マルチメディアデータベースに基づく先天性異常症の意思決定・教育支援システム

点击翻译按钮获取中文摘要

平成8年度において、まず従来の厳密なる集合論理的な公理系の条件を少し弛めて、あいまいな集合の形成を扱えるように論理的な集合論を拡張したラフ集合理論理論をさらに確率的命題が扱えるような形にした。我々は上記のラフ集合理論を確率的に拡張するために、二つの指標:正確度、被覆度を用いた。正確度は、関係記述Rをみたす時、あるクラスdに所属する確率を示し、被覆度は関係記述Rをみたすサンプルがあるクラスを占める割合を示している。平成8年度においてこの二つの指標、特に被覆度に着目し、新たなサンプルが加わった時に確率的な規則を導出していくアルゴリズムを開発し、計算機上に実装した。次に、この実装したプログラムを髄膜炎のデータベース(99例)を使用して、repeated 10-fold cross-validation(反復回数:100回)で分類の正確度、ルールの生成数、領域使用量、計算時間とを一括型のルール導出システムPRIMEROSE及びShanとZiarkoの決定行列による方法と比較した。結果として、従来の漸増型学習システムに比べて、性能の良いルールを導出することができたが、そのために一括型学習システムに比べて、領域と時間計算量を犠牲にしなければならないことがわかった。当初目標とされていたシステムの開発と評価についてはすべて行なうことができた。しかしながら、実装したシステムでは計算に要した総時間量は1027秒程度必要だったのに対して、一括型ルール導出システムでは521秒程度、また計算に必要だった領域量も今回開発したシステムが1240セル程度であったのに対し、一括型システムでは210セル程度であり、実装したシステムは時間計算量及び計算に必要な領域の量から考察すれば一括型システムの方が性能がよいことがわかった。これは確率的な規則の導出を考慮しているために、すべての属性に関する情報を保持し、それぞれの正確度と被覆度の値を考慮しながら、規則の改訂を行なうためであり、標本の量が少ない場合に、かなりの計算量が必要であることがわかった。また、ある例によって、規則の構造が大きく変わる場合、その例を加えて、漸増学習するよりも、一括して規則を導出する方が計算が簡単である場合も存在し、このような計算コストの改善が必要である。