に係る情報処理装置１は、影響度が高い検査項目の値を様々に変更したシミュレーションを実行して推奨値を決定し、決定した推奨値を含む改善案をユーザに提示することにより、ユーザに健康リスクの改善を促すことができる。

【0064】

（実施の形態２）
実施の形態２では、影響度が高い検査項目と影響度が低い検査項目との双方から検査項目を選択し、選択して検査項目の値をランダムに変更してシミュレーションを実行する構成について説明する。
情報処理装置１の内部構成、各検査項目の影響度の算出方法等については実施の形態１と同様であるため、その説明を省略することとする。

【0065】

情報処理装置１の制御部１１は、実施の形態１と同様の手順により、各検査項目の影響度を算出する。各検査項目は、推定結果への影響度が高い検査項目と、推定結果への影響度が低い検査項目とに分類される。制御部１１は、推定結果への影響度が高い検査項目を、シミュレーション対象の検査項目として選択する。また、制御部１１は、推定結果への影響度が低い検査項目のうち、ユーザの現状値が基準となる分布から乖離している場合、当該項目をシミュレーション対象の検査項目として選択する。

【0066】

以下、検査項目の分布の導出方法について説明する。図１１は検査項目の分布の導出手法を説明する説明図である。制御部１１は、訓練データや健診結果データベースＤＢ１に記憶されている健診データを用いて、学習モデルＬＭ１による演算を繰り返し実行し、健康リスクが低リスクと推定された検査値、中リスクと推定された検査値、及び高リスクを推定された検査値を集計する。制御部１１は、集計した結果に基づき、各検査項目の分布を導出する。図１１に示すグラフの横軸は、収縮期血圧を示し、縦軸は、低リスク、中リスク、及び高リスクと推定された頻度を示している。制御部１１は、グラフから各リスクの標準偏差σや平均値Ｍなどを求め、各リスクの分布を導出する。制御部１１は、例えば平均値Ｍから±σの範囲をそれぞれのリスクの分布として導出することができる。図１１に一例として示すグラフからは、１００～１２０ｍｍＨｇの範囲の収縮期血圧を低リスク分布、１１０～１３０ｍｍＨｇの範囲の収縮期血圧を中リスク分布、１３０～１６０ｍｍＨｇの範囲の収縮期血圧を高リスク分布として導出することができる。

【0067】

制御部１１は、他の検査項目についても同様の手順を実行することにより、各検査項目の基準を示す分布を導出することができる。図１２は分布の導出結果を示す図である。

【0068】

制御部１１は、推定結果への影響度が低いと判断した検査項目のうち、ユーザの現状値が基準となる分布から乖離している場合、当該項目をシミュレーション対象の検査項目として選択する。例えば、ユーザの健康リスクが中リスクであると推定されたにも関わらず、１日野菜量が２０ｇである場合（高リスク分布に属する場合）、ユーザの検査項目の値が基準となる分布から乖離していると判断できるので、制御部１１は、１日野菜量をシミュレーション対象の検査項目に加える。他の項目についても同様である。

【0069】

制御部１１は、実施の形態１と同様にして調整範囲を設定し、調整範囲内で検査項目の値をランダムに変更してシミュレーションを実行する。

【0070】

図１３は実施の形態２における調整範囲の定義例を説明する説明図である。検査項目の調整範囲は例えば上限値及び下限値により定義される。これらの上限値及び下限値は、制御部１１の演算によって設定されてもよく、操作部１５を通じて値を受付けることにより設定されてもよい。設定された上限値及び下限値は記憶部１２に記憶される。制御部１１は、対象の検査項目について上限値及び下限値を読み出し、調整範囲を設定する。図１３の例は、影響度が高いと分類された項目（血圧、中性脂肪、及び体重）と、影響度が低いと分類されたが、ユーザの現状値が基準となる分布から乖離していると判断された項目（１日野菜量及び１日運動量）とについて、調整範囲が設定された例を示している。

【0071】

制御部１１は、設定した調整範囲内で検査項目の値をランダムに変更して、学習モデルＬＭ１への入力データを生成し、生成した入力データを学習モデルＬＭ１へ入力することによってシミュレーションを実行する。図１４は実施の形態２におけるシミュレーションの実行結果を説明する説明図である。制御部１１は、推定結果への影響度が高いとして選択された検査項目（図１３の例では、血圧、中性脂肪、及び体重）と、影響度は低いが基準となる分布から乖離しているために選択された項目（図１３の例では、１日野菜量及び１日運動量）の値を調整範囲内でランダムに変更し、学習モデルＬＭ１への入力データを生成する。なお、選択された検査項目以外の項目については現状値を用いればよい。

【0072】

制御部１１は、生成した複数の入力データの夫々を学習モデルＬＭ１へ入力し、学習モデルＬＭ１による演算を実行することにより、健康リスクのシミュレーションを実行する。

【0073】

図１４の例は、現状の入力データを学習モデルＬＭ１に入力した場合、学習モデルＬＭ１から得られる推定結果は、低リスクの確率が２０％であることを示したのに対し、Ｎｏ．１のように項目値を変更した入力データを用いた場合、低リスク確率は４０％まで上昇し、Ｎｏ．２のように項目値を変更した入力データを用いた場合、低リスク確率は６５％まで上昇することを示している。Ｎｏ．３～Ｎｏ．５の入力データについても図に示す通りである。

【0074】

制御部１１は、シミュレーションにより決定した推奨値に基づき、検査項目の改善案をユーザに提示する。図１５は実施の形態２における改善案の提示例を示す模式図である。図１５は健康リスクを中リスクから低リスクに改善するための改善案を提示した例を示している。制御部１１は、このような改善案の情報を表示部１６に表示する。代替的に、制御部１１は、改善案の情報を通信部１４よりユーザの端末装置へ送信してもよい。また、制御部１１は、実施の形態１と同様に、各項目の現状値と推奨値とを対応付けて表示若しくは送信してもよい。

【0075】

図１６は実施の形態２における情報処理装置１が実行する処理の手順を説明するフローチャートである。情報処理装置１の制御部１１は、実施の形態１と同様の手順により、ユーザの健診データを取得し（ステップＳ２０１）、学習モデルＬＭ１による演算を実行することによって健康リスクを推定する（ステップＳ２０２）。

【0076】

また、制御部１１は、学習モデルＬＭ１の推定結果に対する各検査項目の影響度を算出する（ステップＳ２０３）。制御部１１は、実施の形態１と同様の手順により、第Ｎ層のニューロンから第１層のニューロンに向けて演算を集約させていくことにより、第１層が備える各ニューロンについて影響度を算出する。制御部１１は、算出した影響度を表示部１６に表示してもよい。

【0077】

制御部１１は、各検査項目における検査値の分布を導出する（ステップＳ２０４）。制御部１１は、訓練データや健診結果データベースＤＢ１に記憶されている健診データを用いて、学習モデルＬＭ１による演算を繰り返し実行し、推定結果を集計することによって、各検査項目における検査値の分布を導出する。なお、検査値の分布の導出は、ユーザの健診データから健康リスクを推定する都度実施する必要はなく、

【0078】

次いで、制御部１１は、ステップＳ２０３で算出した影響度と、ステップＳ２０４で導出した検査値の分布とに基づき、シミュレーションに用いる検査項目を選択する（ステップＳ２０５）。実施の形態２では、学習モデルＬＭ１の推定結果に与える影響が高い方から順に所定数の検査項目を選択すると共に、推定結果に与える影響が低い検査項目であっても、ユーザの検査値が基準となる分布から乖離している場合、当該検査項目をシミュレーション対象として選択すればよい。なお、ユーザの検査値が基準となる分布から乖離しているか否かは、基準となる分布の平均値Ｍから±σ以上離れているか否かにより判断すればよい。

【0079】

次いで、制御部１１は、実施の形態１と同様の手順により、選択した検査項目に対する調整範囲を設定し（ステップＳ２０６）、設定した調整範囲内で検査項目の値をランダムに変更してシミュレーションを実行する（ステップＳ２０７）。

【0080】

制御部１１は、ステップＳ２０７のシミュレーション結果に基づき、各検査項目の推奨値を決定する（ステップＳ２０８）。制御部１１は、ユーザの健康リスクが改善するように各検査項目の推奨値を決定すればよい。

【0081】

制御部１１は、ステップＳ２０８で決定した推奨値を含む改善案の情報を生成し、生成した改善案の情報を表示部１６に表示する（ステップＳ２０９）。すなわち、制御部１１は、検査項目の推奨値を含む文字ベースの情報を改善案として生成し、図１５に示すように、作成した改善案を表示部１６へ出力することによって表示部１６に表示させればよい。代替的に、制御部１１は、生成した改善案の情報を通信部１４よりユーザの端末装置へ送信してもよい。

【0082】

以上のように、実施の形態２に係る情報処理装置１は、各ニューロンの活性度及びニューロン間の重み係数に基づき、学習モデルＬＭ１の推定結果に与える各検査項目の影響度を算出し、可視化することができる。また、実施の形態１に係る情報処理装置１は、影響度が高い検査項目の値、及び影響度は低いが、基準となる範囲から乖離した検査項目の値を様々に変更したシミュレーションを実行して推奨値を決定し、決定した推奨値を含む改善案をユーザに提示することにより、ユーザに健康リスクの改善を促すことができる。

【0083】

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

【0084】

本実施の形態では、適用例の１つとして、ユーザの健診データに基づき健康リスクを推定する学習モデルＬＭ１に関して、推定結果である健康リスクへの影響が大きい検査項目を特定し、各検査項目の改善案をユーザに提供する構成について説明したが、複数種の入力要素を含む入力データと、推定結果に係る出力データとの関係が学習された任意の学習モデルについて適用することが可能である。

【0085】

例えば、各種の遊技装置が設置された遊技場に関して、情報処理装置１は、遊技装置の稼働率に関する改善案を提示する構成としてもよい。この場合、情報処理装置１は、客数、遊技装置の台数、過去の稼働率、機種情報などを含む入力データと、将来の稼働率などを含む出力データとの関係が学習された学習モデルに関して、出力データに対する各入力要素の影響度を算出し、算出した影響度に基づきシミュレーションに用いる入力要素を選択してシミュレーションを実行し、入力要素に対する推奨値を含む改善案を提示すればよい。

【0086】

また、商品又はサービスを提供する店舗に関して、情報処理装置１は、店舗の売り上げに関する改善案を提示する構成としてもよい。この場合、情報処理装置１は、商品又はサービスの価格、品数、販売先、出荷元、過去の販売台数、売り上げなどを含む入力データと、今後の売り上げなどを含む出力データとの関係が学習された学習モデルに関して、出力データに対する各入力要素の影響度を算出し、算出した影響度に基づきシミュレーションに用いる入力要素を選択してシミュレーションを実行し、入力要素に対する推奨値を含む改善案を提示すればよい。

【符号の説明】

【0087】

１ 情報処理装置
１１ 制御部
１２ 記憶部
１３ 入力部
１４ 通信部
１５ 操作部
１６ 表示部
ＰＧ１ コンピュータプログラム
ＬＭ１ 学習モデル
ＤＢ１ 健診結果データベース

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】