[go: up one dir, main page]

WO2024202488A1 - 学習モデル作成装置、学習モデル作成方法 - Google Patents

学習モデル作成装置、学習モデル作成方法 Download PDF

Info

Publication number
WO2024202488A1
WO2024202488A1 PCT/JP2024/002574 JP2024002574W WO2024202488A1 WO 2024202488 A1 WO2024202488 A1 WO 2024202488A1 JP 2024002574 W JP2024002574 W JP 2024002574W WO 2024202488 A1 WO2024202488 A1 WO 2024202488A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
learning model
data
request
model creation
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
Application number
PCT/JP2024/002574
Other languages
English (en)
French (fr)
Inventor
敦 伊東
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2025509816A priority Critical patent/JPWO2024202488A1/ja
Publication of WO2024202488A1 publication Critical patent/WO2024202488A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data

Definitions

  • the present invention relates to a learning model creation device and a learning model creation method.
  • learning models In various fields, including the medical field, it is common to create learning models using machine learning. As is well known, when creating learning models using machine learning, a more accurate learning model can be created by performing machine learning (hereinafter sometimes simply referred to as learning) using a larger amount of data.
  • Patent Document 1 describes a configuration in which medical data is provided in exchange for payment, and by using the data provided in this way and increasing the amount of data used for learning, a more accurate learning model can be created.
  • one data (medical data) provided in the above Patent Document 1 can be used in multiple machine learning (to create multiple learning models). That is, for example, data of an 80-year-old man can be used to create multiple learning models, such as a learning model for men only, a learning model for adult men, a learning model for elderly men, a learning model for adults regardless of gender, and a learning model for elderly people regardless of gender.
  • the data also includes various information (for example, height, weight, blood pressure, chronic diseases, and past medical conditions, etc., if the data is medical data).
  • the more types of information included in the data the more learning models can be created using this data. For this reason, once medical data is provided, there is a problem in that it is not possible to grasp the manner in which the provided data is used (such as which learning model it was used to create and how many times it was used).
  • the present invention has been made in consideration of the above background, and aims to provide a learning model creation device and a learning model creation method that can grasp the usage patterns of data.
  • the learning model creation device of the present invention creates a learning model by machine learning using data stored in a data management server, and includes a learning request receiving unit that receives a learning request sent from a learning request source, the learning request specifying a learning algorithm to be used in creating the learning model and a range of data to be used in creating the learning model, a data reading unit that reads data within the range specified in the learning request from the data management server, and a learning model creation unit that creates a learning model using the data read from the data management server and the learning algorithm specified in the learning request.
  • the data may be medical data.
  • the system may also include a learning model transmission unit that transmits the created learning model to the learning request source.
  • the system may also include a learning process maintenance unit that stores the learning process, including identification information for identifying the data used to create the learning model, on the blockchain.
  • the system may also include a fee calculation unit that calculates the fee for using the data used to create the learning model.
  • the learning model creation unit may create multiple learning models by performing multiple machine learning operations using multiple groups of data, some of which overlap.
  • the compensation calculation unit may calculate the compensation for use of data that has been used multiple times in machine learning according to the number of times the data has been used multiple times.
  • the learning model creation unit may treat each of the multiple learning models as a local learning model, and create one global learning model by integrating these local learning models.
  • the learning request source may treat each of the multiple learning models as a local learning model, and integrate these local learning models to create a single global learning model.
  • the learning model creation method of the present invention creates a learning model by machine learning using data stored in a data management server, and includes a learning request receiving step for receiving a learning request transmitted from a learning request source, the learning request specifying a learning algorithm to be used in creating the learning model and a range of data to be used in creating the learning model, a data reading step for reading from the data management server the data within the range specified in the learning request, and a learning model creation step for creating a learning model using the data read from the data management server and the learning algorithm specified in the learning request.
  • the present invention provides a learning model creation device and a learning model creation method that can grasp how data is used.
  • FIG. 1 is a schematic diagram showing a configuration of a learning system.
  • FIG. 1 is an explanatory diagram of medical data.
  • FIG. 2 is an explanatory diagram illustrating functions of a processor. 13 is a flowchart showing a process flow of a processor.
  • FIG. 2 is an explanatory diagram illustrating functions of a processor.
  • FIG. 2 is an explanatory diagram illustrating functions of a processor.
  • the learning system 10 is composed of a medical data provider environment 12 , a learning requester environment 14 (learning requester), and a learning environment 16 .
  • the medical data source environment 12 is, for example, a medical institution such as a hospital, or an environment consisting of a part of such a medical institution, and is equipped with a medical data management server 22 (data management server) that stores medical data 20 (data).
  • the medical data 20 is medical information obtained by the medical institution during examinations, etc., such as the results of a health check.
  • medical data 20 includes n pieces of medical data 20(1) to 20(n) for n patients with patient numbers 1 to n (n is an arbitrary integer) stored in a medical data management server 22.
  • Each piece of medical data 20(1) to 20(n) includes information such as the patient number mentioned above, as well as name, age, sex, height, and weight. Note that this embodiment will be described using an example in which the data is medical data, but the present invention is not limited to this. The data may be other than medical data.
  • the learning requesting environment 14 is, for example, an environment configured by a medical manufacturer that develops and manufactures pharmaceuticals and medical devices, or a part of such a manufacturer, and makes a learning request (learning request) to the learning environment 16 for the purpose of product development and improvement.
  • the learning requesting environment 14 is equipped with a requesting terminal 30, and the learning request is made via the requesting terminal 30.
  • the type of learning algorithm to be used for learning e.g., deep learning using a neural network
  • the range of medical data to be used for learning e.g., men over 80 years old
  • the learning request specifies the (type of) learning algorithm to be used for learning, and the range of medical data to be used for learning.
  • the learning environment 16 is an environment in which a learning model is generated by machine learning using medical data, and includes a processor 40 (learning model creation device).
  • the processor 40 includes a memory 42 and a central control unit 44.
  • the memory 42 stores a plurality of learning programs corresponding to various learning algorithms used in machine learning, and a control program for causing the processor 40 (central control unit 44) to function as a learning model creation device.
  • the central control unit 44 reads and executes the control program from the memory 42 when the processor 40 is started.
  • the processor 40 central control unit 44 functions as a learning request receiving unit 50, a medical data reading unit 52 (data reading unit), a learning model creation unit 54, and a learning model transmission unit 56.
  • the learning request receiving unit 50 receives a learning request sent from the learning request source environment 14 (see FIG. 1). As described above, the learning request specifies the (type of) learning algorithm to be used for learning, and the range of medical data to be used for learning. The learning request is transmitted to the processor 40 via the request source terminal 30. The learning request receiving unit 50 receives (accepts) the learning request transmitted in this manner. In this manner, the learning request receiving unit 50 executes the learning request receiving step of the present invention.
  • the medical data reading unit 52 accesses the medical data management server 22 and reads out medical data that falls within the range specified in the learning request (see FIG. 1). For example, if the range of medical data specified in the learning request is for men aged 80 or older, in this embodiment, as shown in FIG. 2, medical data 20(1) falls within the specified range of medical data. Therefore, the medical data reading unit 52 reads out this medical data 20(1) from the medical data management server 22. In this way, the medical data reading unit 52 executes the data reading step of the present invention.
  • the learning model creation unit 54 performs machine learning using the medical data read by the medical data reading unit 52 to create a learning model.
  • the learning model creation unit 54 also performs machine learning using a learning algorithm specified in the learning request (a learning program that learns using the learning algorithm specified in the learning request) to create a learning model. For example, if the learning algorithm specified in the learning request is deep learning using a neural network, the learning model is created using a learning program that learns using this learning algorithm. In this way, the learning model creation unit 54 creates a learning model using the medical data read by the medical data reading unit 52 and the learning algorithm specified in the learning request. In other words, the learning model creation unit 54 executes the learning model creation step of the present invention.
  • the learning model transmission unit 56 transmits the learning model created by the learning model creation unit 54 to the learning request source environment 14 (in this embodiment, the request source terminal 30) (see Figure 1).
  • the process flow (learning model creation method) performed by the processor 40 will be described below with reference to FIG. 4.
  • the processor 40 accepts it (learning request acceptance step) and starts the process of creating a learning model.
  • the processor 40 reads medical data that falls within the range specified in the learning request from the medical data management server 22 (data reading step).
  • the processor 40 then creates a learning model using the read medical data and the learning algorithm specified in the learning request (learning model creation step), and transmits the created learning model to the request source terminal 30.
  • the learning requesting environment 14 creates a desired learning model without providing medical data to the learning requesting environment 14 (requesting terminal 30), so the learning requesting environment 14 can understand how the medical data is used. Furthermore, according to the present invention, it can also contribute to appropriate management of medical data. That is, when medical data is provided to the learning requesting environment 14, the medical data may be used in the learning requesting environment 14 in a manner not intended by the provider, but according to the present invention, such problems can be prevented. Furthermore, when medical data is provided to the learning requesting environment 14, there is a problem that even information that is not related to the creation of the learning model is disclosed to the learning requesting environment 14. That is, for example, even if only information on age and medical history is required to create a learning model, information such as name, height, and weight are also disclosed to the learning requesting environment 14. According to the present invention, such disclosure of unnecessary information can also be prevented.
  • the processor 40 functions as a learning process maintenance unit 60 in addition to the above-mentioned units.
  • the same members as those in the first embodiment are denoted by the same reference numerals and the explanation thereof will be omitted.
  • the learning process preservation unit 60 preserves the creation process of this learning model (learning process). Specifically, it preserves information (hereinafter, process information) necessary for understanding and confirming the learning process (i.e., the process of creating the learning model).
  • process information includes at least identification information for identifying the medical data used to create the learning model.
  • the learning process maintenance unit 60 maintains the process information by storing it on the blockchain 62.
  • the blockchain 62 is constructed by a blockchain network consisting of the medical data provider environment 12 (medical data management server 22), the learning requester environment 14 (requester terminal 30), the learning environment 16 (processor 40), etc., and is a chronological linking of blocks 64 containing process information.
  • the learning process maintenance unit 60 creates a new block 64 each time a learning model is created and links this to the blockchain 62. In this way, by storing the process information on the blockchain 62, tampering with the learning process can be prevented.
  • the processor 40 functions as a fee calculation unit 70 in addition to the above-mentioned units.
  • the fee calculation unit 70 calculates the fee for using the medical data 20 used to create the learning model.
  • the fee for use is calculated individually for each of the medical data 20(1) to 20(n).
  • the fee for use is calculated as an amount (value) according to the number of times the medical data 20(1) to 20(n) is used (the number of times the medical data is used repeatedly), such as 10 yen per use.
  • medical data 20(1) when creating a learning model for a male over 80 years old, medical data 20(1) (see FIG. 2) is used once. Therefore, a fee for one use of medical data 20(1) is calculated as a fee for use. Furthermore, for example, when creating a learning model for a person over 80 years old regardless of gender, medical data 20(1) and medical data 20(3) (see FIG. 2) are both used once. Therefore, a fee for one use of medical data 20(1) and medical data 20(3) is calculated as a fee for use. Furthermore, when creating the two learning models described above, that is, when creating a learning model for a male over 80 years old and a learning model for a person over 80 years old regardless of gender, medical data 20(1) is used twice and medical data 20(3) is used once. Therefore, the fee for use is calculated as two uses of medical data 20(1) and one use of medical data 20(3).
  • an appropriate compensation can be calculated for each of the medical data 20(1) to 20(n) according to the number of times it is used. Then, it becomes possible to pay such an appropriate compensation to the provider (medical data provider environment 12) or to bill the user (learning requester environment 14).
  • a learning model for adult men and a learning model for adult women can be integrated to create a learning model for adults regardless of gender, or a learning model for Kanto (created from medical data of patients living in Kanto) and a learning model for Kansai can be integrated to create a learning model for the whole of Japan.
  • a learning model for Kanto created from medical data of patients living in Kanto
  • a learning model for Kansai can be integrated to create a learning model for the whole of Japan.
  • each of the multiple learning models can be a local learning model, and these can be integrated to create a single global learning model.
  • the learning environment 16 When creating a global learning model by integrating local learning models as described above, the learning environment 16, specifically the learning model creation unit 54 described above, may be configured to create the global learning model.
  • the learning requester environment 14 e.g., the requester terminal 30
  • the global learning model may also be configured to create the global learning model.
  • the processor 40 is described as having multiple learning programs for learning using various learning algorithms, but the present invention is not limited to this.
  • the learning requesting environment 14 e.g., the requesting terminal 30
  • the requesting terminal 30 may be configured to transmit the learning program to be used in learning to the processor 40 together with the learning request.
  • the medical data management server 22 was provided separately from the processor 40, but the present invention is not limited to this.
  • the medical data management server 22 may be provided integrally with the processor 40. In this case, for example, it is conceivable that the medical data 20 may be stored in the memory 42.
  • the hardware structure of the processing units that execute various processes are various processors as shown below.
  • the various processors include a CPU (Central Processing Unit), which is a general-purpose processor that executes software (programs) and functions as various processing units, a Programmable Logic Device (PLD), which is a processor whose circuit configuration can be changed after manufacture, such as an FPGA (Field Programmable Gate Array), and a dedicated electrical circuit, which is a processor with a circuit configuration designed specifically to execute various processes.
  • a CPU Central Processing Unit
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • dedicated electrical circuit which is a processor with a circuit configuration designed specifically to execute various processes.
  • a single processing unit may be configured with one of these various processors, or may be configured with a combination of two or more processors of the same or different types (for example, multiple FPGAs, or a combination of a CPU and an FPGA). Multiple processing units may also be configured with one processor.
  • multiple processing units may also be configured with one processor.
  • first there is a form in which one processor is configured with a combination of one or more CPUs and software, as represented by computers such as clients and servers, and this processor functions as multiple processing units.
  • a processor is used that realizes the functions of the entire system, including multiple processing units, with a single IC (Integrated Circuit) chip, as represented by System On Chip (SoC).
  • SoC System On Chip
  • the hardware structure of these various processors is an electrical circuit that combines circuit elements such as semiconductor elements.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

データの利用態様を把握できる、学習モデル作成装置、学習モデル作成方法、を提供する。プロセッサ（４０）は、学習依頼を受け付け、学習モデルを作成する処理を開始する。処理が開始されるとプロセッサ（４０）は、学習依頼で指定された範囲に該当する医療データを医療データ管理サーバ（２２）から読み出す。そして、プロセッサ（４０）は、読み出された医療データと、学習依頼で指定された学習アルゴリズムと、を用いて、学習モデルを作成する。

Description

学習モデル作成装置、学習モデル作成方法
　本発明は、学習モデル作成装置、学習モデル作成方法に関する。
　医療分野などの各種分野において、機械学習により学習モデルを作成することが広く一般に行われている。周知のように、機械学習による学習モデルの作成する場合には、より多くのデータを用いて機械学習（以下、単に学習と称する場合がある）を行うことで、より正確な学習モデルを作成できる。
　下記特許文献１には、医療データを提供して対価を得る構成が記載されており、このようにして提供されたデータを利用し、学習に用いるデータを増やすことで、より正確な学習モデルを作成できる。
特許第６８３０７１９号公報
　しかし、上記特許文献１において提供される１つのデータ（医療データ）は、複数の機械学習で（複数の学習モデルを作成するために）用いることが可能である。つまり、例えば、８０歳男性のデータは、男性のみの学習モデル、成人男性の学習モデル、高齢男性の学習モデル、性別を問わない成人の学習モデル、性別を問わない高齢者の学習モデル、など複数の学習モデルの作成に用いることが可能である。そして、データには、前述した年齢や性別の他にも多様な情報（例えば、データが医療データである場合には、身長、体重、血圧、持病、既往症など）が含まれ、このようにデータに含まれる情報の種類が多いほど、このデータを用いて作成可能な学習モデルの数も増加する。このため、一度医療データを提供してしまうと、提供したデータの利用態様（どの学習モデルを作成するために利用されたかや、どの程度の回数で利用されたかなど）を把握できなくなってしまう、といった問題があった。
　本発明は、上記背景を鑑みてなされたものであり、データの利用態様を把握できる、学習モデル作成装置、学習モデル作成方法、を提供することを目的としている。
　上記課題を解決するために、本発明の学習モデル作成装置は、データ管理サーバに格納されたデータを用いた機械学習により学習モデルを作成する、学習モデル作成装置、において、学習依頼元から送信される学習依頼であり、学習モデルの作成に用いる学習アルゴリズムと、学習モデルの作成に用いるデータの範囲と、が指定された学習依頼を受け付ける、学習依頼受付部と、学習依頼で指定された範囲のデータを、データ管理サーバから読み出す、データ読出部と、データ管理サーバから読み出したデータと、学習依頼において指定された学習アルゴリズムと、を用いて学習モデルを作成する、学習モデル作成部と、を備える。
　データが医療データであってもよい。
　作成した学習モデルを、学習依頼元に送信する、学習モデル送信部、を備える、ものでもよい。
　学習モデルの作成に用いたデータを識別するための識別情報を含む学習プロセスを、ブロックチェーン上に格納する、学習プロセス保全部、を備える、ものでもよい。
　学習モデルの作成に用いたデータの利用の対価を算出する、対価算出部、を備える、ものでもよい。
　学習モデル作成部は、一部が重複した複数グループのデータを用いた複数回の機械学習により、複数の学習モデルを作成する、ものでもよい。
　対価算出部は、複数回の機械学習に重複して用いられたデータについては、利用の重複した回数に応じて利用の対価を算出する、ものでもよい。
　学習モデル作成部は、複数の学習モデルの各々をローカルな学習モデルとし、これらローカルな学習モデルを統合することにより、１つのグローバルな学習モデルを作成する、ものでもよい。
　学習依頼元において、複数の学習モデルの各々をローカルな学習モデルとし、これらローカルな学習モデルを統合することにより、１つのグローバルな学習モデルを作成する、ものでもよい。
　また、上記目的を達成するために、本発明の学習モデル作成方法は、データ管理サーバに格納されたデータを用いた機械学習により学習モデルを作成する、学習モデル作成方法、において、学習依頼元から送信される学習依頼であり、学習モデルの作成に用いる学習アルゴリズムと、学習モデルの作成に用いるデータの範囲と、が指定された学習依頼を受け付ける、学習依頼受付ステップと、学習依頼で指定された範囲のデータを、データ管理サーバから読み出す、データ読出ステップと、データ管理サーバから読み出したデータと、学習依頼において指定された学習アルゴリズムと、を用いて学習モデルを作成する、学習モデル作成ステップと、を備える。
　本発明によれば、データの利用態様を把握できる、学習モデル作成装置、学習モデル作成方法、を提供できる。
学習システムの構成を示す概略図である。 医療データの説明図である。 プロセッサの機能を示す説明図である。 プロセッサの処理の流れを示すフローチャートである。 プロセッサの機能を示す説明図である。 プロセッサの機能を示す説明図である。
［第１実施形態］
　図１において、学習システム１０は、医療データ提供元環境１２、学習依頼元環境１４（学習依頼元）、学習環境１６、とから構成される。
　医療データ提供元環境１２は、例えば、病院などの医療機関、またはその一部から構成される環境であり、医療データ２０（データ）を格納した医療データ管理サーバ２２（データ管理サーバ）を備えている。医療データ２０は、医療機関が診察などで取得した医療に関する情報であり、例えば、健康診断の結果などである。
　図２に示すように、本実施形態では、医療データ２０として、患者番号１～ｎ（ｎは任意の整数）のｎ人分（ｎ個）の医療データ２０（１）～２０（ｎ）が、医療データ管理サーバ２２に格納されている。そして、各々の医療データ２０（１）～２０（ｎ）には、前述した患者番号の他、氏名、年齢、性別、身長、体重、などの情報が含まれる。なお、本実施形態では、データが医療データである例で説明を行うが、本発明はこれに限定されない。データは医療データ以外であってもよい。
　図１に戻り、学習依頼元環境１４は、例えば、医薬品や医療機器の開発や製造を行う医療メーカ、またはその一部から構成される環境であり、製品の開発や改良などの目的で、学習環境１６に対して学習の依頼（学習依頼）を行う。学習依頼元環境１４は、依頼元端末３０を備え、学習依頼は、依頼元端末３０を介して行われる。学習依頼を行う場合、依頼元端末３０において、学習に用いる学習アルゴリズムの種類（例えば、ニューラルネットワークを用いたディープラーニングなど）、及び、学習で用いる医療データの範囲（例えば、８０歳以上の男性など）、を指定する。このように、学習依頼は、学習に用いる学習アルゴリズム（の種類）、及び、学習で用いる医療データの範囲、が指定されたものである。
　学習環境１６は、医療データを用いた機械学習により学習モデルを生成する環境であり、プロセッサ４０（学習モデル作成装置）を備えている。プロセッサ４０には、メモリ４２と、中央制御部４４と、が設けられている。メモリ４２には、機械学習で用いる各種学習アルゴリズムに対応した複数の学習プログラム、及び、プロセッサ４０（中央制御部４４）を学習モデル作成装置として機能させるための制御プログラムが格納されている。中央制御部４４は、プロセッサ４０の起動に伴ってメモリ４２から制御プログラムを読み出して実行する。
　図３に示すように、制御プログラムが実行されると、これに伴ってプロセッサ４０（中央制御部４４）が、学習依頼受付部５０、医療データ読出部５２（データ読み出し部）、学習モデル作成部５４、学習モデル送信部５６、として機能する。
　学習依頼受付部５０は、学習依頼元環境１４から送信された学習依頼を受け付ける（図１参照）。前述のように、学習依頼は、学習に用いる学習アルゴリズム（の種類）、及び、学習で用いる医療データの範囲、が指定されたものである。学習依頼は、依頼元端末３０を介して、プロセッサ４０に送信される。学習依頼受付部５０は、このようにして送信された学習依頼を受け付ける（受信する）。このように、学習依頼受付部５０は、本発明の学習依頼受付ステップを実行する。
　医療データ読出部５２は、医療データ管理サーバ２２にアクセスし、学習依頼で指定された範囲に該当する医療データを読み出す（図１参照）。例えば、学習依頼で指定された医療データの範囲が、８０歳以上の男性である場合、本実施形態では、図２に示すように、医療データ２０（１）が指定された範囲の医療データに該当する。よって、医療データ読出部５２は、この医療データ２０（１）を医療データ管理サーバ２２から読み出す。このように、医療データ読出部５２は、本発明のデータ読出ステップを実行する。
　学習モデル作成部５４は、医療データ読出部５２によって読み出された医療データを用いて機械学習を行い、学習モデルを作成する。また、学習モデル作成部５４は、学習依頼で指定された学習アルゴリズム（学習依頼で指定された学習アルゴリズムで学習を行う学習プログラム）を用いて機械学習を行い、学習モデルを作成する。例えば、学習依頼で指定された学習アルゴリズムが、ニューラルネットワークを用いたディープラーニングである場合は、この学習アルゴリズムで学習を行う学習プログラムを用いて学習モデルを作成する。このように、学習モデル作成部５４は、医療データ読出部５２によって読み出された医療データと、学習依頼で指定された学習アルゴリズムと、を用いて、学習モデルを作成する。すなわち、学習モデル作成部５４は、本発明の学習モデル作成ステップを実行する。
　学習モデル送信部５６は、学習モデル作成部５４が作成した学習モデルを、学習依頼元環境１４（本実施形態では、依頼元端末３０）に対して送信する（図１参照）。
　以下、図４を用いてプロセッサ４０によって行われる処理の流れ（学習モデル作成方法）を説明する。図４に示すように、プロセッサ４０は、学習依頼元環境１４から学習依頼が送られると、これを受け付け（学習依頼受付ステップ）、学習モデルを作成する処理を開始する。処理が開始されるとプロセッサ４０は、学習依頼で指定された範囲に該当する医療データを医療データ管理サーバ２２から読み出す（データ読出ステップ）。そして、プロセッサ４０は、読み出された医療データと、学習依頼で指定された学習アルゴリズムと、を用いて、学習モデルを作成し（学習モデル作成ステップ）、作成した学習モデルを依頼元端末３０に送信する。
　このように、本発明によれば、学習依頼元環境１４（依頼元端末３０）に対して医療データを提供することなく、学習依頼元環境１４が所望する学習モデルを作成するので、学習依頼元環境１４において医療データの利用態様を把握できる。また、本発明によれば、医療データの適切な管理にも寄与できる。すなわち、学習依頼元環境１４に医療データを提供した場合、学習依頼元環境１４において、提供者の意図しない態様で医療データが利用されてしまう場合があるが、本発明によれば、このような問題を防止できる。さらに、学習依頼元環境１４に医療データを提供した場合、学習モデルの作成に関与しない情報についてまで学習依頼元環境１４に開示されてしまうといった問題がある。つまり、例えば、学習モデルの作成に年齢と既往症の情報のみが必要な場合であっても氏名、身長、体重などの情報についても学習依頼元環境１４に開示されてしまう。本発明によれば、このような不必要な情報の開示も防止できる。
［第２実施形態］
　図５に示すように、第２実施形態では、プロセッサ４０が、前述した各部に加えて、学習プロセス保全部６０としても機能する。なお、図５以降の図面を用いた説明では、上述した第１実施形態と同様の部材については同様の符号を付して説明を省略する。
　学習プロセス保全部６０は、学習モデルが作成されると、この学習モデルの作成プロセス（学習プロセス）を保全する。具体的には、学習プロセス（すなわち、学習モデルの作成過程）の把握や確認などに必要な情報（以下、プロセス情報）を保全する。プロセス情報には、少なくとも、学習モデルの作成に使用した医療データを識別するための識別情報が含まれる。
　学習プロセス保全部６０は、プロセス情報を、ブロックチェーン６２上に格納することによって保全する。ブロックチェーン６２は、医療データ提供元環境１２（医療データ管理サーバ２２）、学習依頼元環境１４（依頼元端末３０）、学習環境１６（プロセッサ４０）などから構成されるブロックチェーンネットワークにより構築されるものであり、プロセス情報を含むブロック６４を、時系列に連結したものである。学習プロセス保全部６０は、学習モデルが作成される毎に新たなブロック６４を作成し、これをブロックチェーン６２に連結させる。このように、プロセス情報をブロックチェーン６２上に格納することで、学習プロセスの改竄を防止できる。
［第３実施形態］
　図６に示すように、第３実施形態では、プロセッサ４０が、前述した各部に加えて、対価算出部７０としても機能する。対価算出部７０は、学習モデルが作成されると、この学習モデルの作成に用いた医療データ２０の利用の対価を算出する。利用の対価は、医療データ２０（１）～２０（ｎ）の各々について個別に算出される、また、利用の対価は、例えば、１回の利用につき１０円といったように、医療データ２０（１）～２０（ｎ）の利用回数（利用の重複した回数）に応じた額（値）が算出される。
　例えば、８０歳以上の男性の学習モデルを作成する場合、医療データ２０（１）（図２参照）が１回利用される。このため、利用の対価として、医療データ２０（１）について１回分の利用の対価が算出される。また、例えば、性別を問わない８０歳以上の学習モデルを作成する場合、医療データ２０（１）と医療データ２０（３）（図２参照）が共に１回利用される。このため、利用の対価として、医療データ２０（１）と医療データ２０（３）とのそれぞれについて１回分の利用の対価が算出される。さらに、上述した２つの学習モデルを作成する場合、すなわち、８０歳以上の男性の学習モデルと、性別を問わない８０歳以上の学習モデルと、の２つの学習モデルを作成する場合、医療データ２０（１）が２回、医療データ２０（３）が１回利用される。このため、利用の対価として、医療データ２０（１）については２回分、医療データ２０（３）については１回分の利用の対価が算出される。
　このように、第３実施形態によれば、医療データ２０（１）～２０（ｎ）の各々について、利用回数に応じた適切な対価を算出できる。そして、このような適切な対価を、提供元（医療データ提供元環境１２）に支払う、利用先（学習依頼元環境１４）に請求する、といったことが可能となる。
　なお、上記実施形態では、医療データから学習モデルを作成する例で説明をしたが、学習モデル同士を統合することによって新たな学習モデルを作成することも可能であり、例えば、成人男性の学習モデルと成人女性の学習モデルを統合して性別を問わない成人の学習モデルを作成する、また、関東の（関東在住の患者の医療データから作成された）学習モデルと関西の学習モデルを統合して日本全国の学習モデルを作成する、といったことができる。このように、複数の学習モデルの各々をローカルな学習モデルとし、これらを統合することで１つのグローバルな学習モデルを作成する構成としてもよい。
　上記のように、ローカルな学習モデルを統合してグローバルな学習モデルを作成する場合、学習環境１６において、具体的には前述した学習モデル作成部５４が、グローバルな学習モデルの作成を行う構成とすればよい。もちろん、学習依頼元環境１４において（例えば、依頼元端末３０が）、グローバルな学習モデルの作成を行う構成としてもよい。
　また、上記実施形態では、プロセッサ４０が、各種学習アルゴリズムで学習を行うための複数の学習プログラムを備える例で説明をしたが、本発明はこれに限定されない。学習依頼元環境１４（例えば、依頼元端末３０）が、前述した複数の学習プログラムを備える構成としてもよい。この場合、依頼元端末３０が、学習依頼とともに、学習で用いる学習プログラムをプロセッサ４０に送信する構成とすればよい。
　さらに、上記実施形態では、医療データ管理サーバ２２をプロセッサ４０とは別体に設ける例で説明をしたが、本発明はこれに限定されない。医療データ管理サーバ２２をプロセッサ４０と一体に設けてもよい。この場合、例えば、メモリ４２に医療データ２０を格納するといったことが考えられる。
　上記実施形態において、プロセッサ４０、中央制御部４４、学習依頼受付部５０、医療データ読出部５２、学習モデル作成部５４、学習モデル送信部５６、学習プロセス保全部６０、対価算出部７０、などの各種の処理を実行する処理部（processing unit)のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウエア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit)、ＦＰＧＡ (Field Programmable Gate Array) などの製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device:ＰＬＤ）、各種の処理を実行するために専用に設計された回路構成を有するプロセッサである専用電気回路などが含まれる。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合せ（例えば、複数のＦＰＧＡや、ＣＰＵとＦＰＧＡの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントやサーバなどのコンピュータに代表されるように、１つ以上のＣＰＵとソフトウエアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:ＳｏＣ）などに代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサを１つ以上用いて構成される。
　さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子などの回路素子を組み合わせた形態の電気回路（circuitry）である。
　１０　学習システム
　１２　医療データ提供元環境
　１４　学習依頼元環境
　１６　学習環境
　２０　医療データ（データ）
　２２　医療データ管理サーバ（データ管理サーバ）
　３０　依頼元端末
　４０　プロセッサ（学習モデル作成装置）
　４２　メモリ
　４４　中央制御部
　５０　学習依頼受付部
　５２　医療データ読み出し部（データ読み出し部）
　５４　学習モデル作成部
　５６　学習モデル送信部
　６０　学習プロセス保全部
　６２　ブロックチェーン
　６４　ブロック
　７０　対価算出部

Claims (10)

  1. 　データ管理サーバに格納されたデータを用いた機械学習により学習モデルを作成する、学習モデル作成装置、において、
    　学習依頼元から送信される学習依頼であり、学習モデルの作成に用いる学習アルゴリズムと、学習モデルの作成に用いるデータの範囲と、が指定された学習依頼を受け付ける、学習依頼受付部と、
    　前記学習依頼で指定された範囲のデータを、前記データ管理サーバから読み出す、データ読出部と、
    　前記データ管理サーバから読み出したデータと、前記学習依頼において指定された学習アルゴリズムと、を用いて学習モデルを作成する、学習モデル作成部と、を備える、
    　学習モデル作成装置。
  2. 　前記データが医療データである、
    　請求項１に記載の学習モデル作成装置。
  3. 　作成した学習モデルを、学習依頼元に送信する、学習モデル送信部、を備える、
    　請求項２に記載の学習モデル作成装置。
  4. 　学習モデルの作成に用いたデータを識別するための識別情報を含む学習プロセスを、ブロックチェーン上に格納する、学習プロセス保全部、を備える、
    　請求項３に記載の学習モデル作成装置。
  5. 　学習モデルの作成に用いたデータの利用の対価を算出する、対価算出部、を備える、
    　請求項４に記載の学習モデル作成装置。
  6. 　前記学習モデル作成部は、
    　一部が重複した複数グループのデータを用いた複数回の機械学習により、複数の学習モデルを作成する、
    　請求項５に記載の学習モデル作成装置。
  7. 　前記対価算出部は、
    　複数回の機械学習に重複して用いられたデータについては、利用の重複した回数に応じて利用の対価を算出する、
    　請求項６に記載の学習モデル作成装置。
  8. 　前記学習モデル作成部は、
    　前記複数の学習モデルの各々をローカルな学習モデルとし、これらローカルな学習モデルを統合することにより、１つのグローバルな学習モデルを作成する、
    　請求項６または７に記載の学習モデル作成装置。
  9. 　前記学習依頼元において、
    　前記複数の学習モデルの各々をローカルな学習モデルとし、これらローカルな学習モデルを統合することにより、１つのグローバルな学習モデルを作成する、
    　請求項６または７に記載の学習モデル作成装置。
  10. 　データ管理サーバに格納されたデータを用いた機械学習により学習モデルを作成する、学習モデル作成方法、において、
    　学習依頼元から送信される学習依頼であり、学習モデルの作成に用いる学習アルゴリズムと、学習モデルの作成に用いるデータの範囲と、が指定された学習依頼を受け付ける、学習依頼受付ステップと、
    　前記学習依頼で指定された範囲のデータを、前記データ管理サーバから読み出す、データ読出ステップと、
    　前記データ管理サーバから読み出したデータと、前記学習依頼において指定された学習アルゴリズムと、を用いて学習モデルを作成する、学習モデル作成ステップと、を備える、
    　学習モデル作成方法。
PCT/JP2024/002574 2023-03-27 2024-01-29 学習モデル作成装置、学習モデル作成方法 Pending WO2024202488A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2025509816A JPWO2024202488A1 (ja) 2023-03-27 2024-01-29

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2023049847 2023-03-27
JP2023-049847 2023-03-27

Publications (1)

Publication Number Publication Date
WO2024202488A1 true WO2024202488A1 (ja) 2024-10-03

Family

ID=92904066

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/002574 Pending WO2024202488A1 (ja) 2023-03-27 2024-01-29 学習モデル作成装置、学習モデル作成方法

Country Status (2)

Country Link
JP (1) JPWO2024202488A1 (ja)
WO (1) WO2024202488A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007279887A (ja) * 2006-04-04 2007-10-25 Nippon Telegr & Teleph Corp <Ntt> 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム
JP2019526851A (ja) * 2016-07-18 2019-09-19 ナント ホールディングス アイピー エルエルシーＮａｎｔ Ｈｏｌｄｉｎｇｓ ＩＰ， ＬＬＣ 分散型機械学習システム、装置、および方法
WO2021075091A1 (ja) * 2019-10-15 2021-04-22 日本電気株式会社 対価算出装置、制御方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007279887A (ja) * 2006-04-04 2007-10-25 Nippon Telegr & Teleph Corp <Ntt> 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム
JP2019526851A (ja) * 2016-07-18 2019-09-19 ナント ホールディングス アイピー エルエルシーＮａｎｔ Ｈｏｌｄｉｎｇｓ ＩＰ， ＬＬＣ 分散型機械学習システム、装置、および方法
WO2021075091A1 (ja) * 2019-10-15 2021-04-22 日本電気株式会社 対価算出装置、制御方法、及びプログラム

Also Published As

Publication number Publication date
JPWO2024202488A1 (ja) 2024-10-03

Similar Documents

Publication Publication Date Title
US10957451B2 (en) Patient healthcare interaction device and methods for implementing the same
CN109523067B (zh) 基于预测模型的费用预测方法、装置、服务器及存储介质
Cadarette et al. Relative effectiveness of osteoporosis drugs for preventing nonvertebral fracture
US9443002B1 (en) Dynamic data analysis and selection for determining outcomes associated with domain specific probabilistic data sets
CN109637615B (zh) 异常医疗处方的判断方法、装置、设备及可读存储介质
Cho et al. Effect of improved medication adherence on health care costs in osteoporosis patients
Halldorsson et al. A clinical decision support system for the diagnosis, fracture risks and treatment of osteoporosis
US20150339778A1 (en) System and method for assessing healthcare risks
Lizzio et al. Electronic patient-reported outcome collection systems in orthopaedic clinical practice
Yeung et al. Interventions for treating ankle fractures in children
Guerard et al. The influence of respondent characteristics on the validity of self‐reported survey responses
Heringa et al. Better specification of triggers to reduce the number of drug interaction alerts in primary care
Shever et al. The effect of high nursing surveillance on hospital cost
Rekawek et al. Artificial intelligence: the future of maxillofacial prognosis and diagnosis?
Jiang et al. Expected lifetime numbers, risks, and burden of osteoporotic fractures for 50-year old Chinese women: a discrete event simulation incorporating FRAX
KR20170022007A (ko) 건강정보관리 시스템 및 그 방법이 구현된 컴퓨터로 판독 가능한 기록매체
CN112907045A (zh) 一种基于5g物联网的智慧医疗数据采集方法
WO2024202488A1 (ja) 学習モデル作成装置、学習モデル作成方法
CN114519380A (zh) 一种基于隐私保护及图像识别的给药方法与装置
CN117809841B (zh) 一种基于大模型技术的皮肤专病患者管理方法及系统
Gotmaker et al. Bayesian adaptive design: the future for regional anesthesia trials?
JP5731616B2 (ja) レセプトチェック装置、レセプトチェック方法およびレセプトチェックプログラム
Chalmers et al. Human experts’ and a fuzzy model's predictions of outcomes of scoliosis treatment: A comparative analysis
CN117633340A (zh) 一种基于大数据的专病和症状的常用药品推荐方法和系统
CN114694815A (zh) 基于人工智能的诊疗评估方法及相关设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24778634

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025509816

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025509816

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2024778634

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024778634

Country of ref document: EP

Effective date: 20251027

ENP Entry into the national phase

Ref document number: 2024778634

Country of ref document: EP

Effective date: 20251027

ENP Entry into the national phase

Ref document number: 2024778634

Country of ref document: EP

Effective date: 20251027

ENP Entry into the national phase

Ref document number: 2024778634

Country of ref document: EP

Effective date: 20251027

ENP Entry into the national phase

Ref document number: 2024778634

Country of ref document: EP

Effective date: 20251027