脑功能连接相关值的聚类装置、脑功能连接相关值的聚类系统、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序以及脑活动标记物分类系统与流程

本发明涉及一种对在多个装置中利用脑功能图像法测量出的脑功能连接相关值的图案进行聚类的技术，更确定地说，涉及一种脑功能连接相关值的聚类装置、脑功能连接相关值的聚类系统、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序以及脑活动标记物分类系统。

背景技术：

1、(数据驱动型的聚类方法)

2、随着近年来的人工智能技术、特别是数据驱动型人工智能技术的发展，在声音识别、翻译、图像识别等领域中部分地实现了与人类的能力相匹敌的应用，或者，在部分领域中还实现了超越人类的能力那样的应用(例如专利文献1)。

3、在医疗技术的领域中，在图像诊断等中利用深度学习等机器学习的情况也增多。深度学习是使用了多层神经网络的机器学习，在图像识别的领域中，已知的是使用作为深度学习之一的卷积神经网络(convolutional neural network，下面称为cnn)的学习方法表现出与以往的方法相比非常高的性能(例如专利文献2)。

4、例如，在大肠癌的利用内窥镜的图像诊断等中，诊断的准确度超过人类诊断的准确度那样的诊断设备已被实用化(非专利文献1)。

5、但是，这些人工智能技术在机器学习的分类上几乎都落入了所谓的“有监督学习”的范畴，即，大量地准备正解数据与输入数据(例如图像数据)的组，以该组为输入来使人工智能进行学习处理。

6、另一方面，作为数据驱动型人工智能的应用用途，也存在将所提供的数据基于其特征量分类为若干个簇这样的任务的执行。在该情况下，已知有不存在正解数据的所谓的“无监督学习”、将基于少量的“带正解标签的学习数据”的学习与基于大量的“无正解标签的学习数据”的学习组合所得到的“半监督学习”等(例如专利文献3)。

7、例如，在专利文献3中记载有“半监督学习是基于比较少的带标签数据和无标签数据进行学习的学习方法，例如包括自举法、基于图的算法(graph base algorithm)等，该自举法是使用带标签数据(包含状态数据s和判定数据l的训练数据t)生成进行分类的学习模型，使用该学习模型和无标签数据(状态数据s)，对于该学习模型进行追加学习，从而提高学习的精度，该基于图的算法是基于带标签数据和无标签数据的数据分布进行分组从而生成作为分类器的学习模型”。但是，也如该例所示的那样，在“半监督学习”中，存在的训练数据是少量的学习数据，从而前提是首先生成分类器并在之后使用大量的“无正解标签的学习数据”来使该分类器自身进行再学习等。

8、(生物标记物)

9、下面，作为应用基于人工智能技术的判别、聚类的领域，以医学领域为例。

10、将为了定量地掌握生物体内的生物学变化而对生物体信息进行了数值化/定量化的指标称为“生物标记物”。

11、fda(美国食品药品监督管理局)将生物标记物的定位定义为“作为正常过程和病态过程、或者对于治疗的药理学反应的指标来客观地测定/评价的项目”。另外，用于表征疾病的状态、变化、治愈的程度的生物标记物被用作用于确认新药在临床试验中的有效性的替代标记物(surrogate marker)。血糖值、胆固醇值等是代表性的作为生活习惯病的指标的生物标记物。不仅包含尿、血液中包含的源自生物体的物质，还包含心电图、血压、pet图像、骨密度、肺功能等。另外，随着染色体组解析、蛋白质组解析的发展，发现了与dna、rna、生物蛋白等相关联的各种生物标记物。

12、生物标记物不仅应用于患上疾病后的治疗效果的测定，还作为用于预防疾病的日常的指标而应用于疾病的预防，并且还被期待应用于选择避免副作用的有效治疗法的个体化医疗。

13、例如，对于肺部疾病，公开有用于使用基因信息来判断罹患疾病的可能性的生物标记物(专利文献4)。在专利文献4中，“生物标记物”或“标记物”是指“作为表示该生物体系统的生理学状态的特征的物质而能够客观地进行测定的生物学分子”。而且，在该专利文献4中，记载有“通常，生物标记物测定值典型的是与蛋白质或多肽即表达产物的定量测定相关的信息。本发明设想以rna(翻译前)水平或蛋白质水平(还能包含翻译后修饰)来决定生物标记物测定值”。而且，在专利文献4中，作为用作针对这样的生物标记物测定值的“分类系统”的分类器，例示了决策树、贝叶斯分类器、贝叶斯信念网络、k-最近邻法、基于事例的推理以及支持向量机等。

14、另一方面，在神经/精神疾病的情况下，现状的诊断有时也是基于dsm-5(精神障碍的诊断/统计手册(diagnostic and statistical manual of mental disorders)第5版)等、所谓的基于症状的诊断，虽然从生物化学或分子遗传学的观点出发还研究出了能够利用为客观性指标的分子标记物等，但仍处于应该称为研究阶段这样的状况。

15、可是，还报告了使用nirs(near-infrared spectroscopy：近红外光谱)技术来根据通过生物体光测量而测量出的血红蛋白信号的特征量进行精神分裂症、抑郁症等精神疾病的分类的疾病判定系统等(专利文献5)。

16、(基于脑活动的生物标记物)

17、另一方面，在所谓的图像诊断的领域中，与如上所述的“生物学分子”这样的生物标记物的概念不同，还存在被称为“图像生物标记物”的生物标记物。例如，还尝试在脑神经区域的分子成像中使用pet(positron emission tomography：正电子放射断层造影术)来进行神经传递功能、受体功能解析。

18、并且，在磁共振成像法(mri：magnetic resonance imaging)中，还能够使用与血流量的变化相应地在检测出的信号中出现变化的情形，来使大脑对于外部刺激等的活动部位视觉化。将这种磁共振成像法特别称为fmri(functional mri：功能性磁共振成像)。

19、在fmri中，作为装置，使用了在通常的mri装置中进一步配备fmri测量所需要的硬件和软件而成的装置。

20、在此，血流量的变化引起nmr信号强度的变化是利用了血液中的氧合血红蛋白和脱氧血红蛋白的磁学性质不同。氧合血红蛋白具有反磁性体的性质，对于周围存在的水的氢原子的弛豫时间没有影响，与此相对，脱氧血红蛋白为顺磁性体，使周围的磁场变化。因而，当大脑受到刺激、局部血流增大从而脱氧血红蛋白变化时，能够将其变化量检测为mri信号。这种对受验者的刺激例如一般使用视觉刺激、听觉刺激、或规定课题(任务)的执行等。

21、而且，在脑功能研究中，通过测定与微静脉、毛细血管内的红血球中的脱氧血红蛋白的浓度减少的现象(bold效应)对应的氢原子的磁共振信号(mri信号)的上升，来进行大脑的活动的测定。

22、像这样，将由fmri装置测量出的反映出脑活动的血中氧浓度依赖信号称为bold信号(blood oxygen level dependent signal：血氧水平依赖信号)。

23、特别是，在与人的运动功能有关的研究中，使受验者进行一些运动，并通过上述fmri测量来测定大脑的活动。

24、另外，在是人的情况下，需要进行非侵入式的脑活动的测量，在该情况下，能够从fmri数据提取更详细的信息的解码技术逐渐发展起来。特别是，通过fmri以大脑中的体素(volumetric pixel：voxel)为单位对脑活动进行解析，能够根据脑活动的空间图案来估计刺激输入、识别状态。

25、并且，作为这种使解码技术发展起来的技术，在专利文献6中公开了用于通过脑功能图像法实现对于神经/精神疾病的“诊断生物标记物”的脑活动解析方法。在本方法中，根据对于健康群、患者群测定出的静息态功能连接的mri的数据，来针对各个受验者导出规定的脑区域间的活动度的相关阵列(脑功能连接参数)。对于包含受验者的疾病/健康标签的受验者的属性和相关阵列，通过正则化典型相关分析进行特征提取。基于正则化典型相关分析的结果，通过基于稀疏逻辑回归(sparse logistic regression：slr)的判别分析来生成作为生物标记物而发挥功能的判别器。通过这样的机器学习的技术，表示出能够基于根据静息态的fmri数据导出的脑区域间的连接来预测神经疾病的诊断结果。而且，该预测性能的验证表示出不仅适用于在一个设施中测量出的脑活动，还能够在某种程度上通用于在其它设施中测量出的脑活动。

26、并且，对于这样的“诊断生物标记物”，还进行了用于进一步提高通用化性能的技术改进(专利文献7)。

27、另外，最近，如美国的人类连接组项目(human connectome project)那样获得大规模的脑图像数据并共享这些数据被认为对于填补基础神经科学研究与如精神疾病的诊断及治疗那样的临床应用之间的缺口具有重要的意义(非专利文献2)。

28、在2013年，日本的国立研究开发法人日本医疗研究开发机构组织了如下的解码神经反馈(decnef)项目：8个研究所收集包括2，239个样本和5种疾病在内的多个地点的静息态的功能性磁共振(静息态的功能mri)数据，并通过srpbs(strategic research programfor brain sciences(脑科学研究战略研究项目)https://www.amed.go.jp/program/list/01/04/001_nopro.html)的多个地点的多种疾病的数据库(https://bicr-resource.atr.jp/decnefpro/)来公开共享这些数据。该项目鉴定了能够通用于完全独立的队列(cohort)的、若干种精神疾病的基于静息态的功能连接性(静息态的功能连接mri)的生物标记物。

29、像这样，对于健康群和疾病群的诊断，取得了一定的成果。另外，已知的是，疾病群中的例如一般被诊断为“抑郁症”的患者群实际上还被分为多个亚型。例如，已知存在通过服用通常的“抗抑郁药”而得到缓解的患者群但也存在难以缓解的“难治性”的患者群等。

30、对于这样的“抑郁症”的患者，也存在还尝试针对如上所述的“脑功能连接参数”应用基于数据驱动型人工智能的聚类来进行分类并表示出存在一定的倾向的文献(非专利文献3、4)。

31、但是，为了将这种对疾病群的亚型进行分类的手法实用化，需要该疾病群的大规模数据。可是，关于大规模地收集脑图像数据，对于健康者而言都不容易，而且对于患者特别不容易。

32、因此，当为了进行大规模的数据收集而实施多个地点处的测量时，各测量地点处的测量数据的地点间差异成为问题。在上述的非专利文献4中，也提到了针对多设施的大量的测量数据的聚类的“通用化(generalization)”是将来的课题。

33、例如，在上述的非专利文献3中，指出了抑郁患者被分层为4个亚型且对于tms(transcranial magnetic stimulation：经颅磁刺激)的治疗反应性存在差异等。可是，在其它文献中指出，在发现脑功能连接指标的过程中，两次使用了抑郁症状数据，由于过度学习而无法确认与抑郁症状的关联性的统计显著性，分层的稳定性也差(非专利文献5)。

34、因而，例如，关于抑郁症，现状是未实施独立的验证数据中的分层的精度确认。

35、另一方面，例如，为了评价在多个测量地点处进行了mri测量的情况下的测量数据的地点间差异，还作出了通过采用大量的参加者前往多个地点接受测定这样的所谓“多设施受检者(traveling subject，旅行受验者)”来调查测定偏倚对于静息态的功能连接性的效应的尝试(非专利文献6、非专利文献7)。

36、总之，在根据fmri数据进行受验者的属性的分类的情况下，在机器学习中，为了避免过度学习的问题，多数情况下使用去除一个受验者而用作验证用的交叉验证法：留一交叉验证(leave-one-subject-out cross validation)、将数据分成10份、用十分之九进行学习并用余下的十分之一进行验证的十折交叉验证(10-fold cross validation)来进行分类器的评价。但是，在精神病学领域中，近年来也认识到了当对从单个设施获得的少量的样本应用机器学习时会引起预测膨胀的危险。

37、在对于少量的数据的机器学习中，针对学习用数据中的、特定设施的fmri装置、测定方法、实验者、参加者群等中所存在的特定倾向、或者噪声进行过度学习的可能性高。

38、例如，还存在报告了根据大脑的解剖图像判别自闭症谱系障碍的分类器对于开发所使用的英国的学习用数据表现出灵敏度和特异度均为90％以上的高性能、但对于日本人的数据变成了50％的例子。由此可以说，没有用由与学习用数据完全不同的设施和受验者群构成的独立验证队列来进行验证的分类器无论是在科学上还是在实用上意义都很小。

39、关于用于补偿如上所述的测量地点间的地点间差异的“协调化法”，本案的申请人也有作出报告(非专利文献8)。

40、现有技术文献

41、专利文献

42、专利文献1：日本再表2018/147193号公报(国际公开wo2018/147193)

43、专利文献2：日本特开2019-198376号公报

44、专利文献3：日本特开2020-024139号公报

45、专利文献4：日本特表2019-516950号公报(国际公开wo2017/162773)

46、专利文献5：日本再表2005/025421号公报(国际公开wo2005/025421)

47、专利文献6：日本特开2015-62817号公报

48、专利文献7：日本特开2017-196523号公报

49、非专利文献

50、非专利文献1：国立研究开发法人日本医疗研究开发机构平成30年12月10日新闻公告“aiを搭載した内視鏡診断支援プログラムが承認―医師の診断補助に活用へ―(搭载有ai的内窥镜诊断辅助程序被批准-有效利用于医生的诊断辅助-)”https://www.amed.go.jp/news/release_20181210.html

51、非专利文献2：glasser mf，et al.the human connectome project'sneuroimaging approachh(人类连接组项目的神经影像学方法).nat neurosci 19，1175-1187(2016).

52、非专利文献3：andrew t drysdale，logan grosenick，jonathan downa r，katharine dunlop，farrokh mansouri，yue meng1，robert n fetcho，b enjamin zebley，desmond j oathes，amit etkin，alan f schatzberg，keit h sudheimer，jenniferkeller，helen s mayberg，faith m gunning，geor ge s alexopoulos，michael d fox，alvaro pascual-leone，henning u vo ss，bj casey，marc j dubin&conor liston，“resting-state connectivity biomarkers define neurophysiological subtypes ofdepression(静息状态连接性生物标记物定义了抑郁症的神经生理学亚型)”，naturemedicine，volu me 23，number 1，january 2017

53、非专利文献4：tomoki tokuda，junichiro yoshimoto，，yu shimizu，go okada，masahiro takamura，yasumasa okamoto，shigeto yamawaki，kenji doya，“identification of depression subtypes and relevant brain regions using adata-driven approach(使用数据驱动方法识别抑郁亚型和相关大脑区域)”，scientificreports│(2018)8：14082│doi：10.1038/s41598-018-32521-z

54、非专利文献5：richard dinga，lianne schmaal，brenda w.j.h.penninx，mariejosevan tol，dick j.veltman，laura van velzen，maarten mennes，nic j.a.van derwee，andre f.marquand，“evaluating the evidence for biotypes of depression：methodological replication and extension of drysdale et al.(评估抑郁症生物型的证据：drysdale等人进行的方法的复制和扩展)(2017)”，neuroimage：clinical 22(2019)101796

55、非专利文献6：noble s，et al.multisite reliability of mr-basedfunctional connectivity(基于mr的功能连接的多站点可靠性).neuroimage 146，959-970(2017).

56、非专利文献7：pearlson g.multisite collaborations and large databasesin psychiatric neuroimaging advantages，problems，and challenges(多站点协作和大型数据库在精神科神经影像学方面的优势、问题以及挑战).schizophr bull35，1-2(2009).

57、非专利文献8：ayumu yamashita，noriaki yahata，takashi itahashi，g iuseppelisi，takashi yamada，naho ichikawa，masahiro takamura，yujir o yoshihara，akirakunimatsu，naohiro okada，hirotaka yamagata，koji matsuo，ryuichiro hashimoto，gookada，yuki sakai，jun morimoto，jin narumoto，yasuhiro shimada，kiyoto kasai，nobumasa kato，hidehiko takahashi，yasumasa okamoto，saori c tanaka，mitsuokawato，okito y amashita，and hiroshi imamizu，“harmonization of resting-statefunctional mri data across multiple imaging sites via the separation of sitedifference s into sampling bias and measurement bias(通过将部位差异分离为采样偏倚和测量偏倚来协调多个成像部位的静息状态功能mri数据).”，plos biol ogy.doi：10.1371/journal.pbio.3000042，http://journals.plos.org/plosbi ology/article？id＝10.1371/journal.pbio.3000042

技术实现思路

1、发明要解决的问题

2、如以上那样，在考虑将基于功能性磁共振图像法等脑功能图像法对脑活动的解析应用于神经/精神疾病的治疗的情况下，例如，作为如上所述的生物标记物的基于脑功能图像法对脑活动的解析还被期待作为非侵入式的功能标记物而应用于面向诊断法的开发、用于实现根本治疗的药物研发的靶分子的搜索和鉴定等。

3、例如，目前为止，对于精神疾病，还未完成使用了遗传基因的实用性的生物标记物，因此，药物的效果判定等较难，因此治疗用药的开发也较难。

4、本发明是为了解决如上所述的问题点而完成的，其目的在于提供如下一种治疗法选择辅助系统、治疗法选择辅助装置、治疗法选择辅助方法、治疗法选择辅助程序：用于通过机器学习基于脑活动的测量数据生成作为诊断标记物的判别器(识别器)或作为分层标记物的分类器并将其作为生物标记物来使用，基于表现出抑郁症状的受验者的脑活动的测量结果来提供与针对所述受验者的治疗法的选择有关的信息。

5、本发明的其它目的在于提供一种用于在针对抑郁症状的治疗药候选物质的临床试验中基于受验者的脑活动的测量结果来辅助进行针对受验者的筛选的筛选辅助系统、筛选辅助装置、筛选辅助方法、筛选辅助程序。

6、用于解决问题的方案

7、按照本发明的一个方面，本发明的某个实施方式涉及一种用于基于表现出抑郁症状的第一受验者的脑活动的测量结果来提供与针对所述第一受验者的治疗法的选择有关的信息的治疗法选择辅助系统。治疗法选择辅助系统具备聚类装置，所述聚类装置用于针对从多个第二受验者获取到的脑功能连接相关值的测量结果执行通过聚类处理来划分为多个簇的分层，所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。所述聚类装置包括存储装置和用于针对所述多个第二受验者执行所述聚类处理的运算装置。所述运算装置在聚类分类器的生成处理中进行以下处理：i)针对所述多个第二受验者的各第二受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到所述存储装置中；ii)基于所述存储装置中所保存的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成聚类分类器。所述治疗法选择辅助系统还具备：数据库装置，其用于将作为由所述聚类分类器进行分层的结果的簇与对应的规定的治疗法信息相关联地进行保存；以及辅助信息提供装置，其接受所述第一受验者的脑活动的测量结果作为输入，根据由所述聚类分类器得到的针对所述测量结果的分类结果，输出对应的治疗法信息。

8、优选的是，所述运算装置在生成所述识别器模型的机器学习中进行以下处理：根据所述第一群和所述第二群执行欠采样和下采样，来生成多个学习用子样本；针对所述学习用子样本的各个学习用子样本，从在通过机器学习生成识别器时使用的特征量的并集中，根据属于所述并集的特征量的重要度，来选择用于聚类的特征量；基于所选择出的所述用于聚类的特征量，通过所述多重共聚类法生成所述聚类分类器。

9、优选的是，所述辅助信息提供装置具备聚类运算装置和接口装置，所述聚类运算装置通过所述聚类分类器计算所述第一受验者属于各所述簇的概率，从所述数据库装置读出根据所述概率选择的至少两个所述治疗法信息，所述接口装置输出用于将所选择出的所述簇与各自对应的所述治疗法信息相关联地显示的数据。

10、优选的是，所述治疗法信息是表示针对特定的治疗药的反应性的信息。

11、优选的是，所述治疗法信息是表示针对特定的物理治疗法的反应性的信息。

12、优选的是，通过所述机器学习生成识别器的处理是如下的集成学习：针对所述多个学习用子样本分别生成多个识别器子模型，对所述多个识别器子模型进行整合而生成所述识别器模型。

13、优选的是，所述聚类装置从分别设置于多个测量地点的多个脑活动测量装置，接受表现所述多个第二受验者的各第二受验者的规定的多个脑区域对之间的脑活动的时间相关性的信息。

14、优选的是，所述运算装置包括协调化计算单元，所述协调化计算单元通过对所述多个第二受验者的各第二受验者的所述多个脑功能连接相关值以去除所述测量地点的测定偏倚的方式进行校正，来将校正得到的调整值作为所述特征量保存到所述存储装置中。

15、优选的是，所述规定的治疗法信息是与针对选择性五羟色胺再摄取抑制剂的治疗反应性有关的信息。

16、按照本发明的一个方面，本发明的某个实施方式涉及一种用于基于表现出抑郁症状的第一受验者的脑活动的测量结果来提供与针对所述第一受验者的治疗法的选择有关的信息的治疗法选择辅助装置。治疗法选择辅助装置具备：数据库装置，其用于将作为针对多个第二受验者中的具有抑郁症的诊断标签的受验者进行的分层的结果的簇与对应的规定的治疗法信息相关联地进行保存；以及辅助信息提供装置，其接受所述第一受验者的脑活动的测量结果作为输入，根据基于所述测量结果的分层的结果，输出对应的治疗法信息。所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。作为分层的结果的所述簇是通过聚类分类器得到的，该聚类分类器是由聚类装置对脑功能连接相关值的测量结果进行聚类处理而得到的。所述聚类装置包括存储装置和用于针对所述第一群执行所述聚类处理的运算装置。在所述聚类分类器的生成处理中，所述运算装置进行以下处理：i)针对所述多个第二受验者的各第二受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到所述存储装置中；ii)基于所述存储装置中所保存的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成所述聚类分类器。

17、优选的是，所述运算装置在生成所述识别器模型的机器学习中，根据所述第一对照者群和所述第二对照者群执行欠采样和下采样，来生成多个学习用子样本，针对各个所述学习用子样本，从在通过机器学习生成识别器时使用的特征量的并集中，根据属于所述并集的特征量的重要度，来选择用于聚类的特征量，基于所选择出的所述用于聚类的特征量，通过所述多重共聚类法生成所述聚类分类器。

18、优选的是，所述辅助信息提供装置具备聚类运算装置和接口装置。所述聚类运算装置通过所述聚类分类器计算所述第一受验者属于各所述簇的概率，从所述数据库装置读出根据所述概率选择的至少两个所述治疗法信息。所述接口装置输出用于将所选择出的所述簇与各自对应的所述治疗法信息相关联地显示的数据。

19、优选的是，所述治疗法信息是表示针对特定的治疗药的反应性的信息。

20、优选的是，所述治疗法信息是表示针对特定的物理治疗法的反应性的信息。

21、优选的是，通过所述机器学习生成识别器的处理是如下的集成学习：针对所述多个学习用子样本分别生成多个识别器子模型，对所述多个识别器子模型进行整合而生成所述识别器模型。

22、优选的是，所述聚类装置从分别设置于多个测量地点的多个脑活动测量装置，接受表现所述多个受验者的各受验者的规定的多个脑区域对之间的脑活动的时间相关性的信息，所述运算装置包括协调化计算单元，所述协调化计算单元通过对所述多个受验者的各受验者的所述多个脑功能连接相关值以去除所述测量地点的测定偏倚的方式进行校正，来将校正得到的调整值作为所述特征量保存到所述存储装置中。

23、优选的是，所述规定的治疗法信息是与针对选择性五羟色胺再摄取抑制剂的治疗反应性有关的信息。

24、按照本发明的一个方面，本发明的某个实施方式涉及一种用于基于表现出抑郁症状的第一受验者的脑活动的测量结果来提供与针对所述第一受验者的治疗法的选择有关的信息的治疗法选择辅助方法。治疗法选择辅助方法包括准备步骤，在所述准备步骤中，生成聚类分类器来做准备，所述聚类分类器用于针对从多个第二受验者获取到的脑功能连接相关值的测量结果执行通过聚类处理来划分为多个簇的分层，所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。所述准备步骤包括用于针对所述多个第二受验者执行所述聚类处理的运算步骤。所述运算步骤包括以下步骤：i)针对所述多个第二受验者的各第二受验者，获取基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量；ii)基于进行所述获取得到的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；以及iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成所述聚类分类器。所述治疗法选择辅助方法还包括辅助信息提供步骤，在所述辅助信息提供步骤中，根据由所述聚类分类器得到的针对所述第一受验者的脑活动的测量结果的分类结果，从用于将作为所述聚类分类器进行分层的结果的簇与对应的规定的治疗法信息相关联地进行保存的数据库获取对应的治疗法信息并输出该治疗法信息。

25、优选的是，所述规定的治疗法信息是与针对选择性五羟色胺再摄取抑制剂的治疗反应性有关的信息。

26、按照本发明的一个方面，本发明的某个实施方式涉及一种用于基于表现出抑郁症状的第一受验者的脑活动的测量结果来提供与针对所述第一受验者的治疗法的选择有关的信息的治疗法选择辅助方法。治疗法选择辅助方法包括辅助信息提供步骤，在所述辅助信息提供步骤中，根据作为基于所述第一受验者的脑活动的测量结果进行的分层的结果的簇，从用于将针对多个第二受验者中的具有抑郁症的诊断标签的受验者进行的分层的结果与对应的规定的治疗法信息相关联地进行保存的数据库获取对应的治疗法信息并输出该治疗法信息。所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。作为分层的结果的所述簇是通过聚类分类器得到的，该聚类分类器是通过对脑功能连接相关值的测量结果进行聚类处理而得到的。所述聚类分类器是通过用于针对所述多个第二受验者执行所述聚类处理的运算步骤而生成的。所述运算步骤包括以下步骤：i)针对所述多个第二受验者的各第二受验者，获取基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量；ii)基于进行所述获取得到的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；以及iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成所述聚类分类器。

27、优选的是，所述规定的治疗法信息是与针对选择性五羟色胺再摄取抑制剂的治疗反应性有关的信息。

28、按照本发明的一个方面，本发明的某个实施方式涉及一种用于基于表现出抑郁症状的第一受验者的脑活动的测量结果来提供与针对所述第一受验者的治疗法的选择有关的信息的治疗法选择辅助程序。在使计算机执行了所述治疗法选择辅助程序时，使计算机执行以下步骤：生成聚类分类器，所述聚类分类器用于针对从多个第二受验者获取到的脑功能连接相关值的测量结果执行通过聚类处理来划分为多个簇的分层；以及接受所述第一受验者的脑活动的测量结果作为输入，根据由所述聚类分类器得到的针对所述测量结果的分类结果，从用于将作为由所述聚类分类器进行分层的结果的簇与对应的规定的治疗法信息相关联地进行保存的数据库装置获取对应的治疗法信息并输出该治疗法信息。所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。所述聚类处理包括用于针对所述多个第二受验者执行所述聚类的处理的运算步骤。所述运算步骤包括以下步骤：i)针对所述多个第二受验者的各第二受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到存储装置中；ii)基于所述存储装置中所保存的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；以及iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成聚类分类器。

29、优选的是，所述规定的治疗法信息是与针对选择性五羟色胺再摄取抑制剂的治疗反应性有关的信息。

30、按照本发明的一个方面，本发明的某个实施方式涉及一种用于基于表现出抑郁症状的第一受验者的脑活动的测量结果来提供与针对所述第一受验者的治疗法的选择有关的信息的治疗法选择辅助程序。在使计算机执行了所述治疗法选择辅助程序时，使计算机执行辅助信息提供步骤，在所述辅助信息提供步骤中，根据作为基于所述第一受验者的脑活动的测量结果进行的分层的结果的簇，从用于将针对多个第二受验者中的具有抑郁症的诊断标签的受验者进行的分层的结果与对应的规定的治疗法信息相关联地进行保存的数据库获取对应的治疗法信息并输出该治疗法信息。作为分层的结果的所述簇是通过聚类分类器得到的，该聚类分类器是通过对脑功能连接相关值的测量结果进行聚类处理而得到的。所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。所述聚类分类器是通过用于针对所述多个第二受验者执行所述聚类处理的运算步骤而生成的。所述运算步骤包括以下步骤：i)针对所述多个第二受验者的各第二受验者，获取基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量；ii)基于进行所述获取得到的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；以及iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成所述聚类分类器。

31、优选的是，所述规定的治疗法信息是与针对选择性五羟色胺再摄取抑制剂的治疗反应性有关的信息。

32、按照本发明的一个方面，本发明的某个实施方式涉及一种用于在针对抑郁症状的治疗手段候选的临床试验中基于第一受验者的脑活动的测量结果来辅助进行针对所述第一受验者的筛选的筛选辅助系统。筛选辅助系统具备聚类装置，所述聚类装置用于针对从多个第二受验者获取到的脑功能连接相关值的测量结果执行通过聚类处理来划分为多个簇的分层。所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。所述聚类装置包括存储装置和用于针对所述多个第二受验者执行所述聚类处理的运算装置。所述运算装置进行以下处理：i)针对所述多个第二受验者的各第二受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到所述存储装置中；ii)基于所述存储装置中所保存的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成聚类分类器。所述筛选辅助系统还具备辅助信息提供装置，所述辅助信息提供装置接受所述第一受验者的脑活动的测量结果作为输入，将由所述聚类分类器得到的针对所述测量结果的分类结果与所述第一受验者相关联地进行记录，输出基于所述分类结果的用于辅助所述第一受验者的筛选的信息。

33、优选的是，所述运算装置在生成所述识别器模型的机器学习中进行以下处理：根据所述第一群和所述第二群执行欠采样和下采样，来生成多个学习用子样本；针对所述学习用子样本的各个学习用子样本，从在通过机器学习生成识别器时使用的特征量的并集中，根据属于所述并集的特征量的重要度，来选择用于聚类的特征量；基于所选择出的所述用于聚类的特征量，通过所述多重共聚类法生成所述聚类分类器。

34、优选的是，所述治疗手段候选是使用选择性五羟色胺再摄取抑制剂的治疗法。

35、按照本发明的一个方面，本发明的某个实施方式涉及一种用于在针对抑郁症状的治疗手段候选的临床试验中基于第一受验者的脑活动的测量结果来辅助进行针对所述第一受验者的筛选的筛选辅助装置。筛选辅助装置具备辅助信息提供装置，所述辅助信息提供装置具有用于保存用于确定聚类分类器的信息的存储装置，所述辅助信息提供装置接受所述第一受验者的脑活动的测量结果作为输入，将针对所述测量结果的基于所述聚类分类器的分类结果与所述第一受验者相关联地进行记录，输出基于所述分类结果的用于辅助所述第一受验者的筛选的信息。作为分层的结果的所述簇是通过所述聚类分类器得到的，所述聚类分类器是由聚类装置对脑功能连接相关值的测量结果进行聚类处理而得到的。所述聚类装置包括存储装置和用于针对多个第二受验者执行所述聚类处理的运算装置，所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。在所述聚类分类器的生成处理中，所述运算装置进行以下处理：i)针对所述多个第二受验者的各第二受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到所述存储装置中；ii)基于所述存储装置中所保存的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成所述聚类分类器。

36、优选的是，所述治疗手段候选是使用选择性五羟色胺再摄取抑制剂的治疗法。

37、按照本发明的一个方面，本发明的某个实施方式涉及一种用于在针对抑郁症状的治疗手段候选的临床试验中基于第一受验者的脑活动的测量结果来辅助进行针对所述第一受验者的筛选的筛选辅助方法。筛选辅助方法包括以下步骤：运算装置基于通过存储装置中所保存的信息确定的聚类分类器，根据所述脑活动的测量结果，来执行所述第一受验者的分类；以及将所述分类的结果与所述第一受验者相关联地进行记录，输出基于所述分类的结果的用于辅助所述第一受验者的筛选的信息。用于生成所述聚类分类器的处理包括用于针对多个第二受验者执行所述聚类处理的运算步骤，所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群。所述运算步骤包括以下步骤：i)针对所述多个第二受验者的各第二受验者，获取基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量；ii)基于进行所述获取得到的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；以及iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成聚类分类器。

38、优选的是，所述治疗手段候选是使用选择性五羟色胺再摄取抑制剂的治疗法。

39、按照本发明的一个方面，本发明的某个实施方式涉及一种用于在针对抑郁症状的治疗手段候选的临床试验中基于第一受验者的脑活动的测量结果来辅助进行针对所述第一受验者的筛选的筛选辅助程序。在使计算机执行了所述筛选辅助程序时，使计算机执行以下步骤：运算装置基于通过存储装置中所保存的信息确定的聚类分类器，根据所述脑活动的测量结果，来执行所述第一受验者的分类；以及将所述分类的结果与所述第一受验者相关联地进行记录，输出基于所述分类的结果的用于辅助所述第一受验者的筛选的信息。用于生成所述聚类分类器的处理包括用于针对多个第二受验者执行所述聚类处理的运算步骤，所述多个第二受验者包括具有抑郁症的诊断标签的第一群和不具有所述抑郁症的诊断标签的第二群，所述运算步骤包括以下步骤：i)针对所述多个第二受验者的各第二受验者，将基于分别表示规定的多个脑区域对之间的脑活动的时间相关性的多个脑功能连接相关值的特征量保存到存储装置中；ii)基于所述存储装置中所保存的所述特征量，通过有监督学习来执行生成用于判别所述诊断标签的有无的识别器模型的机器学习；iii)在生成所述识别器模型的机器学习中，根据在通过机器学习生成识别器时使用的特征量的重要度，来选择用于聚类的特征量；iv)基于所选择出的所述用于聚类的特征量，通过无监督学习的多重共聚类法对所述第一群进行聚类，来生成聚类分类器。

40、优选的是，所述治疗手段候选是使用选择性五羟色胺再摄取抑制剂的治疗法。

41、发明的效果

42、能够使用通过机器学习生成的作为诊断标记物的判别器、作为分层标记物的分类器，来辅助选择针对需要治疗的抑郁症的受验者的治疗方法。

43、另外，能够使用作为诊断标记物的判别器、作为分层标记物的分类器来辅助进行参加针对抑郁症状的治疗药候选物质的临床试验的受验者的筛选。