Search

JP-2026077611-A - 人工ニューラルネットワークを用いた伴侶動物の疾患を予測する方法および装置

JP2026077611AJP 2026077611 AJP2026077611 AJP 2026077611AJP-2026077611-A

Abstract

【課題】人工ニューラルネットワークを用いて、問診情報のみから伴侶動物の疾患を高精度に予測する方法、装置及び記録媒体を提供する。 【解決手段】方法は、複数の伴侶動物の問診情報および微生物情報を取得し、第１人工ニューラルネットワークにより各情報から問診特徴ベクトルおよび微生物特徴ベクトルを生成し、両特徴ベクトルの対応関係に基づいて、問診特徴ベクトルを微生物特徴ベクトルに変換する変換情報を取得し、さらに微生物特徴ベクトルおよび疾患情報を用いてＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を学習させ、運用時には、ユーザが入力した問診情報（Ａ）から問診特徴ベクトル（Ａ）を生成し、変換情報を用いて微生物特徴ベクトル（Ａ）に変換した後、学習済みＳＶＭに入力することで疾患を予測する。 【選択図】図４

Inventors

  • イム、キョン ホ

Assignees

  • フレッシュアワー インコーポレイテッド

Dates

Publication Date
20260513
Application Date
20251023
Priority Date
20241025

Claims (13)

  1. 複数の伴侶動物の問診情報および微生物情報を取得する工程と、 第１人工ニューラルネットワークを用いて前記問診情報に基づく問診特徴ベクトルを取得する工程と、 前記第１人工ニューラルネットワークを用いて前記微生物情報に基づく微生物特徴ベクトルを取得する工程と、 前記問診特徴ベクトルと前記微生物特徴ベクトルとの対応関係に基づいて、前記問診特徴ベクトルを前記微生物特徴ベクトルに変換する変換情報を取得する工程と、 前記微生物特徴ベクトルおよび疾患情報を用いてＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を学習させる工程と、 ユーザにより入力された問診情報（Ａ）を取得する工程と、 前記問診情報（Ａ）を前記第１人工ニューラルネットワークに入力して問診特徴ベクトル（Ａ）を取得する工程と、 前記問診特徴ベクトル（Ａ）を前記変換情報を用いて微生物特徴ベクトル（Ａ）に変換する工程と、 前記変換された微生物特徴ベクトル（Ａ）を前記学習済みＳＶＭに入力して疾患を予測する工程と、 を含むことを特徴とする、伴侶動物の疾患を予測する方法。
  2. 前記第１人工ニューラルネットワークはオートエンコーダ（Ａｕｔｏｅｎｃｏｄｅｒ）である、請求項１に記載の方法。
  3. 前記微生物情報には前記伴侶動物の疾患情報がラベリングされ、 前記ＳＶＭを学習させる工程は、前記微生物特徴ベクトルを前記疾患情報に従って分類するように前記ＳＶＭを学習させる工程である、請求項１に記載の方法。
  4. 前記変換情報は前記問診特徴ベクトルを前記微生物特徴ベクトルに変換する情報であり、 前記対応関係は同一の伴侶動物に関する前記問診特徴ベクトルおよび前記微生物特徴ベクトルを示す、請求項１に記載の方法。
  5. 前記変換情報を取得する工程は、 第２人工ニューラルネットワークに前記問診特徴ベクトルを入力し、当該第２人工ニューラルネットワークから前記微生物特徴ベクトルが出力されるように学習させる工程を含む、請求項１に記載の方法。
  6. 前記第２人工ニューラルネットワークはＭＬＰ（Ｍｕｌｔｉ Ｌａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎ）である、請求項５に記載の方法。
  7. 請求項１に記載の方法をコンピュータで実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
  8. 少なくとも１つのメモリと、 少なくとも１つのプロセッサと、 を備え、 前記メモリは前記プロセッサにより実行される命令を格納し、 前記プロセッサは、複数の伴侶動物の問診情報および微生物情報を取得し、第１人工ニューラルネットワークを用いて問診特徴ベクトルを取得し、前記第１人工ニューラルネットワークを用いて微生物特徴ベクトルを取得し、前記微生物特徴ベクトルおよび疾患情報を用いてＳＶＭを学習させ、ユーザにより入力された問診情報（Ａ）を取得し、前記問診情報（Ａ）を前記第１人工ニューラルネットワークに入力して問診特徴ベクトル（Ａ）を取得し、前記問診特徴ベクトル（Ａ）を変換情報に基づき微生物特徴ベクトル（Ａ）に変換し、前記微生物特徴ベクトル（Ａ）を前記学習済みＳＶＭに入力して疾患を予測する装置。
  9. 前記第１人工ニューラルネットワークはオートエンコーダである、請求項８に記載の装置。
  10. 前記微生物情報には前記伴侶動物の疾患情報がラベリングされ、 前記プロセッサは前記微生物特徴ベクトルを前記疾患情報に従って分類するように前記ＳＶＭを学習させる、請求項８に記載の装置。
  11. 前記変換情報は前記問診特徴ベクトルを前記微生物特徴ベクトルに変換する情報であり、 前記対応関係は同一の伴侶動物に関する前記問診特徴ベクトルおよび前記微生物特徴ベクトルを示す、請求項８に記載の装置。
  12. 前記プロセッサは、第２人工ニューラルネットワークに前記問診特徴ベクトルを入力し、当該第２人工ニューラルネットワークから前記微生物特徴ベクトルが出力されるように学習させる、請求項８に記載の装置。
  13. 前記第２人工ニューラルネットワークはＭＬＰである、請求項１２に記載の装置。

Description

本発明は、人工ニューラルネットワークを用いて伴侶動物の疾患を予測する方法および装置に関するものである。 伴侶動物市場は、単身世帯の増加、高齢化、情緒的安定などの多様な要因により伴侶動物を飼育する家庭が増えていることに伴い、急速に成長している。例えば、従来の伴侶動物の美容サービスのみならず、伴侶動物に関する医療保険サービスやヒーリングサービスなど、新しく多様なサービスが増加する傾向にある。特に、伴侶動物に対する愛情の高まりに伴い、人々の関心は美容から健康へと移行しており、その結果、関心は伴侶動物フードへと向かっている。 しかしながら、伴侶動物フードについては多数の製造業者が存在し、製造業者ごとに栄養成分が異なる点、食品として規定されていないため飼料に表示された栄養成分情報が必ずしも正確ではない点、ならびに伴侶動物の状態を正確に把握し難い点などにより、伴侶動物の状態に適合した飼料又は適切な給与量を決定して提供することが難しいという課題がある。 一実施例に係る伴侶動物の問診情報に基づいて疾患を予測する方法を示す図である。一実施例に係る伴侶動物の問診情報を示す図である。一実施例に係る伴侶動物の微生物情報を示す図である。一実施例に係る伴侶動物の疾患を予測する方法を示すフローチャートである。一実施例に係る問診情報および微生物情報を用いて疾患を予測する方法を示す図である。一実施例に係るオートエンコーダ（Ａｕｔｏｅｎｃｏｄｅｒ）を用いて特徴ベクトルを取得する方法を示す図である。一実施例に係るＳＶＭを学習する方法を示す図である。一実施例に係る学習済みＳＶＭを用いて疾患を予測する方法を示す図である。一実施例に係るドメイン適応（Ｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ）を示す図である。一実施例に係るドメイン適応（Ｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ）を示す図である。一実施例に係るＳＶＭを示す図である。一実施例に係る第２人工ニューラルネットワークを学習する方法を示す図である。一実施例に係る疾患を予測する装置の一例を示す構成図である。 本実施形態で用いる用語は、可能な限り広く使用される一般的な用語を選択したが、当業者の意図や判例、新技術の出現等により異なり得る。また、特定の場合には出願人が任意に選定した用語もあり、その場合には該当箇所でその意味を詳細に記載する。したがって、明細書で用いる用語は単なる名称ではなく、その用語が有する意味および明細書全体の内容に基づいて解釈されるべきである。 本明細書において、ある部分がある構成要素を「含む」と記載される場合、特に反対の記載がない限り、他の構成要素を排除するものではなく、他の構成要素を更に含み得ることを意味する。 また、本明細書で用いる「第１」や「第２」等の序数を含む用語は、種々の構成要素を説明するために用いられるが、これらの構成要素が当該用語により限定されるべきではない。当該用語は一の構成要素を他の構成要素と区別する目的で用いられる。 以下、添付図面を参照して本発明の実施形態について詳細に説明する。ただし、実施形態は種々の態様で実施可能であり、以下の説明に限定されるものではない。 図１は、一実施例に係る伴侶動物の問診情報に基づいて疾患を予測する方法を示す図である。図１を参照すると、デバイス（３００）は伴侶動物の問診情報に基づいて疾患を予測することが可能である。すなわち、ユーザが伴侶動物の問診結果を入力すると、デバイス（３００）は伴侶動物の疾患を予測することができる。 モバイル端末（１００）および／またはサーバ（２００）は、問診情報に基づいて伴侶動物の疾患を予測することができる。ユーザはモバイル端末（１００）を通じて伴侶動物の問診情報を入力できる。モバイル端末（１００）はサーバ（２００）とデータの送受信を行うことができる。モバイル端末（３００）はデータを直接処理して疾患を予測してもよい。または、モバイル端末（３００）はサーバ（２００）へデータを送信し、サーバ（２００）により予測された疾患を受信してもよい。サーバ（２００）は、デバイス（３００）から受信したデータに基づいて疾患を予測することが可能である。 以下でデバイス（３００）が行う動作は、モバイル端末（１００）が単独で実行する場合、またはモバイル端末（１００）とサーバ（２００）が協働して実行する場合を意味する。 図２は、一実施例に係る伴侶動物の問診情報を示す図である。図２を参照すると、問診情報は、性別情報、年齢情報、体重情報、食餌情報、摂取不可食品情報、不妊処置情報、品種情報、体型情報、活動量情報および特記事項のうち少なくとも一つを含む。デバイス（３００）は図２に示すものに限定されず、様々な問診情報をユーザから入力として取得可能である。 性別情報は、伴侶動物がオスかメスかを示す情報である。 不妊処置情報は、伴侶動物が去勢／避妊を済ませているかを示す情報である。 年齢情報は、伴侶動物の年齢を示す情報である。ユーザはデバイス（３００）を介して年齢を入力することが可能であり、生年月日を入力することもできる。 品種情報は、伴侶動物の品種を示す情報である。ユーザは一つ以上の品種を選択可能である。デバイス（３００）は、犬・猫等の種類を表示し、ユーザからの種類を受け付けることが可能である。ユーザからの種類が選択されると、デバイス（３００）は当該種類に品種を表示可能である。例えば、ユーザが犬を選択した場合、デバイス（３００）はウェルシュ・コーギー、ボーダー・コーリー、レトリーバー等の品種を提示し得る。 体重情報は、伴侶動物の体重を示す情報である。ユーザはデバイス（３００）を介して体重を入力可能である。 体型情報は、伴侶動物の体型を示す情報である。例えば、デバイス（３００）は、非常に痩せ、痩せ、標準、過体重、肥満等を表示し、ユーザから選択された体型を入力として取得することができる。 食餌情報は、伴侶動物が摂取する飼料やおやつを示す情報であり、カロリー、栄養素、１日摂取量等を含み得る。デバイス（３００）は、飼料の種類としてドライ、ウェット、手作り食、生食、人用食品等の入力を受け付けることが可能である。 活動量情報は、 伴侶動物の運動量、散歩時間等を示す情報である。デバイス（３００）は無気力、活動不足、標準、活動過多等を表示し、ユーザから選択された活動量を入力として取得可能である。また、１日の運動時間、散歩時間等をユーザから入力として受け取ることもできる。 摂取不可食品情報は、伴侶動物が忌避する又は摂取してはならない食品を示す情報である。デバイス（３００）は、一般的に摂取不適とされる食品を提示し、ユーザが選択した食品を入力として取得できる。また、テキストや画像入力を通じて当該情報を取得してもよい。 特記事項情報は、伴侶動物の疾患、習慣等に関する情報を示す。デバイス（３００）はテキストや画像入力を通じて特記事項情報を受け付けることが可能である。例えば、腸疾患、皮膚疾患、流涙跡、関節の健康に関する情報を含み得る。 さらに、デバイス（３００）は健康状態に関する情報を入力として取得可能である。例えば、問診情報は、嘔吐・下痢の有無、乳酸菌摂取の有無、投与薬剤の有無・種類、妊娠の有無、アレルギーの有無・種類等を含み得る。 図３は、一実施例に係る伴侶動物の微生物情報を説明するための図である。図３を参照すると、微生物情報は、微生物の種類、微生物群集度、微生物量、微生物分布度、有益菌指数、有害菌指数等を含み得る。 微生物情報は、伴侶動物の腸内微生物に関する情報であってよい。微生物情報は、伴侶動物から検出される細菌、ウイルス等を含み得る。微生物情報を通じて伴侶動物の疾患を予測し得る。 微生物情報は、診断機器を通じて獲得され得る。例えば、診断機器は、診断キット、マイクロバイオームプラットフォーム基盤の診断機器、消化器疾患の診断機器、伴侶動物の健康診断機器、糞便採取に基づく診断機器、糞便採取に基づくＮＧＳ（Ｎｅｘｔ Ｇｅｎｅｒａｔｉｏｎ Ｓｅｑｕｅｎｃｉｎｇ）診断機器等を含み得る。 微生物の種類としては、ラクトバチルス（Ｌａｃｔｏｂａｃｉｌｌｕｓ）、クロストリジウムパーフリンゲンス （Ｃｌｏｓｔｒｉｄｉｕｍ ｐｅｒｆｒｉｎｇｅｎｓ）、 ブラウティア（Ｂｌａｕｔｉａ）、 エンテロコッカス フェシウム（Ｅｎｔｅｒｏｃｏｃｃｕｓ ｆａｅｃｉｕｍ）、ファーミキューテス（Ｆｉｒｍｉｃｕｔｅｓ）、バクテロイデス（Ｂａｃｔｅｒｏｉｄｅｔｅｓ）等が挙げられる。 有益菌としては、ビフィドバクテリウム（Ｂｉｆｉｄｏｂａｃｔｅｒｉｕｍ）、ラクトコッカス（Ｌａｃｔｏｃｏｃｃｕｓ）、ラクトバチルス（Ｌａｃｔｏｂａｃｉｌｌｕｓ）、ストレプトコッカス（Ｓｔｒｅｐｔｏｃｏｃｃｕｓ）等がある。 有害菌としては、サルモネラ（Ｓａｌｍｏｎｅｌｌａ）、シゲラ（Ｓｈｉｇｅｌｌａ）、クロストリジウム・ディフィシル（Ｃｌｏｓｔｒｉｄｉｕｍ ｄｉｆｆｉｃｉｌｅ）、スタフィロコッカス・アウレウス（Ｓｔａｐｈｙｌｏｃｏｃｃｕｓ ａｕｒｅｕｓ）、カンピロバクター・ジェジュニ（Ｃａｍｐｙｌｏｂａｃｔｅｒ ｊｅｊｕｎｉ）等がある。 微生物量は、検出される微生物の絶対量又は相対量であってよい。 微生物分布度は、微生物の種類および個体数を示し得、また微生物の分布パターンであってもよい。 微生物群集度は、微生物グループの種類および当該グループに含まれる微生物数を示し得る。例えば、微生物を有益菌・有害菌・中立菌等に区分する場合、微生物群集度は各区分に含まれる微生物数を示す情報であり得る。伴侶動物により相互作用する微生物の種類が異なるため、微生物の群集度は伴侶動物に応じて 設定が異なり得る。 図４は、一実施例に係る伴侶動物の疾患を予測する方法を説明するためのフローチャートである。図４を参照すると、デバイス（３００）は人工ニューラルネットワークを用いて伴侶動物の疾患を予測し得る。 デバイス（３００）は、ステップ４１０～４５０により予測の準備を行う。準備が完了すると、ステップ４６０～４９０により問診情報（Ａ）に対する疾患を予測する。すなわち、複数の問診情報および微生物情報を用いて人工ニューラルネットワークおよびＳＶＭを学習させ、変換情報を獲得した後に、問診情報（Ａ）に対する疾患を予測し得る。 ステップ４１０で、デバイス（３００）は複数の伴侶動物の問診情報および微生物情報を獲得する。デバイス（３００）は当該情報をメモリ等に保存してもよい。また、当該情報を数値化して人工ニューラルネットワークの入力データ又は出力データとして用いることができる。 例えば、デバイス（３００）はＮ個の伴侶動物伴侶動物の情報を獲得し得る。Ｎは１００以上の自然数であり得る。同一の伴侶動物から取得される問診情報および微生物情報は互いに対応する情報である。例えば、第１伴侶動物から第１問診情報、第１微生物情報、第１疾患情報が取得された場合、これらは互いに対応する情報である。デバイス（３００）は伴侶動物の疾患情報を取得し得る。疾患情報は、肥満、下痢（非出血性下痢症、出血性下痢症）、便秘、腸疾患等であり得る。デバイス（３００）は微生物情報と疾患情報をマッチングさせ得る。したがって、デバイス（３００）はペットの微生物情報を取得すると、伴侶動物の疾患を決定し得る。 ステップ４２０で、デバイス（３００）は第１人工ニューラルネットワークを用いて問診情報に関する問診特徴ベクトルを獲得する。問診特徴ベクトルは、問診情報の要点のみを含むベクトルである。例えば、第１人工ニューラルネットワークはオートエンコーダであり得る。デバイス（３００）は問診情報をオートエンコーダに入力して問診特徴ベクトルを生成し、Ｎ個の問診情報に対してＮ個の問診特徴ベクトルを生成し得る。 ステップ４３０で、デバイス（３００）は第１人工ニューラルネットワークを用いて微生物情報に関する微生物特徴ベクトルを獲得する。微生物