特許7361698IP Force 特許公報全文掲載

ホーム > 特許ランキング > マース　インコーポレーテッド > 特許7361698

技術分野

本開示の主題は、ネコ科動物の慢性腎臓疾患（ＣＫＤ）の発症に対する感受性を決定する方法、並びにネコ科動物に関するＣＫＤのリスクを予防及び／又は低減する方法

この特許の権利範囲[特許請求の範囲]

知財ポータルサイト IP Force にログインして確認する (無料)

この特許公報に記載されている図面[図面の簡単な説明]から抜粋

【図1】 訪問時のネコの年齢に対する、訪問の分布
【図2A-1】 ｍｉｎ‐ｍａｘ正規化及び欠損値補完後のデータセットを含む６１，１６０の記録の階層的クラスタリング及びヒートマッププロット。図２Ａは、１２２３個の外れ値を削除した後のデータセットを示し、予測に使用されることになる６つの特徴が、赤色の長方形で囲まれて示されている。
【図2A-2】 図２Ａ－１の続き。
【図2B-1】 ｍｉｎ‐ｍａｘ正規化及び欠損値補完後のデータセットを含む６１，１６０の記録の階層的クラスタリング及びヒートマッププロット。図２Ｂは、予測に使用されることになる６つの特徴のみのヒートマップを示す。
【図2B-2】 図２Ｂ－１の続き。
【図2C-1】 ｍｉｎ‐ｍａｘ正規化及び欠損値補完後のデータセットを含む６１，１６０の記録の階層的クラスタリング及びヒートマッププロット。図２Ｃは、１２２３個の外れ値を削除していないヒートマップを示す。
【図2C-2】 図２Ｃ－１の続き。
【図3-1】 最も有益な６つの変数の散布図行列。健康なネコ及びＣＫＤネコの訪問を、それぞれ緑色及び赤色のドットで示す。
【図3-2】 図３－１の続き。
【図4A】 健康なネコ及びＣＫＤネコの訪問のＰＣＡ及びｔ‐ＳＮＥプロット。図４Ａは、健康なネコ及びＣＫＤネコの訪問のＰＣＡ ２Ｄプロットを示す。
【図4B】 健康なネコ及びＣＫＤネコの訪問のＰＣＡ及びｔ‐ＳＮＥプロット。図４Ｂは、健康なネコ及びＣＫＤネコの訪問のＰＣＡ ３Ｄプロットを示す。
【図4C】 健康なネコ及びＣＫＤネコの訪問のＰＣＡ及びｔ‐ＳＮＥプロット。図４Ｃは、健康なネコ及びＣＫＤネコの訪問のｔ‐ＳＮＥ ２Ｄプロットを示す。
【図4D】 健康なネコ及びＣＫＤネコの訪問のＰＣＡ及びｔ‐ＳＮＥプロット。図４Ｄは、健康なネコ及びＣＫＤネコの訪問のｔ‐ＳＮＥ ３Ｄプロットを示す。
【図5】 再帰的特徴消去トップダウンラッパー法による特徴の選択
【図6】 全ての訓練データを使用した最適なＫパラメータ選択
【図7A】 サンプリングされたデータセットの、Ｋ＝３～１７に関する受信者動作特性曲線（ＲＯＣ曲線）及び精度再現曲線（ＰＲ曲線）。図７Ａは、サンプリングされたデータセットの、Ｋ＝３～１７に関するＰＲ曲線を示す。
【図7B】 サンプリングされたデータセットの、Ｋ＝３～１７に関する受信者動作特性曲線（ＲＯＣ曲線）及び精度再現曲線（ＰＲ曲線）。図７Ｂは、サンプリングされたデータセットの、Ｋ＝３～１７に関するＲＯＣ曲線を示す。
【図8A】 個々の時間的予測因子及び混合エキスパート（Ｍｉｘｔｕｒｅ ｏｆ Ｅｘｐｅｒｔｓ：ＭＯＥ）に関するＲＯＣ曲線及びＰＲ曲線。図８Ａは、個々の時間的予測因子及び混合エキスパート（ＭＯＥ）に関するＰＲ曲線を示す。
【図8B】 個々の時間的予測因子及び混合エキスパート（Ｍｉｘｔｕｒｅ ｏｆ Ｅｘｐｅｒｔｓ：ＭＯＥ）に関するＲＯＣ曲線及びＰＲ曲線。図８Ｂは、個々の時間的予測因子及び混合エキスパート（ＭＯＥ）に関するＲＯＣ曲線を示す。
【図9】 リカレントニューラルネットワークアーキテクチャ
【図10A】 機械学習プロセスの概略図。図１０Ａは、ＲＮＮアーキテクチャに対する訓練データセットの構造を示す。ＲＮＮタイムスライス毎に、一意のネコに関する６つの特徴のベクトルが読み込まれる。
【図10B】 機械学習プロセスの概略図。図１０Ｂは、単一出力ＲＮＮ（バニラ又はＬＳＴＭ）に関する訓練スキームを示す。各タイムスライスにおいて、単一の訪問／ネコが読み込まれ、フォワードアクティブ化関数が計算される。最後の訪問において、出力が計算され（二値予測に変換されるＣＫＤの確率）、実際のラベルと比較される。真のラベルと予測との間のいずれの差異を逆伝播することにより、重みを精密化する。この手順は、複数のエポックに対して繰り返され、ここで１つのエポックはデータセットの完全な使用である。
【図11-1】 ＬＳＴＭアーキテクチャ（上）及びバニラＲＮＮアーキテクチャ（下）を、これらの３つのメトリックと共に示す。各構成に関して、第１行はレイヤー毎のノード分布を示し、続く３行は、それぞれＦ１スコア値、ＡＵＣ ＲＯＣ値、及びＡＵＣ ＰＲ値を示す。パフォーマンスが最高のものが、濃い緑色で囲まれて強調されている。
【図11-2】 図１１－１の続き。
【図12】 ＬＳＴＭ（青色の丸）及びバニラＲＮＮ（橙色の丸）に関する、ノードの個数の関数としてのＦ１スコア
【図13A】 ＲＮＮ‐ＬＳＴＭアルゴリズムに基づくモデルの特徴。図１３Ａは、最適な構成（３つのＬＳＴＭレイヤー７‐７‐７、及び最後の高密度フィードフォワードレイヤー）のＲＮＮ‐ＬＳＴＭアーキテクチャを示す。
【図13B】 ＲＮＮ‐ＬＳＴＭアルゴリズムに基づくモデルの特徴。図１３Ｂは、ＡＵＣが０．９３～０．９６（全体で０．９４）での、５層ＣＶに関するＲＯＣ曲線を示す。
【図13C】 ＲＮＮ‐ＬＳＴＭアルゴリズムに基づくモデルの特徴。図１３Ｃは、エポックの個数に対する損失関数を示す。
【図13D】 ＲＮＮ‐ＬＳＴＭアルゴリズムに基づくモデルの特徴。図１３Ｄは、ＡＵＣが０．８９～０．９４（全体で０．９１）での、５層ＣＶに関するＰＲ曲線を示す。ベースラインパフォーマンスは、ＣＫＤクラスのメンバーシップの事前確率（２６％であり、星（＊）で示されている。
【図14A】 バニラＲＮＮアルゴリズムに基づくモデルの特徴。図１４Ａは、バニラＲＮＮアーキテクチャによる代替的な、最適に近い実装形態（３つのＲＮＮレイヤー３‐５‐３、及び最後の高密度フィードフォワードレイヤー）を示す。
【図14B】 バニラＲＮＮアルゴリズムに基づくモデルの特徴。図１４Ｂは、ＡＵＣが０．９３～０．９５（全体で０．９４）での、５層ＣＶに関するＲＯＣ曲線を示す。
【図14C】 バニラＲＮＮアルゴリズムに基づくモデルの特徴。図１４Ｃは、エポックの個数に対する損失関数を示す。
【図14D】 バニラＲＮＮアルゴリズムに基づくモデルの特徴。図１４Ｄは、ＡＵＣが０．９０～０．９３（全体で０．９１）での、５層ＣＶに関するＰＲ曲線を示す。
【図15】 リカレントニューラルネットワーク（ＲＮＮ）アプローチの概略図。標準ＲＮＮでは、全ての訪問における入力特徴データ（ここでは例示的な尿比重（尿ＳＧ）、年齢、クレアチニン及び血中尿素窒素（ＢＵＮ））を、それぞれ３個及び７個のノードを有する２つの隠しレイヤーを通して非線形に結合して、過去のＣＫＤ確率Ｐ（ＣＫＤ）とマージすることにより、更新されたＰ（ＣＫＤ）を得る。この非線形パターンを定義する重み及びアクティブ化関数は、全ての訪問に関して同一である。モデル出力は、最後の訪問におけるＰ（ＣＫＤ）である。ＬＳＴＭ（長・短期記憶）アプローチは概念的には類似しているものの、過去の訪問からの情報を現在の訪問情報と結合する際に、過去の訪問からの情報の一部を忘却するための追加の機構を有する。
【図16】 ＣＫＤステータスによって区別された研究データセットにおける、評価時（Ｔ０）の年齢、クレアチニン、血中尿素窒素、及び尿比重の分布
【図17A】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤ「ＣＫＤなし」。
【図17B】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤ「ＣＫＤなし」。
【図17C】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤステータス「恐らくＣＫＤ」。
【図17D】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤステータス「恐らくＣＫＤ」。
【図17E】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤステータス「ＣＫＤ」。
【図17F】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤステータス「ＣＫＤ」。
【図17G】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤステータス「ＣＫＤ」。
【図17H】 クレアチニン、血中尿素窒素、及び尿比重に関する観察結果を診断（Ｔ０）前の時点の関数として示す、個々のネコの、ランダムに選択された電子健康記録（ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ：ＥＨＲ）。ＣＫＤステータス「ＣＫＤ」。
【図18】 ＲＮＮ及びＬＳＴＭ予測モデルに関するモデルアーキテクチャの関数としてのＦ１スコア
【図19】 試験データセットにおける、評価時（Ｔ０）に予測された、３つの異なる群に関するモデル確率出力の分布。０．５を超える診断確率ｐ（ＣＫＤ）は、将来のＣＫＤのリスクの予測を示し、０．５未満の確率は、そのネコに関して将来のＣＫＤのリスクが低いことを予測する。
【図20】 診断の時点より前の訪問の回数の関数としての、９５％信頼区間を有するモデル感度。診断の時点より前の訪問の回数が多くＥＨＲが少ないほど、信頼区間が増大することに留意されたい。
【図21】 診断の時点より前の訪問の回数の関数としての、９５％信頼区間を有するモデル感度。予測はこの点までのデータしか用いずに実施された。
【図22】 診断時の年齢の関数としての、９５％信頼区間を有するモデル特異度

代表図 図1本件の代表的な図

全ての図面はログインすると無料で閲覧できます。ログイン・ユーザー登録

［広告欄］

ログインすれば広告は減ります

ログインすれば広告は減ります

Copyright © Science Impact Inc. All Rights Reserved.