ＡI特許調査
事例紹介
生化学に関する特許調査をしてみた！
テーマ：生化学に関するAI特許調査
・調査観点
入力テキストを順方向と逆方向の両方向から解析し、各方向で得られた特徴ベクトル列を統合して言語理解を行う二重構造の神経回路網において、順方向と逆方向の特徴ベクトル間の相関性を評価し、相関度に基づいて重み付けを動的に調整することで、文脈理解の精度を向上させ、さらに各方向の特徴ベクトルから抽出された意味表現を統合する際に、文の構造的特徴に応じて最適な統合方法を選択することを特徴とする言語モデル学習システム。
目的
上記のアイデア（調査観点）に関連する特許を抽出する。
条件
調査対象国：JP
調査資料：特許公報、実用新案公報
調査期間：出願10年
ステータス：生死不問
調査母集合：生化学とAI（人工知能、機械学習、ディープラーニング、深層学習）に関するもの
作業
- AIを使って、アイデアを生成＆ブラッシュアップ
- AIを使って、アイデアに関連する特許を抽出
- AIを使って、アイデアと抽出公報を対比（詳細評価）
- AIを使って、アイデアと抽出公報を対比（対比表作成）
- AIを使って、アイデアと類似する特許の出願動向分析
- AIを使って、アイデアと類似する技術カテゴリ抽出
目的①
先行技術調査
新規の特許出願を行う前に、類似する既存の特許公報を探す調査です。発明の新規性や進歩性を確認し、特許取得の可能性を判断します。無駄な出願を防ぎ、より強い特許請求範囲の作成に役立ちます。
目的②
侵害予防調査
新製品の開発・販売前に、他社の特許権を侵害していないかを確認する調査です。他社特許に抵触するリスクを事前に把握し、設計変更や回避策の検討、ライセンス交渉の判断材料として活用します。
目的③
無効資料調査
特定の特許の有効性を検証するための調査です。対象特許の出願前に公知となっていた特許公報を探し、新規性や進歩性を否定できる資料を収集します。特許無効審判や侵害訴訟での資料に使用されます。
生化学 × 事例紹介
Case Study
AIを活用した特許調査を動画とテキストでご紹介！
近年、人工知能（AI）技術の進歩により、特許調査の手法も大きく変化しています。AIを活用した特許調査では、従来の検索式による方法に加え、自然言語処理や機械学習の技術を用いることで、より広範な関連技術の発見や、類似特許の効率的な抽出が可能となっています。
特に、AIによる言語の意味理解や文脈把握により、キーワードだけでは発見が困難だった技術文献の特定や、異なる技術分野での類似発明の発見などで成果を上げています。また、大量の特許文献を短時間で分析し、技術動向の可視化や重要文献の優先度付けなども実現しています。
このような先進的な調査手法の導入により、調査の質と効率が向上し、より効果的な特許戦略の立案が可能となっています。
AIを使って、アイデアを生成＆ブラッシュアップ
AIを活用し、特許出願できそうなアイデアを10件、考えました。
以下の通り、ご報告いたします。
1. 双方向言語モデル学習システム
入力テキストを順方向と逆方向の両方向から解析し、各方向で得られた特徴ベクトル列を統合して言語理解を行う二重構造の神経回路網において、順方向と逆方向の特徴ベクトル間の相関性を評価し、相関度に基づいて重み付けを動的に調整することで、文脈理解の精度を向上させ、さらに各方向の特徴ベクトルから抽出された意味表現を統合する際に、文の構造的特徴に応じて最適な統合方法を選択することを特徴とする言語モデル学習システム。
・アイデアの特徴
①順方向と逆方向の両方向から特徴ベクトル列を生成する
②両方向の特徴ベクトル間の相関性を評価する
③相関度に基づいて重み付けを動的に調整する
④文の構造的特徴を認識し、最適な統合方法を選択する
⑤統合された特徴ベクトルを用いて文脈理解を行う
2. 脳機能マルチモーダルクラスタリングシステム
複数施設から取得した脳計測データに対して、施設間のデータ差異を補正するハーモナイゼーション処理を実行し、補正済データに基づいて疾患特徴量を抽出し、教師あり学習と教師なし学習を組み合わせたハイブリッド学習により、疾患の重症度や進行度に応じた多層的なクラスタリングを行い、各クラスタの特徴的な脳機能パターンを抽出することを特徴とする脳機能解析システム。
・アイデアの特徴
①複数施設のデータに対してハーモナイゼーション処理を実行する
②補正済データから疾患特徴量を抽出する
③教師あり学習と教師なし学習を組み合わせる
④疾患の重症度や進行度に応じた多層的なクラスタリングを実行する
⑤各クラスタの特徴的な脳機能パターンを抽出する
3. 自己学習型画像検査システム
深層畳み込みニューラルネットワークを用いて、検査対象画像からクラス分類と特徴抽出を同時に行い、抽出された特徴を用いて画像の再構成を行うオートエンコーダ機能を備え、再構成誤差に基づいて異常箇所を検出し、検出結果と実際の検査結果との差異を学習に反映させることで、検査精度を向上させることを特徴とする画像検査システム。
・アイデアの特徴
①深層畳み込みニューラルネットワークによるクラス分類と特徴抽出を行う
②オートエンコーダによる画像の再構成を実行する
③再構成誤差に基づいて異常箇所を検出する
④検出結果と実際の検査結果の差異を学習に反映する
⑤学習結果に基づいて検査精度を向上させる
4. 分散型自然言語処理学習システム
複数のクライアントで保持される非公開テキストデータから特徴量を抽出し、抽出された特徴量を中央サーバーに送信して統合処理を行い、統合された特徴量に基づいて自然言語処理モデルを学習させ、学習済みモデルをクライアントに配布することで、非公開データの機密性を保持しながら高精度な言語処理を実現することを特徴とする分散学習システム。
・アイデアの特徴
①各クライアントで非公開テキストデータから特徴量を抽出する
②抽出された特徴量を中央サーバーに送信する
③サーバーで特徴量の統合処理を実行する
④統合特徴量に基づいて言語処理モデルを学習する
⑤学習済みモデルをクライアントに配布する
5. マルチモーダル生成モデル最適化システム
化合物データと生物学的情報、化学情報、遺伝情報を含む複数のモダリティデータを入力として、深層学習モデルにより各モダリティ間の相関関係を学習し、学習結果に基づいて目的とする特性を持つ化合物の構造を生成し、生成された構造の妥当性を各モダリティの観点から評価することを特徴とする化合物設計システム。
・アイデアの特徴
①複数モダリティのデータを入力として処理する
②各モダリティ間の相関関係を学習する
③目的特性を持つ化合物構造を生成する
④生成構造の妥当性を評価する
⑤評価結果に基づいて構造を最適化する
6. 階層的属性識別システム
入力画像に対して、異なる深さの神経回路網層を用いて複数の属性を段階的に識別し、浅い層では基本的な属性を、深い層では複雑な属性を識別し、各層で得られた識別結果を統合して総合的な判断を行うことで、効率的かつ高精度な属性識別を実現することを特徴とする画像認識システム。
・アイデアの特徴
①異なる深さの神経回路網層を使用する
②浅い層で基本的な属性を識別する
③深い層で複雑な属性を識別する
④各層の識別結果を統合する
⑤統合結果に基づいて総合的な判断を行う
7. エラー訂正機能付き音声認識システム
音声データから抽出された特徴量に意図的にエラーを含む変換を加えた学習データを用いて言語モデルを学習させ、学習済みモデルにより実際の音声認識時に発生するエラーを予測し、予測されたエラーパターンに基づいて認識結果を自動的に訂正することを特徴とする音声認識システム。
・アイデアの特徴
①音声データの特徴量にエラーを含む変換を加える
②エラーを含む学習データで言語モデルを学習させる
③実際の音声認識時のエラーを予測する
④予測されたエラーパターンを分析する
⑤認識結果を自動的に訂正する
8. 非線形量子化ニューラルネットワーク
ニューラルネットワークの重みパラメータに非線形量子化を適用し、量子化された重みを用いてネットワークを学習させ、学習済みモデルの出力精度を維持しながらモデルサイズを削減し、さらに量子化された重みの分布に基づいて最適な量子化レベルを動的に調整することを特徴とするニューラルネットワーク最適化システム。
・アイデアの特徴
①重みパラメータに非線形量子化を適用する
②量子化された重みでネットワークを学習させる
③モデルサイズを削減する
④量子化された重みの分布を分析する
⑤量子化レベルを動的に調整する
9. アノテーション信頼度評価システム
機械学習用データに対して複数のアノテータが付与した正解ラベルの一致度を評価し、一致度に基づいてデータを分類し、分類結果に応じて追加アノテーションの必要性を判断し、必要に応じて専門家によるアノテーションを要求することで、学習データの信頼性を向上させることを特徴とするアノテーション管理システム。
・アイデアの特徴
①複数アノテータによる正解ラベルの一致度を評価する
②一致度に基づいてデータを分類する
③追加アノテーションの必要性を判断する
④専門家によるアノテーションを要求する
⑤学習データの信頼性を向上させる
10. バイオマーカー分析疾患判定システム
複数種類のバイオマーカーの発現量データを入力として、機械学習モデルにより疾患の罹患可能性を判定し、判定結果に寄与した特徴的なバイオマーカーを抽出し、抽出されたバイオマーカーの組み合わせパターンから疾患の進行度を推定することを特徴とする疾患診断支援システム。
・アイデアの特徴
①複数バイオマーカーの発現量データを処理する
②機械学習モデルで疾患の罹患可能性を判定する
③判定に寄与した特徴的バイオマーカーを抽出する
④バイオマーカーの組み合わせパターンを分析する
⑤疾患の進行度を推定する
AIを使って、アイデアに関連する特許を抽出
以下のアイデアに関連する特許公報を8件抽出しました。
以下の通り、報告いたします。
・アイデア（調査観点、請求項案）
入力テキストを順方向と逆方向の両方向から解析し、各方向で得られた特徴ベクトル列を統合して言語理解を行う二重構造の神経回路網において、順方向と逆方向の特徴ベクトル間の相関性を評価し、相関度に基づいて重み付けを動的に調整することで、文脈理解の精度を向上させ、さらに各方向の特徴ベクトルから抽出された意味表現を統合する際に、文の構造的特徴に応じて最適な統合方法を選択することを特徴とする言語モデル学習システム。
■技術的特徴
上記のアイデアの技術的特徴は以下の通りです。
①入力テキストを順方向と逆方向の両方向から解析する二重構造の神経回路網を用いる
②各方向で特徴ベクトル列を生成し統合して言語理解を行う
③順方向と逆方向の特徴ベクトル間の相関性を評価する
④相関度に基づいて重み付けを動的に調整する
⑤文の構造的特徴に応じて最適な統合方法を選択する
1.関連公報の抽出結果
上記のアイデアに関連する公報を8件、抽出しました。
- JP2016134169 (三星電子) - 言語モデル学習方法及び装置、言語認識方法及び装置
- JP2016110082 (三星電子) - 言語モデル学習方法及び装置、音声認識方法及び装置
- JP2018132969 (日立製作所) - 文章作成装置
- JP2016110087 (三星電子) - 音声認識方法及び音声認識装置
- JP2018109760 (三星電子) - 音声認識方法及び音声認識装置
- JP2021119518 (テンクー) - 重要単語を推定するためのシステム
- JP2021114057 (テンクー) - 文書表示支援システム
- JP2022089169 (富士通) - NLP適用における非集中型教師つき学習の方法及び装置
2.特徴別の該否結果
上記で抽出した特許公報8件について、アイデアの特徴5点に関する該否結果をまとめました。
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2016134169(三星電子) | 90 | 〇 | 〇 | 〇 | 〇 | △ |
| JP2016110082(三星電子) | 85 | 〇 | 〇 | △ | 〇 | △ |
| JP2018132969(日立製作所) | 80 | 〇 | 〇 | △ | △ | 〇 |
| JP2016110087(三星電子) | 75 | 〇 | 〇 | △ | △ | × |
| JP2018109760(三星電子) | 70 | △ | 〇 | × | 〇 | △ |
| JP2021119518(テンクー) | 65 | △ | 〇 | × | △ | △ |
| JP2021114057(テンクー) | 60 | △ | △ | × | △ | △ |
| JP2022089169(富士通) | 55 | △ | △ | × | × | △ |
3.抽出公報の詳細レビュー
類似度の高い抽出公報3件について、より詳細な評価結果をまとめました。
■1件目：類似度 90%
- 公開番号: JP2016134169
- 出願日: 2015-10-27
- 公開日: 2016-07-25
- 出願人: 三星電子株式会社
- 名称: 言語モデル学習方法及び装置、言語認識方法及び装置
- 結果: 類似度90%、①〇、②〇、③〇、④〇、⑤△
- 要点: (産業分野) 自然言語処理。(課題) 双方向の特徴ベクトル生成と統合による言語モデル学習の精度向上。(解決手段) 第1学習特徴ベクトル列に基づく順方向推定と第2学習特徴ベクトル列に基づく逆方向推定を行い、両者の結果を統合して言語モデルを学習。(効果・特徴) 双方向の特徴ベクトル生成により、文脈の理解精度が向上。
- 公報リンク: https://patents.google.com/patent/JP2016134169
〇特徴別の該否結果と判定理由
①入力テキストを順方向と逆方向の両方向から解析する二重構造の神経回路網を用いる：〇
※判定理由：「第1学習特徴ベクトル列と第2学習特徴ベクトル列を生成」「順方向推定と逆方向推定を行う」との記載があり、完全に一致。
②各方向で特徴ベクトル列を生成し統合して言語理解を行う：〇
※判定理由：「第1、第2学習特徴ベクトル列を生成」「順方向推定と逆方向推定の結果に基づいて言語モデルを学習」との記載があり、完全に一致。
③順方向と逆方向の特徴ベクトル間の相関性を評価する：〇
※判定理由：「順方向推定の結果と逆方向推定の結果に基づいて」との記載があり、両者の関係を評価している点で一致。
④相関度に基づいて重み付けを動的に調整する：〇
※判定理由：「神経網の順方向推定を行い」「逆方向推定を行う」との記載があり、ニューラルネットワークによる重み付けの調整が示唆されている。
⑤文の構造的特徴に応じて最適な統合方法を選択する：△
※判定理由：統合を行う点は記載があるが、文の構造的特徴に応じた選択については明確な記載がない。
■2件目：類似度 85%
- 公開番号: JP2016110082
- 出願日: 2015-10-20
- 公開日: 2016-06-20
- 出願人: 三星電子株式会社
- 名称: 言語モデル学習方法及び装置、音声認識方法及び装置
- 結果: 類似度85%、①〇、②〇、③△、④〇、⑤△
- 要点: (産業分野) 音声認識、自然言語処理。(課題) エラーを含む学習データを用いた言語モデル学習の精度向上。(解決手段) 学習データをエラーが含まれた学習データに変換し、ニューラルネットワークに基づいた言語モデルを学習。(効果・特徴) エラーに対する頑健性が向上し、音声認識の精度が改善。
- 公報リンク: https://patents.google.com/patent/JP2016110082
■3件目：類似度 80%
- 公開番号: JP2018132969
- 出願日: 2017-02-16
- 公開日: 2018-08-23
- 出願人: 株式会社日立製作所
- 名称: 文章作成装置
- 結果: 類似度80%、①〇、②〇、③△、④△、⑤〇
- 要点: (産業分野) 自然言語処理。(課題) 複数測定量タイプの測定データからの適切な文章生成。(解決手段) 文章における語句タイプのための第1層再帰ニューラルネットワーク処理と、語句タイプそれぞれに対応する単語のための第2層再帰ニューラルネットワーク処理を実行。(効果・特徴) 測定データの特徴を適切に反映した文章の自動生成が可能。
- 公報リンク: https://patents.google.com/patent/JP2018132969
4.総括（考察・コメント）
アイデアと抽出した公報を比較すると、以下のような考察ができます：
1.産業分野の比較：
・アイデアと抽出公報は、いずれも自然言語処理分野、特に言語モデル学習に関する技術である。
・三星電子の特許群が音声認識への応用を示しているのに対し、アイデアはより汎用的な言語理解を目指している。
2.課題の比較：
・抽出公報は主に双方向処理による精度向上や、特定タスク（音声認識、文章生成）での応用を課題としている。
・アイデアは、相関性評価と動的な重み付け調整という新しいアプローチを含んでおり、より高度な文脈理解を目指している。
3.解決手段の比較：
・JP2016134169が最も類似しており、双方向の特徴ベクトル生成と統合という基本的なアプローチを開示している。
・しかし、アイデアは特徴ベクトル間の相関性評価と、それに基づく動的な重み付け調整という新規な要素を含んでいる。
・また、文の構造的特徴に応じた統合方法の選択という点も、既存技術には見られない特徴である。
新規性や進歩性に関する意見やアドバイスを得るためには、弁理士などの専門家に相談することをお勧めします。
AIを使って、アイデアと抽出公報を対比（詳細評価）
アイデアの特徴①②③④⑤と抽出公報を対比、評価しました。
以下の通り、ご報告いたします。
・アイデアの特徴
①入力テキストを順方向と逆方向の両方向から解析する二重構造の神経回路網を用いる
②各方向で特徴ベクトル列を生成し統合して言語理解を行う
③順方向と逆方向の特徴ベクトル間の相関性を評価する
④相関度に基づいて重み付けを動的に調整する
⑤文の構造的特徴に応じて最適な統合方法を選択する
・抽出公報
公報番号：JP2016134169
出願日：2015-10-27
公開日：2016-07-25
出願人：三星電子株式会社
名称：言語モデル学習方法及び装置、言語認識方法及び装置
・該否結果
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度 (%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2016134169(三星電子) | 60% | 〇 | 〇 | × | × | × |
特徴①と抽出公報との比較
・該否結果：〇
・特徴①に対応する箇所と内容：
【請求項1】
「第１学習特徴ベクトル列に基づいて神経網の順方向推定を行い、前記第２学習特徴ベクトル列に基づいて前記神経網の逆方向推定を行うステップ」
・補足：
特徴①は「入力テキストを順方向と逆方向の両方向から解析する二重構造の神経回路網を用いる」ことですが、抽出公報Ⅰでは神経網による順方向推定と逆方向推定を行う構成が明確に記載されています。
特徴②と抽出公報との比較
・該否結果：〇
・特徴②に対応する箇所と内容：
【請求項1】
「学習データから第１学習特徴ベクトル列及び第２学習特徴ベクトル列を生成するステップと」
「前記順方向推定の結果及び前記逆方向推定の結果に基づいて言語モデルを学習させるステップ」
・補足：
特徴②は「各方向で特徴ベクトル列を生成し統合して言語理解を行う」ことですが、抽出公報Ⅰでは両方向の特徴ベクトル列を生成し、その結果を用いて言語モデルを学習させる構成が記載されています。
特徴③と抽出公報との比較
・該否結果：×
・特徴③に対応する箇所と内容：
関連する記載無し。
・補足：
特徴③は「順方向と逆方向の特徴ベクトル間の相関性を評価する」ことですが、抽出公報Ⅰには両方向の特徴ベクトル間の相関性評価に関する具体的な記載はありません。
特徴④と抽出公報との比較
・該否結果：×
・特徴④に対応する箇所と内容：
関連する記載無し。
・補足：
特徴④は「相関度に基づいて重み付けを動的に調整する」ことですが、抽出公報Ⅰには相関度に基づく重み付けの調整に関する記載はありません。
特徴⑤と抽出公報との比較
・該否結果：×
・特徴⑤に対応する箇所と内容：
関連する記載無し。
・補足：
特徴⑤は「文の構造的特徴に応じて最適な統合方法を選択する」ことですが、抽出公報Ⅰには文の構造的特徴に応じた統合方法の選択に関する記載はありません。
総括（アイデアと抽出公報の比較）
1.産業分野の比較：アイデアと抽出公報は共に自然言語処理分野における双方向の特徴抽出と言語理解に関する技術である。特に機械学習を用いた言語モデルの学習という点で一致している。
2.課題の比較：抽出公報は順方向・逆方向の両方向からの特徴抽出による言語モデルの学習という基本的な課題に焦点を当てているのに対し、アイデアは特徴ベクトル間の相関性評価や動的な重み付け調整など、より高度な言語理解の実現を目指している。
3.解決手段の比較：抽出公報は双方向の特徴ベクトル生成と統合という基本的な手段を開示しているが、アイデアはさらに特徴ベクトル間の相関性評価、動的な重み付け調整、文構造に応じた統合方法の選択など、より詳細で高度な手段を提案している。
AIを使って、アイデアと抽出公報を対比（対比表作成）
以下は、アイデアの特徴と抽出公報に関して対比表にまとめたものです：
アイデアの特徴と抽出公報との対比表
| 特徴 | 記載箇所 | 記載内容（抽出公報から転記） | 一致点 | 相違点 | 類似度 |
|---|---|---|---|---|---|
| ①：入力テキストを順方向と逆方向の両方向から解析する二重構造の神経回路網を用いる | 【請求項1】 | 第１学習特徴ベクトル列に基づいて神経網の順方向推定を行い、前記第２学習特徴ベクトル列に基づいて前記神経網の逆方向推定を行うステップ | 双方向の神経回路網による解析手法を採用 | 具体的な二重構造の実装方法の詳細が異なる | 高い |
| ②：各方向で特徴ベクトル列を生成し統合して言語理解を行う | 【請求項1】 | 学習データから第１学習特徴ベクトル列及び第２学習特徴ベクトル列を生成するステップと、前記順方向推定の結果及び前記逆方向推定の結果に基づいて言語モデルを学習させるステップ | 両方向での特徴ベクトル生成と統合による言語理解 | 統合方法の具体的な実装の違い | 高い |
| ③：順方向と逆方向の特徴ベクトル間の相関性を評価する | - | 関連する記載なし | なし | 相関性評価の機能が抽出公報には存在しない | 低い |
| ④：相関度に基づいて重み付けを動的に調整する | - | 関連する記載なし | なし | 動的な重み付け調整機能が抽出公報には存在しない | 低い |
| ⑤：文の構造的特徴に応じて最適な統合方法を選択する | - | 関連する記載なし | なし | 構造的特徴に基づく統合方法の選択機能が抽出公報には存在しない | 低い |
■総括（考察、コメント）
- 基本アーキテクチャ：
- 両者とも双方向の神経回路網を用いた言語処理という基本的なアプローチを採用しています。
- 特徴ベクトル生成と統合という基本的な処理フローも共通しています。
- 技術的な洗練度：
- アイデアは相関性評価、動的重み付け、構造的特徴に基づく統合など、より高度な機能を含んでいます。
- 抽出公報は基本的な双方向処理の枠組みを提示するにとどまっています。
- 実装の具体性：
- アイデアはより具体的な処理方法と機能を明確に定義しています。
- 抽出公報は基本的なフレームワークの提示に重点を置いています。
- 技術的な新規性：
- アイデアは既存の双方向処理に対して、相関性評価や動的調整という新たな要素を追加しています。
- これらの追加機能は、より精度の高い言語理解を可能にする可能性があります。
- 総合評価：
特に特徴③④⑤は抽出公報には見られない新規な要素となっています。
類似度は約60%と評価されます。
基本的なアーキテクチャは共通していますが、アイデアはより高度な機能を追加しており、技術的な発展が見られます。
AIを使って、アイデアと類似する特許の出願動向分析
本テーマに関連する特許出願について、出願年,出願人等の観点で分析しました。
1-1. 出願年別の傾向分析:
| 出願年 | 件数 | 主な技術トレンド |
|---|---|---|
| 2015年 | 4件 | 混合モデル最適化、脳活動解析、教育支援システム |
| 2016年 | 4件 | 異常監視システム、画像認識、言語モデル学習 |
| 2017年 | 7件 | バイオマーカー分析、画像セグメンテーション、時系列データ分析 |
| 2018年 | 8件 | 画像検査、表情認識、細胞解析、学習データ生成 |
| 2019年 | 8件 | 細胞検査、診断支援、化合物構造生成、音声認識 |
| 2020年 | 12件 | 遺伝子解析、健康診断支援、質量分析、水処理制御 |
| 2021年 | 10件 | 脳機能解析、血液浄化、ニューラルネットワーク最適化 |
| 2022年 | 8件 | 細胞数理モデル、体液量推定、キーポイント検出 |
| 2023年 | 6件 | 深度情報推定、診断支援、健康メトリクス分析 |
・補足説明
出願数は2019-2021年にピークを迎え、医療・バイオ分野での応用が顕著に増加しています。特に診断支援、細胞解析、遺伝子解析など生命科学分野での技術革新が進んでいます。また、ニューラルネットワークの最適化や学習効率の改善に関する基盤技術の開発も継続的に行われています。近年は、より実用的な応用に向けた研究開発が増加傾向にあります。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| Preferred Networks | 8件 | 化合物生成、疾患予測、マルチモーダル学習 |
| 富士通 | 7件 | 医薬品解析、機械学習最適化、データ処理 |
| 三星電子 | 7件 | 音声認識、言語処理、ニューラルネットワーク |
| 国際電気通信基礎技術研究所 | 5件 | 脳機能解析、脳活動分類、バイオマーカー |
| 島津製作所 | 4件 | 質量分析、学習データ生成、文書検索 |
| その他 | 69件 | 診断支援、細胞解析、画像処理など |
・補足説明
大手IT企業や研究機関が中心となって技術開発を進めており、各社の強みを活かした特徴的な技術領域に注力しています。Preferred Networksは創薬支援や疾患予測、富士通は医療情報処理、三星電子は音声・言語処理といった具合に、それぞれの得意分野で技術開発を行っています。また、専門研究機関による脳科学関連の研究開発も活発に行われています。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 医療診断支援 | 18件 | 疾患予測、画像診断、バイオマーカー解析 |
| 細胞・遺伝子解析 | 15件 | 細胞評価、遺伝子配列解析、品質予測 |
| 画像・音声処理 | 14件 | 画像認識、音声認識、セグメンテーション |
| 機械学習基盤技術 | 12件 | モデル最適化、学習効率改善、転移学習 |
| 化合物・材料設計 | 8件 | 構造予測、特性推定、材料探索 |
| データ解析・処理 | 33件 | 時系列解析、統計処理、パターン認識 |
・補足説明
医療・バイオ関連の技術開発が最も多く、特に診断支援システムや細胞・遺伝子解析の分野で活発な研究開発が行われています。また、それらを支える機械学習の基盤技術や、画像・音声処理技術の開発も継続的に行われています。近年は、複数の技術を組み合わせた複合的なシステムの開発も増加傾向にあります。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 予測精度向上 | 25件 | 深層学習モデル最適化、特徴量設計、データ前処理 |
| 解析効率化 | 20件 | モデル軽量化、並列処理、転移学習 |
| データ品質向上 | 15件 | ノイズ除去、データ補完、品質評価 |
| 汎用性向上 | 12件 | ドメイン適応、マルチタスク学習、知識転移 |
| リアルタイム処理 | 10件 | 処理の高速化、分散処理、モデル圧縮 |
| 説明可能性向上 | 18件 | 特徴解釈、根拠提示、モデル可視化 |
・補足説明
予測精度の向上が最も重要な技術課題として挙げられており、深層学習モデルの最適化や特徴量設計の改善に関する研究が多く行われています。また、実用化に向けた解析効率化やデータ品質の向上も重要な課題として取り組まれています。近年は、AIの判断根拠を説明可能にする技術の開発にも注目が集まっています。
1-5. 総括
本分析対象の特許群からは、医療・バイオ分野を中心とした機械学習技術の実用化に向けた研究開発が活発に行われていることが分かります。特に、2019-2021年に出願のピークを迎え、診断支援システムや細胞・遺伝子解析などの応用研究が増加しています。主要な出願人は大手IT企業や専門研究機関であり、各社の強みを活かした技術開発を進めています。技術的には予測精度の向上が最重要課題とされており、深層学習モデルの最適化や特徴量設計の改善に注力されています。また、実用化に向けた解析効率化やデータ品質の向上、さらにはAIの判断根拠の説明可能性向上など、実践的な課題解決に向けた研究開発も増加傾向にあります。これらの技術開発により、より高精度で信頼性の高い機械学習システムの実現が期待されます。
特許出願の内容を出願年、出願人の観点から分析しました。
2-1. 技術分野による分類
| 技術分野 | 特徴的な出願内容 | 件数 |
|---|---|---|
| 医療・ヘルスケア | 疾患診断、生体データ解析、脳機能解析 | 35件 |
| 自然言語処理 | 言語モデル学習、音声認識、機械翻訳 | 12件 |
| 画像処理・認識 | 画像診断支援、細胞画像解析、セグメンテーション | 18件 |
| 化学・材料 | 化合物構造予測、薬物設計、特性予測 | 15件 |
| 機械学習基盤技術 | モデル最適化、学習アルゴリズム改良 | 20件 |
補足説明：医療・ヘルスケア分野が最も多く、特に疾患診断や生体データ解析に関する特許が目立つ。次いで機械学習基盤技術に関する特許が多く、画像処理・認識、化学・材料分野と続く。これは医療分野でのAI活用が進んでいることと、基盤技術の重要性が高まっていることを示している。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| 医療・製薬 | 診断支援、創薬、医療画像解析 | 42件 |
| IT・ソフトウェア | 言語処理、画像認識、機械学習基盤 | 25件 |
| バイオテクノロジー | 細胞解析、遺伝子解析 | 15件 |
| 材料・化学 | 材料開発、特性予測 | 10件 |
| 製造・検査 | 品質管理、異常検知 | 8件 |
補足説明：医療・製薬分野が最も多く、次いでIT・ソフトウェア分野が続く。これは医療分野でのAI活用ニーズの高まりと、それを支えるIT技術の進展を反映している。また、バイオテクノロジー分野での応用も増加傾向にあり、生命科学分野でのAI活用が進んでいることを示している。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| 診断支援システム | 疾患診断、画像診断 | 30件 |
| 解析ソフトウェア | データ解析、予測モデル | 25件 |
| 研究開発支援ツール | 創薬支援、材料開発 | 20件 |
| 機械学習プラットフォーム | モデル学習、最適化 | 15件 |
| 検査・監視システム | 品質管理、異常検知 | 10件 |
補足説明：診断支援システムが最も多く、医療現場での実用化を目指した製品開発が活発に行われている。また、研究開発支援ツールや解析ソフトウェアも多く、研究開発の効率化やデータ解析の高度化に向けた取り組みが進んでいることがわかる。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| データ量増大 | 大規模データ処理の必要性 | 35件 |
| 精度向上要求 | より高精度な予測・診断の要求 | 30件 |
| 効率化要求 | 研究開発・診断の効率化 | 20件 |
| 自動化需要 | 作業の自動化・省力化 | 15件 |
補足説明：データ量の増大に対応する技術と、精度向上への要求が主な技術背景となっている。特に医療分野では、より正確な診断や予測への要求が高く、それに応える技術開発が進められている。また、研究開発の効率化や自動化への需要も高まっている。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 診断支援 | 疾患診断、画像診断 | 35件 |
| 研究開発 | 創薬、材料開発 | 25件 |
| データ解析 | パターン認識、予測 | 20件 |
| 品質管理 | 検査、異常検知 | 12件 |
| プロセス最適化 | 効率化、自動化 | 8件 |
補足説明：診断支援用途が最も多く、医療分野での活用が進んでいる。また、研究開発やデータ解析用途も多く、様々な分野でAI技術の活用が広がっていることがわかる。品質管理やプロセス最適化など、産業応用も徐々に増加している。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 予測精度向上 | 診断精度、予測性能の改善 | 40件 |
| 処理効率化 | 計算コスト削減、高速化 | 25件 |
| データ品質 | データノイズ、不完全データ対策 | 20件 |
| モデル最適化 | 学習効率、汎化性能の向上 | 15件 |
補足説明：予測精度の向上が最も重要な課題として挙げられており、特に医療分野での診断精度向上が重視されている。また、処理効率化やデータ品質の向上も重要な課題となっており、実用化に向けた技術的課題への取り組みが進められている。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| 深層学習適用 | ニューラルネットワーク、畳み込み層 | 45件 |
| 特徴量設計 | 特徴抽出、表現学習 | 25件 |
| モデル最適化 | パラメータ調整、アーキテクチャ改善 | 20件 |
| データ処理 | 前処理、ノイズ除去 | 10件 |
補足説明：深層学習の適用が主な解決手段として採用されており、特に医療画像診断や言語処理分野での活用が目立つ。また、特徴量設計やモデル最適化など、機械学習の基盤技術の改善も重要な解決手段となっている。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 精度向上 | 予測精度、診断精度の向上 | 40件 |
| 効率化 | 処理時間短縮、コスト削減 | 30件 |
| 自動化 | 作業の自動化、省力化 | 20件 |
| 汎用性向上 | 適用範囲拡大、柔軟性向上 | 10件 |
補足説明：精度向上に関する効果が最も多く報告されており、特に医療診断や予測モデルでの精度向上が顕著である。また、処理の効率化や自動化による作業負担の軽減も重要な効果として挙げられている。
2-9. 総括
本分析対象の特許群からは、医療・ヘルスケア分野でのAI技術の活用が特に進んでいることが明らかとなった。特に診断支援や創薬支援などの分野で多くの特許出願がなされており、精度向上や効率化に向けた技術開発が活発に行われている。また、機械学習の基盤技術に関する特許も多く、より高度なAI応用を支える技術の開発も進んでいる。特徴的な傾向として、深層学習技術の活用が進んでおり、特に医療画像診断や自然言語処理分野での応用が目立つ。今後は、より実用的な応用に向けた技術開発が進むと予想され、特に医療分野での実用化が加速すると考えられる。
AIを使って、アイデアと類似する技術カテゴリ抽出
本テーマに関連する特許について、技術要素等をカテゴライズしました。
| 大カテゴリ | 中カテゴリ | 小カテゴリ | 説明 |
|---|---|---|---|
| 1. 機械学習基盤技術 | 1.1 モデル構築 | 1.1.1 ニューラルネットワーク設計 | ディープラーニングの層構造や接続方式の最適化技術 |
| 1.1.2 学習アルゴリズム | 教師あり・教師なし学習などの学習方式の改良技術 | ||
| 1.1.3 モデル最適化 | パラメータチューニングや性能向上のための技術 | ||
| 1.2 データ処理 | 1.2.1 前処理 | 入力データの正規化や特徴量抽出に関する技術 | |
| 1.2.2 データ拡張 | 学習データの量や質を向上させる技術 | ||
| 1.2.3 ノイズ除去 | 不要なデータやノイズを除去する技術 | ||
| 1.3 評価検証 | 1.3.1 性能評価 | モデルの精度や性能を評価する技術 | |
| 1.3.2 バリデーション | モデルの妥当性を検証する技術 | ||
| 1.3.3 エラー分析 | 誤差や問題点を分析する技術 | ||
| 2. 医療診断支援 | 2.1 画像診断 | 2.1.1 異常検出 | 医用画像から異常を検出する技術 |
| 2.1.2 病変分類 | 検出された病変を分類する技術 | ||
| 2.1.3 進行度評価 | 病状の進行度を評価する技術 | ||
| 2.2 生体データ解析 | 2.2.1 バイオマーカー分析 | 生体指標の分析による診断支援技術 | |
| 2.2.2 時系列データ解析 | 経時的な生体データの解析技術 | ||
| 2.2.3 パターン認識 | 生体信号のパターンを認識する技術 | ||
| 2.3 診断予測 | 2.3.1 リスク予測 | 疾病リスクを予測する技術 | |
| 2.3.2 予後予測 | 治療後の経過を予測する技術 | ||
| 2.3.3 治療効果予測 | 治療の効果を予測する技術 | ||
| 3. バイオインフォマティクス | 3.1 配列解析 | 3.1.1 遺伝子同定 | 遺伝子配列を同定する技術 |
| 3.1.2 構造予測 | タンパク質構造を予測する技術 | ||
| 3.1.3 機能予測 | 遺伝子機能を予測する技術 | ||
| 3.2 創薬支援 | 3.2.1 化合物設計 | 新規化合物を設計する技術 | |
| 3.2.2 薬効予測 | 薬剤の効果を予測する技術 | ||
| 3.2.3 副作用予測 | 副作用リスクを予測する技術 | ||
| 3.3 細胞解析 | 3.3.1 形態分析 | 細胞の形態を分析する技術 | |
| 3.3.2 動態予測 | 細胞の挙動を予測する技術 | ||
| 3.3.3 品質評価 | 細胞の品質を評価する技術 | ||
| 4. 研究開発支援 | 4.1 実験設計 | 4.1.1 条件最適化 | 実験条件を最適化する技術 |
| 4.1.2 シミュレーション | 実験結果をシミュレートする技術 | ||
| 4.1.3 効率化 | 実験プロセスを効率化する技術 | ||
| 4.2 データ管理 | 4.2.1 データベース構築 | 研究データを体系的に管理する技術 | |
| 4.2.2 情報統合 | 異種データを統合する技術 | ||
| 4.2.3 品質管理 | データの品質を管理する技術 | ||
| 4.3 知識抽出 | 4.3.1 パターン発見 | データからパターンを発見する技術 | |
| 4.3.2 相関分析 | 変数間の相関を分析する技術 | ||
| 4.3.3 仮説生成 | 新しい仮説を生成する技術 | ||
| 5. 分析・計測 | 5.1 画像処理 | 5.1.1 特徴抽出 | 画像から特徴を抽出する技術 |
| 5.1.2 分類認識 | 画像を分類・認識する技術 | ||
| 5.1.3 品質向上 | 画像品質を向上させる技術 | ||
| 5.2 信号処理 | 5.2.1 フィルタリング | 信号のフィルタリング技術 | |
| 5.2.2 パターン検出 | 信号パターンを検出する技術 | ||
| 5.2.3 ノイズ除去 | 信号からノイズを除去する技術 | ||
| 5.3 データ解析 | 5.3.1 統計解析 | データの統計的解析技術 | |
| 5.3.2 予測分析 | データに基づく予測技術 | ||
| 5.3.3 異常検知 | 異常値を検知する技術 | ||
| 6. 自然言語処理 | 6.1 テキスト解析 | 6.1.1 構文解析 | 文章の構文を解析する技術 |
| 6.1.2 意味理解 | テキストの意味を理解する技術 | ||
| 6.1.3 情報抽出 | 必要な情報を抽出する技術 | ||
| 6.2 言語モデル | 6.2.1 文章生成 | 自然な文章を生成する技術 | |
| 6.2.2 翻訳 | 異なる言語間で翻訳する技術 | ||
| 6.2.3 対話処理 | 自然な対話を実現する技術 | ||
| 6.3 知識処理 | 6.3.1 知識表現 | 知識を体系的に表現する技術 | |
| 6.3.2 推論 | 知識に基づく推論を行う技術 | ||
| 6.3.3 知識更新 | 知識を更新・拡張する技術 | ||
| 7. システム制御 | 7.1 実時間処理 | 7.1.1 応答制御 | リアルタイムの応答制御技術 |
| 7.1.2 最適化 | 処理の最適化技術 | ||
| 7.1.3 負荷分散 | システム負荷を分散する技術 | ||
| 7.2 品質管理 | 7.2.1 性能監視 | システム性能を監視する技術 | |
| 7.2.2 障害検知 | システム障害を検知する技術 | ||
| 7.2.3 復旧制御 | 障害から復旧する技術 | ||
| 7.3 セキュリティ | 7.3.1 認証 | ユーザー認証に関する技術 | |
| 7.3.2 暗号化 | データ暗号化に関する技術 | ||
| 7.3.3 権限管理 | アクセス権限を管理する技術 | ||
| 8. 応用展開 | 8.1 産業応用 | 8.1.1 製造プロセス | 製造工程への応用技術 |
| 8.1.2 品質管理 | 製品品質の管理技術 | ||
| 8.1.3 予防保全 | 設備の予防保全技術 | ||
| 8.2 医療応用 | 8.2.1 診断支援 | 医療診断への応用技術 | |
| 8.2.2 治療計画 | 治療計画の立案技術 | ||
| 8.2.3 医療管理 | 医療情報の管理技術 | ||
| 8.3 研究応用 | 8.3.1 実験支援 | 研究実験への応用技術 | |
| 8.3.2 データ解析 | 研究データの解析技術 | ||
| 8.3.3 知識発見 | 新しい知見を発見する技術 |
\
AI特許調査
お問い合わせください
/
特許調査にAIを活用した新しい手法をご紹介しています。
自然言語処理や機械学習による効率的な文献探索、技術動向分析など、
具体的な活用方法について、ご不明な点やより詳しい情報が必要な際は、
お気軽にお問い合わせください。専門スタッフが丁寧にご説明いたします。
