ＡI特許調査
事例紹介
免疫学に関する特許調査をしてみた！
テーマ：免疫学に関するAI特許調査
・調査観点
生体組織の顕微鏡画像から細胞核領域を抽出し、核の形状特徴量を計測し、計測された特徴量と参照データベースとの照合により細胞の種類及び状態を判定する細胞核形態解析システムにおいて、前記特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態の予測を行うことを特徴とする細胞解析システム。
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：免疫学と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。
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.マルチモーダル医用画像解析システム
医用画像データと生体信号データを入力として受け付け、複数の深層学習モデルによりそれぞれのデータを独立して特徴抽出し、抽出された特徴ベクトルを統合して疾患の種類及び進行度を判定し、判定結果に基づき治療方針の候補を提示する医用画像解析システムにおいて、前記特徴ベクトルの統合時に各データの重要度を自動的に算出し、統合時の重み付けを動的に調整することを特徴とする診断支援システム。
・アイデアの特徴
①医用画像データと生体信号データを独立して処理する複数の深層学習モデルを使用する。
②各データから抽出された特徴ベクトルを統合処理する。
③疾患の種類と進行度を総合的に判定する。
④データの重要度を自動算出し、統合時の重み付けを動的に調整する。
⑤判定結果に基づいて治療方針の候補を提示する。
2.細胞核形態解析システム
生体組織の顕微鏡画像から細胞核領域を抽出し、核の形状特徴量を計測し、計測された特徴量と参照データベースとの照合により細胞の種類及び状態を判定する細胞核形態解析システムにおいて、前記特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態の予測を行うことを特徴とする細胞解析システム。
・アイデアの特徴
①顕微鏡画像から細胞核領域を自動抽出する。
②核の形状に関する特徴量を計測する。
③計測された特徴量を参照データベースと照合する。
④特徴量の時系列変化を追跡する。
⑤変化パターンに基づき細胞状態を予測する。
3.粒子分取制御システム
生体由来粒子の光散乱データを入力として受け付け、多次元データの次元圧縮を行い、圧縮された特徴空間上で粒子の分類を行い、分類結果に基づき粒子の分取制御を行う粒子分取システムにおいて、前記次元圧縮に使用する学習モデルを、分取精度に基づき逐次更新することを特徴とする粒子分取制御システム。
・アイデアの特徴
①生体由来粒子の光散乱データを多次元データとして取得する。
②多次元データの次元圧縮を実行する。
③圧縮された特徴空間上で粒子分類を行う。
④分類結果に基づき粒子分取を制御する。
⑤分取精度に基づき学習モデルを逐次更新する。
4.腫瘍領域自動検出システム
組織画像から特徴量を抽出し、深層学習モデルにより腫瘍領域の検出を行い、検出された領域の境界を自動描出する腫瘍領域検出システムにおいて、前記領域検出結果の確信度に応じて医師への提示優先度を決定することを特徴とする腫瘍検出支援システム。
・アイデアの特徴
①組織画像から特徴量を自動抽出する。
②深層学習モデルにより腫瘍領域を検出する。
③検出された腫瘍領域の境界を自動描出する。
④検出結果の確信度を計算する。
⑤確信度に基づき提示優先度を決定する。
5.医用画像鑑別診断システム
医用画像から疾患の特徴を抽出し、複数の疾患候補の推論を行い、各疾患候補について根拠となる画像領域を特定する医用画像診断システムにおいて、前記疾患候補間の関連性を考慮して鑑別すべき疾患の優先順位付けを行うことを特徴とする診断支援システム。
・アイデアの特徴
①医用画像から疾患の特徴を抽出する。
②複数の疾患候補を推論する。
③各疾患候補の根拠となる画像領域を特定する。
④疾患候補間の関連性を分析する。
⑤鑑別すべき疾患の優先順位付けを行う。
6.学習データ品質管理システム
機械学習用の教師データに対して複数のアノテータによるラベル付けを行い、ラベルの一致度に基づきデータを分類し、分類結果に応じて追加アノテーションの要否を判定する学習データ管理システムにおいて、前記一致度の算出時にアノテータの信頼度を考慮することを特徴とするデータ品質管理システム。
・アイデアの特徴
①複数のアノテータによるラベル付けを実施する。
②ラベルの一致度に基づきデータを分類する。
③分類結果に応じて追加アノテーションの要否を判定する。
④アノテータごとの信頼度を算出する。
⑤信頼度を考慮してラベルの一致度を計算する。
7.化合物生成予測システム
化合物の構造情報と生物学的活性データを入力として、所望の特性を有する新規化合物の構造を生成する化合物設計システムにおいて、前記生成された構造の実現可能性を評価し、合成経路の候補を提示することを特徴とする化合物設計支援システム。
・アイデアの特徴
①化合物の構造情報を入力データとして使用する。
②生物学的活性データを入力データとして使用する。
③所望の特性を有する新規化合物構造を生成する。
④生成構造の実現可能性を評価する。
⑤合成経路の候補を提示する。
8.遺伝子変異影響予測システム
遺伝子配列データから変異を検出し、変異の種類と位置を特定し、タンパク質構造への影響を予測する遺伝子解析システムにおいて、前記予測結果の信頼度に応じて実験による検証の優先度を決定することを特徴とする遺伝子解析支援システム。
・アイデアの特徴
①遺伝子配列データから変異を検出する。
②変異の種類と位置を特定する。
③タンパク質構造への影響を予測する。
④予測結果の信頼度を評価する。
⑤検証実験の優先度を決定する。
9.細胞分類最適化システム
フローサイトメトリーデータから細胞の特徴を抽出し、細胞種の分類を行い、分類結果に基づき分取条件を最適化する細胞分析システムにおいて、前記分類結果の不確実性に応じて分取条件の調整範囲を制御することを特徴とする細胞分取システム。
・アイデアの特徴
①フローサイトメトリーデータから細胞特徴を抽出する。
②抽出された特徴に基づき細胞種を分類する。
③分類結果に基づき分取条件を最適化する。
④分類結果の不確実性を評価する。
⑤不確実性に応じて調整範囲を制御する。
10.医用画像アノテーション支援システム
医用画像に対する複数の専門医によるアノテーションを統合し、アノテーション結果の一致度を評価し、評価結果に基づき追加アノテーションの必要性を判定する画像アノテーションシステムにおいて、前記専門医の専門分野を考慮してアノテーション結果の重み付けを行うことを特徴とするアノテーション支援システム。
・アイデアの特徴
①複数の専門医によるアノテーションを取得する。
②アノテーション結果を統合する。
③アノテーション結果の一致度を評価する。
④専門医の専門分野を考慮して重み付けを行う。
⑤追加アノテーションの必要性を判定する。
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）
生体組織の顕微鏡画像から細胞核領域を抽出し、核の形状特徴量を計測し、計測された特徴量と参照データベースとの照合により細胞の種類及び状態を判定する細胞核形態解析システムにおいて、前記特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態の予測を行うことを特徴とする細胞解析システム。
■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生体組織の顕微鏡画像から細胞核領域を抽出する
②核の形状特徴量を計測する
③計測された特徴量と参照データベースとの照合を行う
④細胞の種類及び状態を判定する
⑤特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態を予測する
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。
- JP2019095853 (出願日:2017-11-17、公開日:2019-06-20、出願人:シスメックス株式会社、名称:画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法)
- JP2021085849 (出願日:2019-11-29、公開日:2021-06-03、出願人:シスメックス株式会社、名称:細胞解析方法、細胞解析装置、細胞解析システム、及び細胞解析プログラム)
- JPWO2018066039 (出願日:2016-10-03、公開日:2019-06-24、出願人:株式会社ニコン、名称:解析装置、解析方法、及びプログラム)
- JPWO2021256514 (出願日:2021-06-16、公開日:2021-12-23、出願人:Milk.株式会社、名称:生体細胞解析装置、生体細胞解析システム)
- JP2018180794 (出願日:2017-04-07、公開日:2018-11-15、出願人:株式会社日立ハイテク、名称:画像診断支援装置及び画像診断支援システム)
- JPWO2017109860 (出願日:2015-12-22、公開日:2018-08-23、出願人:株式会社ニコン、名称:画像処理装置、及び画像処理方法)
- JP2020173204 (出願日:2019-04-12、公開日:2020-10-22、出願人:コニカミノルタ株式会社、名称:画像処理システム、画像処理方法及びプログラム)
- JP2021083431 (出願日:2019-11-29、公開日:2021-06-03、出願人:シスメックス株式会社、名称:細胞解析方法、細胞解析装置、細胞解析システム、及び細胞解析プログラム)
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 |
|---|---|---|---|---|---|---|
| JP2019095853(シスメックス) | 85% | 〇 | 〇 | △ | 〇 | × |
| JP2021085849(シスメックス) | 80% | 〇 | 〇 | 〇 | 〇 | × |
| JPWO2018066039(ニコン) | 75% | 〇 | 〇 | △ | 〇 | △ |
| JPWO2021256514(Milk) | 70% | 〇 | 〇 | × | 〇 | × |
| JP2018180794(日立ハイテク) | 65% | △ | 〇 | 〇 | 〇 | × |
| JPWO2017109860(ニコン) | 60% | × | 〇 | 〇 | △ | × |
| JP2020173204(コニカミノルタ) | 55% | △ | 〇 | × | △ | × |
| JP2021083431(シスメックス) | 50% | △ | △ | 〇 | 〇 | × |
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 85%
- 公開番号: JP2019095853
- 出願日: 2017-11-17
- 公開日: 2019-06-20
- 出願人: シスメックス株式会社
- 名称：画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法
- 結果：類似度85%、①〇、②〇、③△、④〇、⑤×
- 要点：(産業分野)医療・診断分野の画像解析。(課題)組織または細胞の画像から細胞核の領域を示すデータを高精度に生成する。(解決手段)ニューラルネットワーク構造の深層学習アルゴリズムを用いて、解析対象の組織または細胞の画像から解析用データを生成し、細胞核の領域を示すデータを生成する。(効果・特徴)深層学習により高精度な細胞核領域の抽出と解析が可能。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2019095853
〇特徴別の該否結果と判定理由
①細胞核領域を抽出：〇
※判定理由：「深層学習アルゴリズムによって、解析対象画像における細胞核の領域を示すデータを生成する」と明記。
②核の形状特徴量を計測：〇
※判定理由：細胞核の領域データから特徴量を抽出する処理が含まれている。
③参照データベースとの照合：△
※判定理由：深層学習モデルによる解析は含まれるが、明示的なデータベース照合の記載なし。
④細胞の種類・状態判定：〇
※判定理由：細胞核の解析結果に基づいて細胞の判定を行う。
⑤時系列変化追跡と予測：×
※判定理由：時系列データの解析や予測に関する記載なし。
■2件目：類似度 80%
- 公開番号: JP2021085849
- 出願日: 2019-11-29
- 公開日: 2021-06-03
- 出願人: シスメックス株式会社
- 名称：細胞解析方法、細胞解析装置、細胞解析システム、及び細胞解析プログラム
- 結果：類似度80%、①〇、②〇、③〇、④〇、⑤×
- 要点：(産業分野)医療・診断分野の細胞解析。(課題)より多くの細胞について高精度かつ高速での解析を実現する。(解決手段)人工知能アルゴリズムを用いて、流路内を通過する細胞を撮像した解析対象画像から特徴量を抽出し、細胞の性状を判定する。(効果・特徴)フローサイトメトリーと画像解析の組み合わせにより、多数の細胞を効率的に解析可能。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2021085849
〇特徴別の該否結果と判定理由
①細胞核領域を抽出：〇
※判定理由：流路内の細胞を撮像して解析対象画像を生成する記載あり。
②核の形状特徴量を計測：〇
※判定理由：解析対象画像から解析用データ（特徴量）を生成する記載あり。
③参照データベースとの照合：〇
※判定理由：人工知能アルゴリズムによる学習データとの照合が含まれる。
④細胞の種類・状態判定：〇
※判定理由：細胞の性状を示すデータを生成する記載あり。
⑤時系列変化追跡と予測：×
※判定理由：時系列での解析や予測に関する記載なし。
■3件目：類似度 75%
- 公開番号: JPWO2018066039
- 出願日: 2016-10-03
- 公開日: 2019-06-24
- 出願人: 株式会社ニコン
- 名称：解析装置、解析方法、及びプログラム
- 結果：類似度75%、①〇、②〇、③△、④〇、⑤△
- 要点：(産業分野)生細胞イメージング解析。(課題)生細胞と固定細胞の特徴量を対応付けて解析する。(解決手段)生細胞が撮像された画像から特徴量を抽出し、固定細胞の特徴量と対応付けて解析を行う。(効果・特徴)生細胞と固定細胞の特徴量の対応関係を活用した高精度な解析が可能。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JPWO2018066039
〇特徴別の該否結果と判定理由
①細胞核領域を抽出：〇
※判定理由：生細胞および固定細胞の画像から特徴量を抽出する記載あり。
②核の形状特徴量を計測：〇
※判定理由：細胞の特徴量を抽出する記載あり。
③参照データベースとの照合：△
※判定理由：生細胞と固定細胞の特徴量の対応付けは行うが、データベースとの照合は明記されていない。
④細胞の種類・状態判定：〇
※判定理由：特徴量に基づく細胞の解析を行う記載あり。
⑤時系列変化追跡と予測：△
※判定理由：生細胞の時間的な変化を観察する記載はあるが、予測に関する記載なし。
4.総括（考察・コメント）
ユーザーが入力した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、いずれも医療・診断分野における細胞画像解析技術に関するもの。
- 特に、細胞核領域の抽出と解析に焦点を当てた技術が多く見られる。
2.課題の比較：
- 抽出公報の多くは、細胞核領域の抽出精度向上や解析の効率化を主な課題としている。
- アイデアは、これらに加えて時系列変化の追跡と予測という新たな課題に取り組んでいる。
3.解決手段の比較：
- 抽出公報の多くは、AIや深層学習を用いた画像解析手法を採用している。
- アイデアは、特に時系列データの解析と予測という点で、既存技術とは異なるアプローチを提案している。
- 技術的特徴⑤（時系列変化の追跡と予測）は、ほとんどの抽出公報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生体組織の顕微鏡画像から細胞核領域を抽出する
②核の形状特徴量を計測する
③計測された特徴量と参照データベースとの照合を行う
④細胞の種類及び状態を判定する
⑤特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態を予測する
・抽出公報
公報番号：JP2019095853（出願日：2017-11-17、公開日：2019-06-20、出願人：シスメックス株式会社、名称：画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法）
・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 |
|---|---|---|---|---|---|---|
| JP2019095853(シスメックス) | 40% | 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】
「ニューラルネットワーク構造の深層学習アルゴリズムによって、前記解析対象画像における細胞核の領域を示すデータを生成する」
・補足：
特徴①は「生体組織の顕微鏡画像から細胞核領域を抽出する」ですが、抽出公報Ⅰでは深層学習アルゴリズムを用いて細胞核領域を示すデータを生成することが記載されており、特徴①に完全に対応しています。
特徴②と抽出公報との比較
・該否結果：×
・特徴②に対応する箇所と内容：
関連する記載無し。
・補足：
特徴②は「核の形状特徴量を計測する」ですが、抽出公報Ⅰには細胞核の形状特徴量の計測に関する記載はありません。
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「計測された特徴量と参照データベースとの照合を行う」ですが、抽出公報Ⅰには特徴量とデータベースの照合に関する記載はありません。
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「細胞の種類及び状態を判定する」ですが、抽出公報Ⅰには細胞の種類や状態の判定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「特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態を予測する」ですが、抽出公報Ⅰには時系列変化の追跡や予測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：両者とも医療・バイオテクノロジー分野における細胞画像解析技術に関するものである。特に、顕微鏡画像から細胞核を検出・解析する技術という点で共通している。
2.課題の比較：抽出公報Ⅰは細胞核領域の検出という基本的な画像解析に焦点を当てているのに対し、アイデアは細胞の状態判定や予測という、より高度な解析まで含む包括的なアプローチを提案している。
3.解決手段の比較：抽出公報Ⅰは深層学習アルゴリズムを用いた細胞核領域の検出という単一の機能に特化しているのに対し、アイデアは形状特徴量の計測、データベース照合、状態判定、時系列予測など、より多角的な解析手法を組み合わせた統合的なソリューションを提案している。
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：生体組織の顕微鏡画像から細胞核領域を抽出する | 【請求項１】 | ニューラルネットワーク構造の深層学習アルゴリズムによって、前記解析対象画像における細胞核の領域を示すデータを生成する | 細胞核領域の抽出という基本機能が一致 | 抽出公報では深層学習を明示的に使用 | 高い |
| ②：核の形状特徴量を計測する | - | 関連する記載なし | なし | 抽出公報には形状特徴量計測の記載なし | なし |
| ③：計測された特徴量と参照データベースとの照合を行う | - | 関連する記載なし | なし | 抽出公報にはデータベース照合の記載なし | なし |
| ④：細胞の種類及び状態を判定する | - | 関連する記載なし | なし | 抽出公報には細胞判定の記載なし | なし |
| ⑤：特徴量の時系列変化を追跡し、変化パターンに基づく細胞状態を予測する | - | 関連する記載なし | なし | 抽出公報には時系列追跡・予測の記載なし | なし |
■総括（考察、コメント）
- 基本技術の共通点：
両者とも細胞画像解析、特に細胞核領域の抽出という基本的な画像処理技術を扱っています。 - アプローチの違い：
抽出公報は深層学習を用いた単一機能（核領域抽出）に特化している一方、アイデアは特徴量計測から予測までの包括的なワークフローを提案しています。 - 機能の範囲：
アイデアは形状特徴量計測、データベース照合、細胞判定、時系列予測など、より広範な機能を含んでいます。一方、抽出公報は核領域抽出に限定されています。 - 技術的深度：
抽出公報は核領域抽出において深層学習という具体的な手法を明示していますが、アイデアはより広い範囲の機能を提案しつつ、個別の実現手法については詳細を規定していません。 - イノベーションの方向性：
抽出公報が単一機能の高度化を目指しているのに対し、アイデアは複数の機能を統合したシステム全体のイノベーションを目指しています。
総じて、両者は細胞画像解析という共通の基盤技術を持ちながら、その応用範囲と深度において大きく異なるアプローチを採用しています。抽出公報が特定機能の専門性を追求する一方、アイデアはより包括的なソリューションを提案しているといえます。
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 |
|---|---|---|
| 2017年 | 4件 | マルチモーダル生成学習、画像解析、音声診断 |
| 2018年 | 8件 | 画像診断支援、受精卵品質評価、歯周病検査 |
| 2019年 | 12件 | 診断支援システム、細胞解析、バイオマーカー予測 |
| 2020年 | 10件 | 細胞選別、血液検査、生体情報分析 |
| 2021年 | 16件 | 性格診断、免疫状態予測、遺伝子解析 |
| 2022年 | 24件 | 画像診断AI、生体情報処理、治療支援 |
| 2023年 | 16件 | 医療データ統合分析、予後予測、個別化医療 |
| 2024年 | 10件 | 組成物評価、タンパク質解析、診断支援高度化 |
・補足説明
出願件数は2022年をピークに推移しており、特に画像診断支援や生体情報処理に関する特許が増加傾向にある。近年は医療データの統合分析や個別化医療への応用など、より高度な技術開発が進んでいる。また、AIを活用した診断支援システムの高度化や、分子レベルでの解析技術の開発も活発化している。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| シスメックス | 12件 | 血液検査、細胞解析、画像診断 |
| ソニーグループ | 8件 | 医用画像処理、受精卵評価、診断支援 |
| 大塚製薬 | 5件 | 生体情報分析、健康状態予測 |
| 富士フイルム | 4件 | 画像処理、健康診断支援 |
| キヤノンメディカル | 4件 | 診断支援AI、医療画像解析 |
| その他 | 67件 | バイオマーカー、遺伝子解析、治療支援など |
・補足説明
シスメックスやソニーグループなど、医療機器メーカーが画像診断や細胞解析分野で多くの特許を出願している。大手製薬企業も生体情報分析や健康状態予測など、予防医療分野での特許出願を強化している。また、複数の企業が協力して開発を進める案件も増加傾向にある。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 画像診断支援 | 25件 | AI画像解析、病変検出、診断補助 |
| 生体情報分析 | 20件 | バイオマーカー解析、遺伝子解析 |
| 細胞・組織解析 | 18件 | 細胞品質評価、組織分類 |
| 診断支援システム | 15件 | 疾病予測、個別化医療支援 |
| 治療効果予測 | 12件 | 薬効予測、予後予測 |
| データ統合分析 | 10件 | 医療情報統合、知識ベース構築 |
・補足説明
画像診断支援分野が最も多く、AIによる画像解析技術の進展が顕著である。生体情報分析や細胞・組織解析分野も重要な技術領域となっており、より精密な診断や予測を可能にする技術開発が進んでいる。また、複数の情報を統合して分析する技術も増加している。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 診断精度向上 | 30件 | AIモデル最適化、マルチモーダル分析 |
| 処理効率化 | 25件 | 自動化、並列処理、高速化 |
| データ統合 | 20件 | 情報統合基盤、標準化 |
| 個別化対応 | 15件 | パーソナライズ化、患者特性分析 |
| 予測性能向上 | 10件 | 機械学習高度化、データ品質向上 |
・補足説明
診断精度の向上が最大の課題となっており、AIモデルの最適化やマルチモーダル分析による解決が試みられている。処理効率化や個別化対応も重要な課題として認識されており、様々なアプローチで技術開発が進められている。
1-5. 総括
医療分野におけるAI活用技術は、画像診断支援を中心に急速に発展している。特に2022年以降、個別化医療や予測医療への応用を目指した特許出願が増加している。主要出願人は医療機器メーカーが中心だが、製薬企業や IT企業なども参入し、技術開発の裾野が広がっている。技術的には、AIによる画像解析や生体情報分析の高度化、複数データの統合分析など、より複雑な医療課題の解決を目指す傾向が強まっている。今後は、個別化医療の実現や予防医療への展開など、より高度な医療サービスの実現に向けた技術開発が更に進むと予想される。
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 |
|---|---|---|
| 医用画像処理・診断支援 | 病理画像解析、腫瘍検出、細胞画像解析 | 25件 |
| 生体情報解析 | 遺伝子解析、バイオマーカー予測、細胞解析 | 20件 |
| 医療診断支援 | 疾病リスク評価、予後予測、診断支援 | 18件 |
| データ分析・予測 | データマイニング、パターン認識、予測モデル | 15件 |
| 機械学習基盤技術 | 深層学習、ニューラルネットワーク、モデル学習 | 12件 |
| 情報処理・システム | データベース、情報管理、システム制御 | 10件 |
・補足説明
医用画像処理・診断支援分野が最も多く、特に病理画像や細胞画像の解析に関する特許が目立ちます。次いで生体情報解析分野が多く、遺伝子やバイオマーカーなどの分子レベルでの解析技術が注目されています。また、これらの技術を応用した医療診断支援システムの開発も活発で、AIを活用した診断支援や予後予測に関する特許が増加傾向にあります。
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・ヘルスケア | 診断支援、医用画像解析、健康管理 | 45件 |
| バイオテクノロジー | 遺伝子解析、細胞解析、創薬支援 | 25件 |
| 医療機器 | 検査装置、解析装置、診断装置 | 15件 |
| 情報・システム | データ処理、システム開発、ソフトウェア | 10件 |
| 製薬・化学 | 創薬、物質探索、化合物設計 | 5件 |
・補足説明
医療・ヘルスケア分野が全体の約45%を占め、特に診断支援システムや医用画像解析の特許が多く見られます。バイオテクノロジー分野では、遺伝子解析や細胞解析などの基礎研究から応用研究まで幅広い特許が出願されています。医療機器分野では、AIを活用した検査・診断装置の開発が進められており、従来の医療機器の高度化・知能化が進んでいます。
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 | 画像診断支援、病理診断支援、リスク評価 | 30件 |
| 解析ソフトウェア | 画像解析、データ解析、予測分析 | 25件 |
| 検査・測定装置 | 血液検査、細胞検査、遺伝子検査 | 20件 |
| 情報管理システム | データベース、情報処理、レポート作成 | 15件 |
| 研究開発支援ツール | 実験支援、データ解析、モデル構築 | 10件 |
・補足説明
診断支援システムが最も多く、特に医用画像診断や病理診断の支援システムの開発が活発です。解析ソフトウェアは、画像やデータの解析に特化した製品が多く、AIによる自動化・効率化を実現しています。検査・測定装置では、従来の装置にAI技術を組み込んだ高度化が進められています。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| 医療の高度化 | 診断精度向上、個別化医療の実現 | 35件 |
| 効率化要求 | 医療業務の効率化、コスト削減 | 25件 |
| データ活用 | ビッグデータ解析、知識抽出 | 20件 |
| 技術革新 | AI・機械学習の進展、計算能力向上 | 15件 |
| 社会的要請 | 医療の質向上、医師の負担軽減 | 5件 |
・補足説明
医療の高度化に関する技術背景が最も多く、AIを活用した診断精度の向上や個別化医療の実現が目指されています。また、医療現場の効率化要求に応える特許も多く、業務の自動化や効率化に関する技術開発が進められています。近年のビッグデータ活用の流れを受け、データ解析や知識抽出に関する特許も増加しています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 診断支援 | 画像診断、病理診断、リスク評価 | 40件 |
| データ解析 | 生体情報分析、パターン認識 | 25件 |
| 研究支援 | 実験支援、モデル構築、知識発見 | 15件 |
| 業務効率化 | 自動化、レポート作成、情報管理 | 12件 |
| 予測・予防 | 疾病予測、予後予測、リスク予測 | 8件 |
・補足説明
診断支援に関する用途が最も多く、特に画像診断や病理診断の支援システムが中心です。データ解析用途では、生体情報の分析やパターン認識など、AIの特徴を活かした技術が多く見られます。研究支援用途では、実験データの解析や知識発見を支援する技術が開発されています。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 精度向上 | 診断精度、解析精度の向上 | 35件 |
| 効率化 | 処理時間短縮、作業効率化 | 25件 |
| 自動化 | 作業の自動化、判断支援 | 20件 |
| データ活用 | データ統合、知識抽出 | 15件 |
| コスト削減 | 開発コスト、運用コスト削減 | 5件 |
・補足説明
診断・解析精度の向上が最も重要な課題として挙げられており、AIによる精度向上を目指す特許が多く見られます。次いで、医療現場の効率化や自動化に関する課題が多く、作業の効率化や自動化を実現する技術が開発されています。また、データの有効活用に関する課題も多く、データ統合や知識抽出の技術開発が進められています。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| 機械学習技術 | 深層学習、ニューラルネットワーク | 40件 |
| データ解析 | 統計解析、パターン認識 | 25件 |
| システム構築 | システム統合、プラットフォーム開発 | 20件 |
| アルゴリズム開発 | 解析アルゴリズム、予測モデル | 10件 |
| インタフェース | ユーザーインタフェース、可視化 | 5件 |
・補足説明
機械学習技術、特に深層学習やニューラルネットワークを活用した解決手段が最も多く採用されています。データ解析手法では、統計的手法やパターン認識技術を組み合わせた手法が見られます。また、これらの技術を実用化するためのシステム構築やアルゴリズム開発も重要な解決手段となっています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 精度向上 | 診断精度、解析精度の改善 | 35件 |
| 効率化 | 作業時間短縮、業務効率化 | 30件 |
| 自動化 | 作業の自動化、判断支援 | 20件 |
| コスト削減 | 開発・運用コストの低減 | 10件 |
| 品質向上 | サービス品質、信頼性向上 | 5件 |
・補足説明
診断・解析精度の向上が最も顕著な効果として挙げられており、AIの導入により従来よりも高精度な結果が得られることが示されています。また、作業の効率化や自動化による業務改善効果も大きく、医療現場の生産性向上に貢献しています。コスト面でも、開発・運用コストの低減効果が期待されています。
2-9. 総括
医療・ヘルスケア分野におけるAI技術の特許出願動向を分析した結果、主に画像診断支援や生体情報解析に関する技術開発が活発に行われていることが明らかになりました。特に、深層学習やニューラルネットワークを活用した診断支援システムの開発が中心となっており、診断精度の向上や医療業務の効率化に大きく貢献しています。また、バイオテクノロジー分野での応用も進んでおり、遺伝子解析や創薬支援など、幅広い分野でAI技術の活用が進められています。今後は、個別化医療の実現やビッグデータの活用など、さらなる技術革新が期待される一方で、システムの信頼性向上や導入コストの低減などが課題として挙げられています。
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. 診断支援技術 | 1.1 画像診断 | 1.1.1 病理画像解析 | 病理画像から腫獍領域等を検出する技術 |
| 1.1.2 医用画像セグメンテーション | MRIなどの医用画像を領域分割する技術 | ||
| 1.1.3 画質改善・正規化 | 画像の品質を向上させ標準化する技術 | ||
| 1.2 生体情報解析 | 1.2.1 バイオマーカー解析 | 各種バイオマーカーの分析と評価技術 | |
| 1.2.2 遺伝子発現解析 | 遺伝子発現データの分析技術 | ||
| 1.2.3 細胞解析 | 細胞の形態や機能の分析技術 | ||
| 1.3 予後予測 | 1.3.1 疾患リスク評価 | 将来の疾病リスクを予測する技術 | |
| 1.3.2 治療効果予測 | 治療の効果を予測する技術 | ||
| 1.3.3 再発予測 | 疾病の再発可能性を予測する技術 | ||
| 2. モデル構築技術 | 2.1 学習手法 | 2.1.1 深層学習 | ニューラルネットワークを用いた学習技術 |
| 2.1.2 転移学習 | 既存モデルの知識を転用する技術 | ||
| 2.1.3 マルチモーダル学習 | 複数の異なるデータを統合して学習する技術 | ||
| 2.2 データ処理 | 2.2.1 前処理 | 学習前のデータを整形・標準化する技術 | |
| 2.2.2 特徴抽出 | データから特徴量を抽出する技術 | ||
| 2.2.3 データ拡張 | 学習データを人工的に増やす技術 | ||
| 2.3 評価手法 | 2.3.1 性能評価 | モデルの精度や信頼性を評価する技術 | |
| 2.3.2 検証手法 | モデルの妥当性を検証する技術 | ||
| 2.3.3 比較分析 | 複数のモデルを比較評価する技術 | ||
| 3. システム実装 | 3.1 アーキテクチャ | 3.1.1 分散処理 | 複数の処理を分散実行する技術 |
| 3.1.2 並列処理 | 処理を並列化して効率化する技術 | ||
| 3.1.3 クラウド連携 | クラウドシステムと連携する技術 | ||
| 3.2 インターフェース | 3.2.1 データ入出力 | データの入出力を制御する技術 | |
| 3.2.2 可視化 | 結果を視覚的に表示する技術 | ||
| 3.2.3 対話的操作 | ユーザーとの対話的な操作を実現する技術 | ||
| 3.3 セキュリティ | 3.3.1 データ保護 | 個人情報等を保護する技術 | |
| 3.3.2 アクセス制御 | システムへのアクセスを制御する技術 | ||
| 3.3.3 暗号化 | データを暗号化する技術 | ||
| 4. バイオインフォマティクス | 4.1 配列解析 | 4.1.1 配列アライメント | 生体配列の整列化・比較技術 |
| 4.1.2 モチーフ解析 | 配列中の特徴的なパターンを解析する技術 | ||
| 4.1.3 進化解析 | 配列の進化的関係を解析する技術 | ||
| 4.2 構造解析 | 4.2.1 タンパク質構造予測 | タンパク質の立体構造を予測する技術 | |
| 4.2.2 相互作用予測 | 分子間の相互作用を予測する技術 | ||
| 4.2.3 機能予測 | 分子の機能を予測する技術 | ||
| 4.3 パスウェイ解析 | 4.3.1 経路マッピング | 生体内の反応経路を解析する技術 | |
| 4.3.2 ネットワーク解析 | 生体分子間のネットワークを解析する技術 | ||
| 4.3.3 制御機構解析 | 生体内の制御機構を解析する技術 | ||
| 5. 予測モデル開発 | 5.1 アルゴリズム設計 | 5.1.1 特徴選択 | 有効な特徴量を選択する技術 |
| 5.1.2 パラメータ最適化 | モデルのパラメータを最適化する技術 | ||
| 5.1.3 モデル選択 | 最適なモデルを選択する技術 | ||
| 5.2 性能向上 | 5.2.1 精度改善 | 予測精度を向上させる技術 | |
| 5.2.2 汎化性能向上 | モデルの汎化能力を高める技術 | ||
| 5.2.3 計算効率化 | 計算処理を効率化する技術 | ||
| 5.3 実用化 | 5.3.1 臨床検証 | 臨床での有効性を検証する技術 | |
| 5.3.2 標準化 | 予測プロセスを標準化する技術 | ||
| 5.3.3 品質管理 | 予測の品質を管理する技術 | ||
| 6. データ管理 | 6.1 データ収集 | 6.1.1 自動収集 | データを自動的に収集する技術 |
| 6.1.2 品質管理 | データの品質を管理する技術 | ||
| 6.1.3 標準化 | データ形式を標準化する技術 | ||
| 6.2 データ統合 | 6.2.1 異種データ統合 | 異なる種類のデータを統合する技術 | |
| 6.2.2 データクレンジング | データを洗浄・整形する技術 | ||
| 6.2.3 メタデータ管理 | データの付随情報を管理する技術 | ||
| 6.3 データ活用 | 6.3.1 分析支援 | データ分析を支援する技術 | |
| 6.3.2 知識抽出 | データから知識を抽出する技術 | ||
| 6.3.3 情報共有 | データや知見を共有する技術 | ||
| 7. 臨床支援 | 7.1 診断支援 | 7.1.1 所見分析 | 医療所見を分析する技術 |
| 7.1.2 病態評価 | 患者の病態を評価する技術 | ||
| 7.1.3 鑑別診断 | 疾患の鑑別を支援する技術 | ||
| 7.2 治療支援 | 7.2.1 治療計画 | 治療計画の立案を支援する技術 | |
| 7.2.2 効果モニタリング | 治療効果を監視する技術 | ||
| 7.2.3 副作用予測 | 治療の副作用を予測する技術 | ||
| 7.3 予後管理 | 7.3.1 経過観察 | 患者の経過を観察する技術 | |
| 7.3.2 リスク管理 | 健康リスクを管理する技術 | ||
| 7.3.3 生活指導 | 患者の生活指導を支援する技術 | ||
| 8. 研究開発支援 | 8.1 実験支援 | 8.1.1 実験設計 | 実験計画の立案を支援する技術 |
| 8.1.2 データ解析 | 実験データを解析する技術 | ||
| 8.1.3 品質管理 | 実験の品質を管理する技術 | ||
| 8.2 創薬支援 | 8.2.1 薬効予測 | 薬剤の効果を予測する技術 | |
| 8.2.2 副作用予測 | 薬剤の副作用を予測する技術 | ||
| 8.2.3 投与設計 | 薬剤の投与方法を設計する技術 | ||
| 8.3 論文解析 | 8.3.1 文献マイニング | 文献情報を分析する技術 | |
| 8.3.2 知識統合 | 研究知見を統合する技術 | ||
| 8.3.3 仮説生成 | 新たな研究仮説を生成する技術 |
\
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。
