KR101884609B1 - 모듈화된 강화학습을 통한 질병 진단 시스템 - Google Patents

Abstract

본 발명은 의료영상, 병력, 건강수치, 가족력, 성별, 인종 등의 의료정보를 기반으로 심플 러닝(simple learning)을 통해 생성한 초기 학습데이터를 의사의 의견을 반영하여 정제하고, 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 학습데이터를 최대한 확보하여 기계학습이 이루어지도록 하고, 이를 통해 생성한 예측모델의 예측 성능을 향상시킬 수 있도록 하는 모듈화된 강화학습을 통한 질병 진단 시스템에 관한 것이다.

Description

모듈화된 강화학습을 통한 질병 진단 시스템{SYSTEM FOR DIAGNOSING DISEASE THROUGH MODULARIZED REINFORCEMENT LEARNING}

본 발명은 모듈화된 강화학습을 통한 질병 진단 시스템에 관한 것으로, 더욱 상세하게는 의료영상, 병력, 건강수치, 가족력, 성별, 인종 등의 의료정보를 기반으로 심플 러닝(simple learning)을 통해 생성한 초기 학습데이터를 의사의 의견을 반영하여 정제하고, 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 학습데이터를 최대한 확보하여 기계학습이 이루어지도록 하고, 이를 통해 생성한 예측모델의 예측 성능을 향상시킬 수 있도록 하는 질병 진단 시스템에 관한 것이다.

일반적으로 인공지능 기법을 이용한 다양한 알고리즘들이 오랜 기간 동안 개발되어 왔으며, 특히 최근에는 딥러닝(Deep Learning) 알고리즘을 적용하여 빅데이터를 처리하는 다양한 기법들이 개발되고 있으며, 이를 적용한 성공사례도 점점 늘어나고 있다.

그동안 의료정보에도 인공지능을 적용하여 임상의사결정에 도움을 받고자 하는 시도가 활발하게 진행되었고, 특히, X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography) 등의 진단기기들로부터 획득된 의료영상은 물론, 병력, 건강수치 등을 포함한 각종 의료정보에 인공지능 알고리즘을 적용하여 임상의사의 의사결정에 도움을 주는 방법이 개발되어 왔다.

인공지능을 통해서 의료영상을 통해 나타난 조직이 정상인지 비정상인지 종양의 경우 양성인지 악성인지 분류하거나, 병력, 건강수치 등의 의료정보를 토대로 질병이나 질환이 존재하는지의 여부를 확인하는 보조진단시스템의 경우, 영상의학과 의사나 관련분야 의사만 판독하는 경우보다 병변의 검출률이 향상되는 것으로 알려져 있다. 이러한 분류를 위해서는 naive bayes, SVM(Support Vector Machine), ANN(Artificial Neural Network), HMM(Hidden Markov Model) 등을 주로 사용하는데, 이들은 병변의 유무를 자동으로 분류(classification)하는 알고리즘들이다.

인공지능 알고리즘으로 기계학습(machine learning) 알고리즘을 사용할 수 있으며, 기계학습은 크게 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)으로 나눌 수 있다. 이러한 기계학습 알고리즘으로 예측모델을 생성하고, 생성된 예측모델을 이용하여 사용자가 제시하는 특정 의료정보에 대한 정상/비정상 여부의 추정 및 질병에 대한 미래상태를 추정하는 시스템을 구성하는 것이 가능하다.

한편, 기계학습 알고리즘을 수행하는데 있어 다음의 요소가 중요하다.

먼저, 인공신경망과 같은 비선형 머신러닝 알고리즘은 학습데이터가 많을수록 모형성능이 향상된다. 학습할 수 있는 데이터가 많지 않은 경우에는 학습이 제대로 이루어지지 않아 좋은 예측 성능을 기대할 수 없기 때문이다.

또한, 빅데이터의 정제화 작업이 필요하다. 예를 들어, 데이터에 결측값(missing observation)이 많거나 에러와 같은 이상값(outlier values)이 존재하는 경우에는 예측성능이 저하될 수 있다. 그러므로 분석 전 데이터 탐색을 통해 결측값과 이상값 처리를 해서 데이터를 정제하는 작업이 필요하다.

이처럼 정제된 학습데이터를 가능한 많은 데이터를 확보하여 학습을 이루어지도록 하는 것이 인공신경망의 예측 성능을 높이는 방안이지만, 지금까지는 빅데이터에서 기계학습에 필요한 학습데이터를 분류하고 정제할 때 많은 비용과 시간이 소모되었고, 분류 및 정제된 학습데이터의 정확도가 높지 않기 때문에 예측모델의 성능이 저하되었으며, 보다 정밀한 학습데이터의 분류 및 정제를 위해서는 고성능의 컴퓨팅 환경을 구축하여야 하는 문제가 있었다.

하지만, 많은 비용과 시간을 들여 학습데이터를 정밀하게 정제한다 하더라도 의사의 평가가 포함되지 않은 상태에서 소프트웨어에 의한 처리만으로는 각종 의료정보에 대해 정상/비정상의 선별이나 병변 발견의 정확도가 여전히 낮은 실정이며, 이에 대한 시급한 개선이 절실한 상황이다.

따라서 본 발명에서는 신체부위에 관련된 빅데이터 영상정보를 병변종류, 병변위치, 국가, 지역, 연령, 성별, 인종 등의 특징별로 분류한 다음 의사의 의견을 반영하여 정제하고, 정제된 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 양질의 정제된 학습데이터를 통해 예측 성능이 크게 향상된 예측모델을 생성하는 방안을 제시하고자 한다.

따라서 본 발명에서는 의료영상, 병력, 건강수치, 가족력, 성별, 인종 등의 각종 의료정보를 질병/질환에 따른 특징별로 분류한 다음 질병/질환의 유무판단, 가비지(garbage) 데이터 판단 등을 수행하는 의사의 의견을 반영하여 학습데이터를 정제하고, 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 양질의 정제된 학습데이터를 통해 예측 성능이 크게 향상된 예측모델을 생성하는 방안을 제시하고자 한다.

또한, 본 발명에서는 의사의 의견을 반영하여 정제한 최종 학습데이터의 기계학습 결과에 따라 생성되는 각종 질병/질환별 예측모델에 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단함은 물론 질병의 미래상태를 예측하며, 예측정보를 토대로 현재 상태에서 가장 적합한 치료방법을 제시할 수 있는 방안을 제시하고자 한다.

다음으로 본 발명의 기술분야에 존재하는 선행기술에 대하여 간단하게 설명하고, 이어서 본 발명이 상기 선행기술에 비해서 차별적으로 이루고자 하는 기술적 사항에 대해서 기술하고자 한다.

먼저 한국공개특허 제2017-0016778호(2017.02.14.)는 심층신경망을 이용한 골 연령 산출방법 및 프로그램에 관한 것으로, 보다 자세하게는 특정한 신체부위에 대한 의료영상을 누적하여 형성된 빅데이터를 심층신경망(Deep Neural network; DNN)을 이용한 딥 러닝 방식으로 분석하여, 환자의 골 연령을 산출하는 방법 및 프로그램에 관한 것이다.

상기 선행기술은 특정한 인종(특히, 한국인)의 의료영상을 빅데이터로 누적한 후 분석하여 골 연령을 산출하므로, 인종에 부합하는 정확한 골 연령을 산출할 수 있는 효과를 제공하는 것으로서, 의료영상 빅데이터를 딥 러닝 방식으로 분석하는 점에서 본 발명의 본 발명의 빅데이터 의료정보를 토대로 기계학습을 수행하는 구성과 일부 유사성이 있다.

하지만, 상기 선행기술은 의료영상 빅데이터를 딥 러닝 방식으로 분석하여 환자의 골 연령을 산출하는 기술 구성을 제시하는 것으로서, 빅데이터 의료정보를 토대로 의사의 의견을 반영하여 데이터를 정제한 다음 정제된 데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써 데이터 분류 및 정제를 수행하는 과정에서 양질의 정제된 학습데이터를 최대한 확보할 수 있는 기술적 구성에 대하여 전혀 기재되어 있지 않으며, 이와 관련된 그 어떠한 암시도 되어 있지 않다.

또한, 상기 선행기술에는 본 발명에서 제시하고 있는 의사의 의견이 반영된 학습데이터의 기계학습 결과에 따라 생성된 예측모델에 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 기술 구성에 대한 기재가 없으므로 전혀 다른 기술적 구성임이 분명하다.

또한, 한국공개특허 제2016-0133188호(2016.11.22.)는 가변 삼각 모형을 이용한 병변 위치 인식 기술에 관한 것으로, 환자의 장기를 촬영한 의료 영상(예, CT 영상)으로부터 병변의 위치를 식별하여 자동으로 데이터 코드화하는 의료 영상 판독 장치 및 의료 영상 판독 장치 동작 방법에 관한 것이다.

상기 선행기술은 환자의 장기를 촬영한 의료 영상이 입력되면, 의료 영상으로부터 병변의 위치를 식별하여 코드화를 통해 생성한 코드화 데이터를 자동으로 출력함으로써, 판독자가 일일이 복잡한 코드화 작업을 수행하지 않아도, 병변의 해부학적 위치에 관한 코드 데이터를 간편하게 획득할 수 있는 효과를 제공하는 것으로서, 병변의 존재 여부와 위치를 용이하게 파악하는 점에서 본 발명의 빅데이터 의료정보를 토대로 병변종류와 위치를 확인하는 구성과 일부 유사성이 있다.

하지만, 상기 선행기술에는 본 발명에서 제시하고 있는 특정 신체부위에 관련된 빅데이터 의료정보를 토대로 생성된 초기 학습데이터에서 질병/질환의 유무를 확인하는 의사의 의사를 반영하여 정제하는 구성, 정제한 최종 학습데이터를 기반으로 기계학습을 수행하여 생성한 예측모델에 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 구성에 대한 아무런 기재나 언급이 없다.

즉 상기 언급한 각각의 선행기술들은 의료영상 빅데이터를 딥 러닝 방식으로 분석하는 구성, 의료영상 빅데이터를 분석하여 병변위치를 확인하는 구성을 제시하고 있지만, 본 발명의 기술적 특징인 각종 의료정보를 토대로 의사의 의견을 반영하여 데이터를 정제한 다음 정제된 데이터를 기계학습하여 예측모델을 생성하는 구성, 예측모델에 특정 의료정보를 입력하여 현재상태 진단 및 질병의 미래상태 예측을 수행하는 구성에 대해서는 아무런 기재나 언급이 없기 때문에 기술적 차이점이 분명한 것이다.

본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 의사의 의견을 반영하여 정제한 학습데이터를 이용하여 기계학습을 통해 질병/질환 추정 학습 모델링을 구축함으로써, 질병/질환 추정의 성능을 높일 수 있는 모듈화된 강화학습을 통한 질병 진단 시스템을 제공하는 것을 목적으로 한다.

또한, 본 발명은 사람이나 동물의 의료영상, 병력, 건강수치, 가족력, 성별, 인종, 치료과정, 처방 등에 관련된 빅데이터 의료정보에서 질병/질환별 특성에 따라 분류한 초기 학습데이터를 의사가 확인하고, 의사의 의견을 반영하여 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성하도록 하는 질병 진단 시스템을 제공하는 것을 다른 목적으로 한다.

또한, 본 발명은 의사의 의견을 반영하여 정제한 최종 학습데이터를 통해 생성되는 예측모델에 사람이나 동물의 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하고, 질병/질환의 종류 및 위치 추정, 판별된 병변과 유사한 케이스 등을 제공하도록 하는 질병 진단 시스템을 제공하는 것을 또 다른 목적으로 한다.

또한, 본 발명은 의사의 의견을 반영하여 정제한 최종 학습데이터를 기반으로 생성한 예측모델을 통해 예측하는 특정 사람이나 동물의 현재 질병상태 및 향후 질병상태에 대한 정보를 토대로 현재 상태에서 가장 적합한 치료방법을 제시하도록 하는 질병 진단 시스템을 제공하는 것을 또 다른 목적으로 한다.

또한, 본 발명은 각종 의료정보와 관련된 빅데이터를 활용하여 예측모델을 생성할 때, 상기 의료정보의 특징에 따라 병변의 위치나 존재여부의 확인이 중요한 의료영상 이미지 위주의 의료정보인 경우에는 CNN(Convolutional Neural Network)의 기계학습 기법을 적용하고, 시계열적으로 변환하는 정보를 이용하여 질병/질환의 미래예측이 중요한 병력, 건강수치, 가족력을 포함한 텍스트 위주의 의료정보인 경우에는 RNN(Recurrent Neural Network)이나 MNN(Multi-layer Neural Network)의 기계학습 기법을 적용하여 예측모델을 생성하도록 하는 질병 진단 시스템을 제공하는 것을 또 다른 목적으로 한다.

본 발명의 일 실시예에 따른 모듈화된 강화학습을 통한 질병 진단 장치는, 복수의 의료정보를 토대로 기계학습을 수행하여 예측모델을 생성하는 예측모델 생성부; 및 상기 생성한 예측모델에 특정 사용자의 의료정보를 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 예측부;를 포함하며, 상기 예측모델 생성부는, 상기 복수의 의료정보에서 추출한 특징값을 토대로 생성되는 학습데이터를 의사 단말로 전송하고, 상기 의사 단말로부터 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부에 대한 확인결과를 전송받아 상기 학습데이터를 정제하며, 상기 정제한 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성하는 것을 특징으로 한다.

그리고 상기 의료정보는, X-ray, 초음파, CT, MRI, PET 또는 광/자기를 이용한 진단기기를 통해 획득한 신체부위에 관련된 의료영상, 병력, 건강수치, 신체정보, 가족력, 성별, 인종, 치료과정, 처방 또는 이들의 조합을 포함한 정보인 것을 특징으로 한다.

그리고 상기 예측모델 생성부는, 상기 복수의 의료정보에서 특징값을 추출하고 상기 추출한 특징값을 각각의 질병/질환별 패턴에 따라 클러스터링하는 클러스터링부; 상기 클러스터링 결과를 토대로 초기 학습데이터를 생성하는 학습데이터 생성부; 상기 생성한 초기 학습데이터를 상기 의사 단말로 전송하여 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부의 확인을 요청하는 학습데이터 확인부; 상기 의사 단말로부터 전송받은 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부의 확인결과를 토대로 상기 학습데이터 중 병변이 포함된 학습데이터만을 최종 학습데이터로 정제하는 학습데이터 정제부; 및 상기 정제한 최종 학습데이터를 기계학습하여 예측모델을 생성하는 학습부;를 포함하는 것을 특징으로 한다.

그리고 상기 예측모델 생성부는, 상기 의료정보 제공기관으로부터 수집한 의료정보를 자체 포맷으로 변환하여 압축, 저장하는 데이터 전처리부;를 더 포함하는 것을 특징으로 한다.

그리고 상기 예측부는, 네트워크를 통해 사용자 단말로부터 특정 사용자의 의료정보를 전송받아 쿼리로 입력하는 쿼리 입력부; 상기 쿼리로 입력된 특정 의료정보로부터 특징값을 추출한 다음 상기 특징값을 토대로 상기 사용자의 현재의 상태를 진단하여 질병/질환이 있는지의 여부를 확인하는 정상여부 진단부; 상기 쿼리로 입력된 특정 의료정보와 유사한 조건의 의료정보들을 클러스터링한 다음 상기 클러스터링한 의료정보들에 대한 시계열적인 변화에 대한 정보로부터 질병의 변화를 추출하여 특정 사용자의 미래질병을 예측하는 병변 추정부; 및 상기 정상여부 진단부에서 확인한 현재 상태의 진단결과와 상기 병변 추정부에서 추정한 미래질병 예측정보를 상기 사용자 단말로 제공하는 결과 출력부;를 포함하는 것을 특징으로 한다.

그리고 상기 질병진단장치는, 특정 사용자의 의료정보를 상기 예측모델에 적용하여 예측한 미래질병 예측정보를 토대로 현재의 질병상태 및 향후 미래질병상태 추이에 관련된 치료정보 프로그램을 해당 사용자 단말로 제공하는 치료프로그램 제공부;를 더 포함하는 것을 특징으로 한다.

그리고 상기 예측모델 생성부는, 상기 학습데이터의 형태 및 종류에 따라 CNN, MNN, RNN을 포함한 기계학습 기법 중 어느 하나를 사용하여 예측모델을 생성하는 것을 특징으로 한다.

또한, 본 발명의 일 실시예에 따른 모듈화된 강화학습을 통한 질병 진단 방법은, 질병진단장치에서 복수의 의료정보를 토대로 기계학습을 수행하여 예측모델을 생성하는 예측모델 생성 단계; 및 상기 생성한 예측모델에 특정 사용자의 의료정보를 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 예측 단계;를 포함하며, 상기 예측모델 생성 단계는, 상기 복수의 의료정보에서 추출한 특징값을 토대로 생성되는 학습데이터를 의사 단말로 전송하고, 상기 의사 단말로부터 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부에 대한 확인결과를 전송받아 상기 학습데이터를 정제하며, 상기 정제한 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성하는 것을 특징으로 한다.

그리고 상기 예측모델 생성 단계는, 상기 질병진단장치에서 상기 복수의 의료정보에서 특징값을 추출하고 상기 추출한 특징값을 각각의 질병/질환별 패턴에 따라 클러스터링하는 클러스터링 단계; 상기 클러스터링 결과를 토대로 초기 학습데이터를 생성하는 학습데이터 생성 단계; 상기 생성한 초기 학습데이터를 상기 의사 단말로 전송하여 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부의 확인을 요청하는 학습데이터 확인 단계; 상기 의사 단말로부터 전송받은 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부의 확인결과를 토대로 상기 학습데이터 중 병변이 포함된 학습데이터만을 최종 학습데이터로 정제하는 학습데이터 정제 단계; 및 상기 정제한 최종 학습데이터를 기계학습하여 예측모델을 생성하는 학습 단계;를 포함하는 것을 특징으로 한다.

그리고 상기 예측모델 생성 단계는, 상기 질병진단장치에서 상기 의료정보 제공기관으로부터 수집한 의료정보를 자체 포맷으로 변환하여 압축, 저장하는 데이터 전처리 단계;를 더 포함하는 것을 특징으로 한다.

그리고 상기 예측 단계는, 상기 질병진단장치에서 네트워크를 통해 사용자 단말로부터 특정 사용자의 의료정보를 전송받아 쿼리로 입력하는 쿼리 입력 단계; 상기 쿼리로 입력된 특정 의료정보로부터 특징값을 추출한 다음 상기 특징값을 토대로 상기 사용자의 현재의 상태를 진단하여 정상 또는 비정상 여부를 확인하는 정상여부 진단 단계; 상기 쿼리로 입력된 특정 의료정보와 유사한 조건의 의료정보들을 클러스터링한 다음 상기 클러스터링한 의료정보들에 대한 시계열적인 변화에 대한 정보로부터 질병의 변화를 추출하여 특정 사용자의 미래질병을 예측하는 병변 추정 단계; 및 상기 정상여부 진단 단계에서 확인한 현재 상태의 진단결과와 상기 병변 추정 단계에서 추정한 미래질병 예측정보를 상기 사용자 단말로 제공하는 결과 출력 단계;를 포함하는 것을 특징으로 한다.

그리고 상기 질병 진단 방법은, 상기 질병진단장치에서 특정 사용자의 의료정보를 상기 예측모델에 적용하여 예측한 미래질병 예측정보를 토대로 현재의 질병상태 및 향후 미래질병상태 추이에 관련된 치료정보 프로그램을 해당 사용자 단말로 제공하는 치료프로그램 제공 단계;를 더 포함하는 것을 특징으로 한다.

그리고 상기 예측모델 생성 단계는, 상기 질병진단장치에서 상기 학습데이터의 형태 및 종류에 따라 CNN, MNN, RNN을 포함한 기계학습 기법 중 어느 하나를 사용하여 예측모델을 생성하는 것을 특징으로 한다.

이상에서와 같이 본 발명의 모듈화된 강화학습을 통한 질병 진단 시스템에 따르면, 사람이나 동물의 각종 의료정보에 관련된 빅데이터에서 질병/질환별 특성에 따라 분류한 초기 학습데이터를 의사가 확인하고, 의사의 확인을 통해 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성하기 때문에 학습데이터의 생성 및 정제를 수행하는 과정에서 가비지 데이터를 최대한 배제하여 양질의 정제된 학습데이터를 최대한 확보할 수 있으며, 이에 따라 양질의 학습데이터를 기반으로 생성되는 예측모델의 예측 성능이 크게 향상되는 효과가 있다.

또한, 의사의 의견이 반영된 학습데이터를 통해 생성되는 예측모델에 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측할 수 있기 때문에 해당 신체부위의 정상/비정상 여부 판별, 병변종류 및 병변위치 추정, 판별된 병변과 유사한 케이스 정보의 제시, 진행과정에 대한 예측정보 등을 통해 일반인들이 자신의 의료정보를 이용하여 어느 신체부위에 이상이 있는지, 병변이 있다면 미래의 진행상태가 어떠한지 등을 일목요연하게 확인할 수 있는 효과가 있다.

또한, 예측모델을 통해 현재 질병상태의 확인 및 향후 질병상태에 대한 정보를 예측할 수 있기 때문에 현재 상태에서 가장 적합한 치료방법을 제시하는 통합 서비스가 가능한 효과가 있다.

또한, 예측모델을 생성할 때, 병변의 위치나 존재여부의 확인이 중요한 이미지 위주의 의료정보인 경우에는 CNN의 기계학습 기법을 적용하고, 시계열적으로 변환하는 정보를 이용하여 질병/질환의 미래예측이 중요한 텍스트 위주의 의료정보인 경우에는 RNN이나 MNN의 기계학습 기법을 적용하는 등 의료정보의 종류나 가공 형태의 특징에 따라 최적의 기계학습 기법을 선택적으로 적용하여 예측모델을 생성할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 모듈화된 강화학습을 통한 질병 진단 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 시스템에서 질병진단장치의 구성을 상세하게 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 시스템에서 예측모델 생성부의 구성을 상세하게 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 시스템에서 예측부의 구성을 상세하게 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 모듈화된 강화학습을 통한 질병 진단 방법의 동작과정을 상세하게 나타낸 순서도이다.
도 6은 상기 도 5의 예측모델 생성의 동작과정을 보다 상세하게 나타낸 순서도이다.
도 7은 상기 도 5의 예측모델을 이용한 예측수행의 동작과정을 보다 상세하게 나타낸 순서도이다.

이하, 첨부한 도면을 참조하여 본 발명의 모듈화된 강화학습을 통한 질병 진단 시스템에 대한 바람직한 실시 예를 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.

도 1은 본 발명의 일 실시예에 따른 모듈화된 강화학습을 통한 질병 진단 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 시스템은, 질병진단장치(100), 의료정보 제공기관(200), 의사 단말(300), 사용자 단말(400), 데이터베이스(500) 등으로 구성된다.

질병진단장치(100)는 각종 의료기관, 연구기관 등의 의료정보 제공기관(200)으로부터 의료정보 빅데이터를 수집하여 데이터베이스(500)에 저장한다. 이때 상기 의료정보는 X-ray, 초음파, CT, MRI, PET 등과 같이 광/자기를 이용한 진단기기를 통해 획득한 사람이나 동물의 특정 신체부위에 관련된 의료영상은 물론, 병력, 건강수치, 신체정보(키, 몸무게 등), 가족력, 성별, 인종, 치료과정, 처방 등이 포함될 수 있다.

또한, 상기 질병진단장치(100)는 의료정보 제공기관(200)으로부터 수집한 의료정보 빅데이터를 토대로 기계학습을 수행하기 위한 학습데이터를 준비한다. 즉 상기 의료정보 빅데이터를 기반으로 심플 러닝을 수행함으로써, 각종 질병/질환별 특징에 따른 정보를 분류하여 초기 학습데이터를 생성하는 것이다. 이때 상기 질병진단장치(100)는 병변이 포함되어 있는 의료정보를 중심으로 초기 학습데이터를 준비한다.

예를 들어, 상기 의료정보 빅데이터가 의료영상인 경우에는 의료영상 각각을 일정 영역별로 분할하여 각 영역별 영상 특징값을 추출한 다음 이를 특정 질병/질환별 패턴에 따라 클러스터링을 수행하여 초기 학습데이터를 생성하며, 상기 의료정보 빅데이터가 시계열적으로 변화하는 텍스트 형태인 경우에는 시계열적인 변화를 토대로 각각의 특징값을 추출한 다음 이를 특정 질병/질환별 패턴에 따라 클러스터링을 수행하여 초기 학습데이터를 생성한다.

또한, 상기 질병진단장치(100)는 기계학습을 수행하기 위하여 의료정보 빅데이터로부터 생성한 초기 학습데이터를 네트워크 통해 기 설정되어 있는 특정 의사 단말(300)로 전송하여 해당 학습데이터가 질병/질환을 포함하고 있는 의료정보가 맞는지, 질병/질환과 관련 없는 데이터인지의 여부를 확인하는 요청을 수행한다. 이때 상기 초기 학습데이터를 제공받아 질병/질환을 포함하고 있는지, 질병/질환과 관련 없는 데이터인지의 여부를 확인하는 의사는 의료영상 진단을 전문으로 수행하는 의학영상 전문의나 각 분야별 전문의로서, 의사는 상기 초기 학습데이터를 토대로 구체적인 병변이 무엇인지를 진단하거나 의견을 개진하는 것이 아니고, 단지 초기 학습데이터에 병변이 존재하고 있는지, 질병/질환과 전혀 관련 없는 가비지 데이터인지의 여부만을 확인하면 된다.

또한, 상기 질병진단장치(100)는 의료정보 빅데이터로부터 생성한 초기 학습데이터에 병변이 존재하고 있는지, 질병/질환과 전혀 관련 없는 가비지 데이터인지의 여부를 확인하는 의사 단말(300)로부터 확인결과가 전송되면, 상기 초기 학습데이터 중 병변이 포함된 학습데이터만을 최종 학습데이터로 정제하고, 정제된 최종 학습데이터를 기계학습하여 예측모델을 생성한다.

이는 본 발명에서 제시하는 핵심적인 사항으로서, 상기 질병진단장치(100)는 의료정보 빅데이터에서 생성한 모든 학습데이터를 토대로 기계학습을 수행하지 않고 의사의 확인을 통해 정제한 양질의 학습데이터만을 사용하여 기계학습을 수행함으로써, 기계학습에 이용되는 학습데이터의 정확도를 크게 향상시킬 수 있으며, 결과적으로 본 발명에 비해 정확도가 크게 떨어지는 학습데이터를 토대로 예측모델을 생성하는 종래의 방식에 비해 훨씬 월등하고 예측성능이 뛰어난 예측모델을 생성하는 것이 가능해진다.

따라서 환자나 일반 사용자들은 자신이 소지한 사용자 단말(400)을 통해 상기 질병진단장치(100)에 접속한 후, 자신이 가지고 있는 의료영상 등을 포함한 특정 의료정보를 입력하면, 상기 예측모델을 통해 현재의 상태를 진단하여 질병/질환이 있는지의 여부를 확인할 수 있고, 병변이 존재하는 경우에는 질병의 미래상태를 예측하는 정보를 제공받을 수 있다. 즉 환자를 포함한 일반 사용자들이 상기 예측모델을 통해 질병/질환의 정상/비정상 여부 판별, 병변종류 및 병변위치 추정, 판별된 병변과 유사한 케이스 정보의 제시, 진행과정에 대한 예측정보 등을 일목요연하게 확인할 수 있는 것이다.

한편, 상기 질병진단장치(100)는 상기 예측모델을 통해 예측한 특정인의 향후 질병상태에 대한 정보를 토대로 현재 상태에서 가장 적합한 치료방법(예를 들어, 식이요법, 운동방법 등을 포함한 유사한 사례에 대한 건강관리방법)에 대한 데이터를 사용자에게 제공하는 통합 서비스를 제공할 수 있다.

또한, 상기 질병진단장치(100)는 상기 의료정보 빅데이터를 활용하여 예측모델을 생성할 때, 의사의 확인을 통해 정제한 최종 학습데이터의 데이터 형태에 따라 여러 가지 기계학습 기법을 사용하여 예측모델을 생성할 수 있다. 예를 들어, 병변의 위치나 존재여부의 확인이 중요한 이미지 위주의 의료영상인 경우에는 영상 분야의 기계학습에 적합한 CNN의 기계학습 기법을 사용하고, 시계열적으로 변환하는 정보를 이용하여 질병/질환의 미래예측이 중요한 문자, 숫자 등의 텍스트 위주의 의료정보인 경우에는 MNN이나 RNN의 기계학습 기법을 사용하여 예측모델을 생성하는 것이다.

또한, 상기 질병진단장치(100)는 의료정보를 기반으로 한 질병 진단과 관련된 다양한 기능을 포함하는 애플리케이션 프로그램 인터페이스(Application Program Interface)를 제공한다. 이를 통해 각 서비스 개발자들은 의료정보와 관련된 체험, 의사결정, 건강과 관련된 놀이 등의 각종 서비스의 개발을 수행하는 것이 가능해진다. 즉 상기 질병진단장치(100)는 서비스 개발자가 원하는 서비스를 개발하고, 개발자가 개발한 서비스를 일반 사용자에게 제공하여 수익을 창출할 수 있도록 하는 플랫폼 기능을 제공하는 것이다.

의료정보 제공기관(200)은 정부 및 민간에서 운영하는 각종 의료기관, 연구기관, 건강보험관리공단 등에서 운영하는 컴퓨터로서, 각종 사람 및 동물들의 의료영상, 병력, 건강수치, 가족력, 성별, 인종, 치료과정, 처방 등의 의료정보를 빅데이터로 저장, 관리하며, 상기 질병진단장치(100)로 저장, 관리중인 의료정보 빅데이터를 제공한다.

의사 단말(300)은 의학영상 전문의, 각 분야별 전문의 등이 보유한 스마트폰, 태블릿, PC 등의 유/무선 인터넷, 와이파이(WiFi) 등의 공중 데이터 통신망에 접속 가능한 통신장비로서, 상기 질병진단장치(100)의 요청에 따라 상기 질병진단장치(100)로부터 전송되는 각종 학습데이터를 확인하여 병변을 포함하고 있는 의료정보가 맞는지, 질병/질환과 전혀 관련 없는 가비지 데이터인지의 여부를 검토하고, 검토결과를 상기 질병진단장치(100)로 전달한다. 즉 상기 의사 단말(300)은 상기 질병진단장치(100)로부터 수신한 각각의 학습데이터를 확인하는 의사의 병변포함 의료정보가 맞는지, 가비지 데이터인지의 여부에 대한 조작신호를 상기 질병진단장치(100)로 전송하는 것이다.

이때 상기 의사 단말(300)은 상기 질병진단장치(100)에서 제공하는 특정 애플리케이션 프로그램이 설치되어 있으며, 상기 애플리케이션의 실행을 통해 각종 학습데이터를 확인하고 병변포함 여부, 가비지 데이터 여부의 조작을 수행한다.

사용자 단말(400)은 일반 사용자들이 보유하고 있는 스마트폰, 태블릿, PC 등의 통신장비로서, 통상적으로 애플리케이션 프로그램을 통해 상기 질병진단장치(100)와 통신 접속을 수행한 다음 특정 의료정보를 상기 질병진단장치(100)에 전송하여 현재상태의 진단 및 미래의 질병에 대한 예측을 요청하며, 상기 질병진단장치(100)로부터 해당 의료정보를 기반으로 현재 상태를 진단한 결과 및 병변이 있는 경우 미래의 질병에 관련된 예측정보를 제공받는다.

즉 상기 질병진단장치(100)에서 사용자 단말(400)에서 제공한 특정 의료정보를 토대로 상기 예측모델을 통해 산출되는 특정 질병/질환의 정상/비정상 여부, 병변종류 및 병변위치, 판별된 병변과 유사한 케이스 정보, 진행과정에 대한 예측정보 등을 제공받는 것이다.

또한, 상기 사용자 단말(400)은 상기 질병진단장치(100)로부터 상기 예측모델을 통해 예측한 향후 질병상태에 대한 정보를 토대로 식이요법, 운동방법 등과 같은 현재 상태에서 가장 적합한 치료방법을 추가로 제공받을 수 있다.

데이터베이스(500)는 상기 질병진단장치(100)에서 사용하는 의료정보 빅데이터, 상기 의료정보 빅데이터로부터 생성하고 의료 단말(300)을 통해 정제한 학습데이터, 상기 학습데이터의 기계학습에 의해 생성한 예측모델, 상기 예측모델에 쿼리 입력으로 사용하는 일반 사용자들의 의료정보, 상기 예측모델을 통해 생성되는 현재상태의 진단 및 미래의 질병에 대한 예측정보 등을 저장, 관리한다.

이때 상기 데이터베이스(500)는 도 2에 도시된 바와 같이, 의료정보 데이터베이스(510), 학습데이터 데이터베이스(520), 예측모델 데이터베이스(530), 회원정보 데이터베이스(540) 등으로 구성된다.

상기 의료정보 데이터베이스(510)는 상기 의료정보 제공기관(200)으로부터 수집한 의료정보 빅데이터와 상기 의료정보 빅데이터를 전처리하여 포맷 변환한 의료정보를 저장하며, 상기 사용자 단말(400)로부터 제공받은 상기 예측모델에 적용하는 환자나 일반인들의 의료정보를 저장한다.

상기 학습데이터 데이터베이스(520)는 기계학습에 적용하기 위해 상기 의료정보 빅데이터로부터 생성한 학습데이터, 상기 의사 단말(300)의 확인을 거쳐 정제한 학습데이터를 저장한다.

상기 예측모델 데이터베이스(530)는 상기 정제된 학습데이터를 토대로 기계학습을 수행하여 생성되는 예측모델을 저장한다.

상기 회원정보 데이터베이스(540)는 기계학습에 사용되는 학습데이터의 정제를 위해 상기 질병진단장치(100)에서 제휴하거나 회원가입을 수행한 다수의 의사들과 의료정보 진단 서비스를 이용하는 일반 사용자들의 회원정보(예를 들어, 아이디, 패스워드, 주소 등), 상기 예측모델 이용에 따른 현재상태의 진단정보 및 미래 건강상태의 예측정보를 저장한다.

도 2는 본 발명의 일 실시예에 따른 시스템에서 질병진단장치(100)의 구성을 상세하게 나타낸 도면이다.

도 2에 도시된 바와 같이 상기 질병진단장치(100)는, 통신 인터페이스부(110), 데이터 인터페이스부(120), 예측모델 생성부(130), 예측부(140), 치료프로그램 제공부(150) 등으로 구성된다.

통신 인터페이스부(110)는 상기 의료정보 제공기관(200)으로부터 의료정보 빅데이터를 수집하며, 상기 의료정보 빅데이터에서 병변이 포함되어 있는 의료정보를 중심으로 생성한 초기 학습데이터를 상기 의사 단말(300)로 전송한 다음 상기 의사 단말(300)로부터 해당 학습데이터가 병변을 포함하고 있는 의료영상이 맞는지, 질병/질환과 전혀 관련 없는 가비지 데이터인지의 여부에 대한 확인결과를 전송받는다.

또한, 상기 통신 인터페이스부(110)는 네트워크를 통해 통신 접속을 수행한 상기 사용자 단말(400)로부터 환자나 일반 사용자의 특정 의료정보를 전송받아 상기 예측모델 생성부(130)로 출력하며, 상기 예측모델 생성부(130)에서 상기 사용자 단말(400)에서 제공된 특정 의료정보를 상기 예측모델에 적용하여 생성한 현재 상태의 진단정보 및 미래 질병상태의 예측정보를 네트워크를 통해 해당 사용자 단말(400)로 전송한다.

데이터 인터페이스부(120)는 학습데이터 정제를 위해 제휴되거나 회원가입을 수행한 복수의 의사들과 의료정보 진단 서비스를 이용하는 일반 사용자들의 회원정보, 상기 의료정보 제공기관(200)으로부터 수집한 의료정보 빅데이터, 상기 의료정보 빅데이터에서 기계학습에 적용하기 위해 처리한 초기 학습데이터, 상기 초기 학습데이터를 상기 의사 단말(300)의 확인을 거쳐 정제한 최종 학습데이터, 상기 정제된 최종 학습데이터를 기계학습하여 생성한 예측모델, 상기 사용자 단말(400)로부터 제공받은 의료정보, 상기 예측모델 이용에 따른 현재상태의 진단정보 및 미래 건강상태의 예측정보 등의 데이터베이스(500) 저장, 관리를 수행한다.

예측모델 생성부(130)는 의료정보 빅데이터로부터 심플 러닝을 통해 생성한 특정 질병/질환별 초기 학습데이터를 상기 의사 단말(300)로 전송하여 병변포함 여부, 질병/질환과 전혀 관련 없는 가비지 데이터의 여부를 확인하고, 상기 의사 단말(300)로부터 전송받은 병변포함 여부, 가비지 데이터 여부에 대한 확인결과를 토대로 상기 초기 학습데이터를 정제하여 최종 학습데이터를 추출한 다음, 상기 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성하는 기능을 수행한다.

즉 상기 예측모델 생성부(130)는 질병/질환별 특징값에 따라 의료정보 빅데이터에서 추출한 학습데이터를 기계학습하여 예측모델을 생성하기 이전에, 상기 학습데이터를 네트워크를 통해 특정 의사 단말(300)로 전송하여 상기 학습데이터가 병변을 포함한 의료정보인지, 가비지 데이터인지의 여부를 확인받은 후, 병변을 포함한 의료정보만을 기계학습에 이용되는 최종적인 학습데이터로 정제함으로써, 양질의 정제된 학습데이터를 최대한 확보할 수 있도록 하며, 양질의 학습데이터를 이용한 기계학습을 통해 생성되는 예측모델의 현재상태 진단 및 예측성능을 높일 수 있도록 한 것이다.

이때 상기 학습데이터에서 병변포함 여부의 확인은 0 또는 1의 레이블을 부여하는 방식으로 처리할 수 있는데, 예를 들어 0이면 정상적인 의료정보로 확인하고 1이면 병변이 포함된 의료정보로 확인한다.

한편, 상기 예측모델 생성부(130)는 특정 신체부위에 관련된 의료영상은 물론, 치료과정, 처방, 건강수치 또는 이들의 조합을 포함한 각종 의료정보에 대한 시계열적인 변화를 분석한 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성할 수 있다.

또한, 상기 예측모델 생성부(130)는 상기 예측모델을 생성할 때, 상기 의사 단말(300)의 병변포함 여부, 가비지 데이터 여부의 확인을 통해 정제한 학습데이터의 종류에 따라 MNN, CNN, RNN을 포함한 기계학습 기법 중 어느 하나를 사용하여 생성할 수 있는데, 예를 들어 학습데이터가 주로 이미지 형태로 되어 있는 경우에는 영상 분야의 기계학습에 적합한 CNN의 기계학습 기법을 통해 예측모델을 생성하며, 학습데이터가 시계열적인 변화에 대한 패턴을 주요 특징값으로 하는 경우에는 RNN이나 MNN의 기계학습 기법을 통해 예측모델을 생성할 수 있는 것이다.

예측부(140)는 상기 예측모델 생성부(130)에서 생성한 예측모델에 상기 사용자 단말(400)로부터 전송받은 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 기능을 수행한다.

치료프로그램 제공부(150)는 상기 사용자 단말(400)로부터 전송받은 환자 또는 일반 사용자의 특정 의료정보를 상기 예측모델에 적용하여 예측한 미래질병 예측정보를 상기 예측부(140)로부터 제공받고, 이를 토대로 현재의 질병상태 및 향후 미래질병상태 추이에 관련된 치료정보 프로그램(예를 들어, 해당 질병 상황에 적합한 식이요법, 운동정보 등)을 생성하며, 생성한 치료정보 프로그램을 해당 사용자 단말(400)로 제공하는 기능을 수행한다.

도 3은 본 발명의 일 실시예에 따른 시스템에서 예측모델 생성부(130)의 구성을 상세하게 나타낸 도면이다.

도 3에 도시된 바와 같이 상기 예측모델 생성부(130)는, 데이터 전처리부(131), 클러스터링부(132), 학습데이터 생성부(133), 학습데이터 확인부(134), 학습데이터 정제부(135), 학습부(136) 등으로 구성된다.

데이터 전처리부(131)는 상기 의료정보 제공기관(200)으로부터 수집한 의료정보 빅데이터를 자체 포맷으로 변환하여 데이터베이스(500)에 저장하는 전처리 과정을 수행한다.

예를 들어, 의료영상의 경우 각기 다른 기관으로부터 수집되는 복수의 의료영상에 대한 스케일, 명암(contrast), 밝기, 컬러 밸런스 등의 일관성을 유지하기 위하여 각각의 의료영상을 자체 포맷으로 변환하여 저장하는 것이다.

클러스터링부(132)는 상기 데이터 전처리부(131)에서 전처리한 복수의 의료정보에 대하여 특징값을 추출하고, 상기 추출한 특징값을 각각의 질병/질환별 패턴에 따라 클러스터링하여 학습데이터 생성부(133)로 출력한다.

예를 들어, 상기 클러스터링부(132)는 각각의 의료정보를 각각의 질병/질환별 특징에 따라 분할한 다음, 분할한 각각의 특징별로 ID를 부여하고, 각각의 특징을 메타데이터로 변환하여 데이터베이스(500)에 저장, 관리하는 것이다. 이때 상기 메타데이터는 각각의 특징을 문자, 숫자 등으로 정의한 것을 의미한다.

학습데이터 생성부(133)는 상기 클러스터링부(132)에서 수행한 클러스터링 결과를 토대로 기계학습에 사용될 초기 학습데이터를 생성하여 학습데이터 확인부(134)로 출력한다.

학습데이터 확인부(134)는 상기 학습데이터 생성부(133)에서 생성한 초기 학습데이터를 네트워크를 통해 상기 의사 단말(300)로 전송하여 상기 초기 학습데이터가 병변을 포함하고 있는지, 질병/질환과 관련 없는 가비지 데이터인지의 여부에 대한 확인을 요청하며, 상기 의사 단말(300)로부터 각각의 초기 학습데이터별 병변포함 여부, 가비지 데이터 여부에 대한 확인결과를 전송받아 학습데이터 정제부(135)로 출력한다.

학습데이터 정제부(135)는 상기 학습데이터 확인부(134)로부터 입력되는 상기 의사 단말(300)로부터 전송받은 병변포함 여부, 가비지 데이터 여부의 확인결과를 토대로 상기 학습데이터 중 병변이 포함된 학습데이터만을 최종 학습데이터로 정제하여 학습부(135)로 출력한다.

학습부(136)는 상기 학습데이터 정제부(135)에서 정제한 최종 학습데이터를 기계학습하여 예측모델을 생성하고, 생성한 예측모델을 데이터베이스(500)에 저장한다.

도 4는 본 발명의 일 실시예에 따른 시스템에서 예측부(140)의 구성을 상세하게 나타낸 도면이다.

도 4에 도시된 바와 같이 상기 예측부(140)는, 쿼리 입력부(141), 정상여부 진단부(142), 병변 추정부(143), 결과 출력부(144) 등으로 구성된다.

쿼리 입력부(141)는 네트워크를 통해 상기 사용자 단말(400)로부터 특정 사용자의 의료정보를 전송받아 쿼리로 입력한다.

정상여부 진단부(142)는 상기 쿼리 입력부(141)에 입력된 특정 의료정보로부터 특징값을 추출한 다음 상기 특징값을 토대로 해당 의료정보에 대한 현재의 상태를 진단하여 정상 또는 비정상 여부를 확인한다. 즉 특정 의료정보가 쿼리로 입력되면 상기 예측모델을 통해 병변이 있는지 없는지의 여부와, 병변의 위치를 추정할 수 있는 것이다.

병변 추정부(143)는 상기 쿼리 입력부(141)에 입력된 특정 의료정보와 유사한 조건의 의료정보들을 클러스터링한 다음 상기 클러스터링한 의료정보들에 대한 시계열적인 변화에 대한 정보로부터 질병의 변화를 추출하여 특정 사용자의 미래질병을 예측한다. 즉 상기 병변 추정부(143)는 쿼리로 입력된 특정 의료정보의 클러스터링 결과로부터 유사한 정보를 추출하고 이들의 질병에 대한 시계열적인 변화를 분석하는 것이다.

결과 출력부(144)는 상기 정상여부 진단부(142)에서 확인한 현재 상태의 진단결과와 상기 병변 추정부(143)에서 추정한 미래질병 예측정보를 상기 사용자 단말(400)로 제공하는 기능을 수행한다.

다음에는, 이와 같이 구성된 본 발명에 따른 모듈화된 강화학습을 통한 질병 진단 방법의 일 실시예를 도 5 내지 도 7을 참조하여 상세하게 설명한다. 이때 본 발명의 방법에 따른 각 단계는 사용 환경이나 당업자에 의해 순서가 변경될 수 있다.

도 5 내지 도 7은 본 발명의 일 실시예에 따른 모듈화된 강화학습을 통한 질병 진단 방법의 동작과정을 상세하게 나타낸 순서도이다.

우선, 질병진단장치(100)는 네트워크를 통해 각종 의료기관, 연구기관 등의 의료정보 제공기관(200)에 통신 접속을 진행하여 의료정보 빅데이터를 수집한다(S100). 또한, 상기 질병진단장치(100)는 상기 의료정보 제공기관(200)으로부터 주기적으로 의료정보 빅데이터를 제공받는 방식으로 데이터를 수집할 수도 있다.

이때 상기 의료정보 제공기관(200)으로부터 수집되는 의료정보는 사람이나 동물의 특정 신체부위에 관련된 X-ray, 초음파, CT, MRI, PET 등의 의료영상, 병력, 건강수치, 신체정보(키, 몸무게 등), 가족력, 성별, 인종, 치료과정, 처방 등이 포함될 수 있다.

상기 S100 단계를 통해 의료정보 빅데이터를 수집한 이후, 상기 질병진단장치(100)는 심플 러닝을 통해 상기 의료정보 빅데이터를 토대로 초기 학습데이터를 생성하고, 상기 초기 학습데이터를 상기 의사 단말(300)로 제공하여 해당 초기 학습데이터가 병변을 포함하고 있는 의료정보가 맞는지, 질병/질환과 관련 없는 가비지 데이터인지의 여부를 확인한 다음 상기 의사 단말(300)에서의 병변포함 여부, 가비지 데이터 여부의 확인결과를 토대로 학습데이터를 정제하며, 정제된 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성한다(S200).

상기 S200 단계를 도 6을 참조하여 구체적으로 설명하면 다음과 같다.

상기 질병진단장치(100)는 상기 의료정보 제공기관(200)으로부터 수집한 의료정보 빅데이터를 자체 포맷으로 변환하여 데이터베이스(500)에 압축, 저장하는 데이터 전처리를 수행한다(S210).

이후 상기 질병진단장치(100)는 전처리된 복수의 의료정보에서 특징값을 추출하고, 상기 추출한 특징값을 각각의 질병/질환별 패턴에 따라 클러스터링을 수행한 후(S220), 상기 클러스터링 결과를 토대로 초기 학습데이터를 생성하여 데이터베이스(500)에 저장한다(S230).

그리고 상기 질병진단장치(100)는 상기 S230 단계에서 생성한 초기 학습데이터를 상기 의사 단말(300)로 전송하여 병변포함 여부, 질병/질환과 관련 없는 가비지 데이터 여부를 요청하고, 상기 의사 단말(300)로부터 병변포함 여부, 가비지 데이터의 여부에 대한 확인결과를 전송받는다(S240).

상기 S240 단계를 통해 상기 의사 단말(300)로부터 학습데이터에 대한 병변포함, 가비지 데이터의 여부의 확인결과가 전송되면, 상기 질병진단장치(100)는 상기 의사 단말(300)로부터 전송받은 병변포함 여부, 가비지 데이터의 여부의 확인결과를 토대로 상기 초기 학습데이터 중 병변이 포함된 학습데이터만을 최종 학습데이터로 정제한다(S250).

그리고 상기 질병진단장치(100)는 상기 S250 단계에서 정제한 최종 학습데이터를 기계학습하여 예측모델을 생성하고, 생성한 예측모델을 데이터베이스(500)에 저장한다(S260).

즉 상기 질병진단장치(100)는 상기 의료정보 빅데이터에서 생성한 모든 학습데이터를 토대로 기계학습을 수행하지 않고, 의사의 확인을 통해 정제한 양질의 학습데이터, 즉 병변이 포함된 학습데이터만을 기계학습에 사용하여 예측모델을 생성하도록 한 것이다.

이처럼, 상기 S200 단계를 통해 의사의 확인을 통해 정제한 양질의 학습데이터를 토대로 예측모델을 생성한 이후, 상기 질병진단장치(100)는 상기 사용자 단말(400)로부터 특정 의료정보가 전송되어 미래의 질병상태 예측이 요청되면, 상기 S200 단계에서 생성한 예측모델에 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측한다(S300).

상기 S300 단계를 도 6을 참조하여 구체적으로 설명하면 다음과 같다.

상기 질병진단장치(100)는 네트워크를 통해 상기 사용자 단말(400)로부터 전송받은 특정 의료정보를 상기 예측모델에 쿼리로 입력하고(S310), 쿼리로 입력된 특정 의료정보에서 특징값을 추출한다(S320).

이후 상기 질병진단장치(100)는 S320 단계에서 추출한 특징값을 토대로 쿼리로 입력된 특정 의료정보의 질병/질환이 있는지의 여부를 확인하여 현재의 상태를 진단한다(S330).

또한, 상기 질병진단장치(100)는 쿼리로 입력된 특정 의료정보와 유사한 조건의 의료정보들을 클러스터링한 다음 상기 클러스터링한 의료정보들에 대한 시계열적인 변화에 대한 정보로부터 질병의 변화를 추출하여 특정 사용자의 미래질병을 예측한다(S340).

상기 S330 단계 및 S340 단계를 통해 현재상태의 진단 및 미래 질병상태의 예측이 이루어지면, 상기 질병진단장치(100)는 해당 사용자 단말(400)로 현재상태의 진단 및 미래 질병상태의 예측정보를 전송하여 확인하도록 한다(S350).

한편, 상기 S300 단계를 통해 특정 의료정보를 예측모델에 입력하여 현재상태의 진단 및 미래 질병상태의 예측정보를 추정하여 해당 사용자에게 제공하는 과정에서, 상기 질병진단장치(100)는 특정 사용자의 의료정보를 상기 예측모델에 적용하여 예측한 미래질병 예측정보를 토대로 현재의 질병상태 및 향후 미래질병상태 추이에 관련된 치료정보 프로그램을 생성하고, 해당 치료정보 프로그램을 사용자 단말(400)로 추가로 제공할 수 있다(S400).

즉 상기 질병진단장치(100)는 상기 예측모델을 통해 예측한 특정인의 향후 질병상태에 대한 정보를 토대로 현재 상태에서 식이요법, 운동방법 등을 포함한 유사한 사례에 대한 가장 적합한 건강관리방법을 해당 사용자에게 제공하는 통합 서비스를 제공할 수 있는 것이다.

이처럼, 본 발명은 의사가 확인한 정제된 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성하기 때문에 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 정제된 학습데이터를 최대한 확보할 수 있고, 양질의 학습데이터를 이용하여 생성하는 예측모델의 예측 성능을 크게 향상시킬 수 있다.

또한, 상기 예측모델에 특정 의료정보를 쿼리로 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측할 수 있기 때문에 일반인들이 자신의 의료정보를 이용하여 어느 신체부위에 이상이 있는지, 병변이 있다면 미래의 진행상태가 어떠한지 등을 일목요연하게 확인할 수 있으며, 현재 상태에서 가장 적합한 치료방법을 제시하는 통합 서비스가 가능하다.

또한, 의료정보 빅데이터를 활용하여 예측모델을 생성할 때, 학습데이터의 종류 및 형태에 따라 다양한 방식의 기계학습을 적용하여 예측모델을 생성할 수 있다.

이상으로 본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 판단되어야 할 것이다.

100 : 질병진단장치 110 : 통신 인터페이스부
120 : 데이터 인터페이스부 130 : 예측모델 생성부
131 : 데이터 전처리부 132 : 클러스터링부
133 : 학습데이터 생성부 134 : 학습데이터 확인부
135 : 학습데이터 정제부 136 : 학습부
140 : 예측부 141 : 쿼리 입력부
142 : 정상여부 진단부 143 : 병변 추정부
144 : 결과 출력부 150 : 치료프로그램 제공부
200 : 의료정보 제공기관 300 : 의사 단말
400 : 사용자 단말 500 : 데이터베이스
510 : 의료정보 데이터베이스 520 : 학습데이터 데이터베이스
530 : 예측모델 데이터베이스 540 : 회원정보 데이터베이스

Claims (14)

1. 복수의 의료정보를 토대로 기계학습을 수행하여 예측모델을 생성하는 예측모델 생성부; 및
   상기 생성한 예측모델에 특정 사용자의 의료정보를 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 예측부;를 포함하고,
   상기 예측모델 생성부는,
   상기 복수의 의료정보에서 특징값을 추출하고 상기 추출한 특징값을 각각의 질병이나 질환별 패턴에 따라 클러스터링하는 클러스터링부;
   상기 클러스터링 결과를 토대로 초기 학습데이터를 생성하는 학습데이터 생성부;
   상기 생성한 초기 학습데이터를 의사 단말로 전송하여 병변포함 여부, 질병이나 질환과 관련 없는 가비지 데이터 여부의 확인을 요청하는 학습데이터 확인부;
   상기 의사 단말로부터 전송받은 병변포함 여부, 질병이나 질환과 관련 없는 가비지 데이터 여부의 확인결과를 토대로 상기 초기 학습데이터 중 병변이 포함된 초기 학습데이터만을 최종 학습데이터로 정제하는 학습데이터 정제부; 및
   상기 정제한 최종 학습데이터를 기계학습하여 예측모델을 생성하는 학습부;를 포함하여, 모듈화된 강화학습을 수행하는 것이며,
   상기 모듈화된 강화학습을 수행하는 것은, 의료영상, 병력, 건강수치, 가족력, 성별, 인종 또는 이들의 조합을 포함하는 의료정보를 기반으로 학습을 수행하고, 상기 학습을 통해 생성한 초기 학습데이터를 의사의 의견을 반영하여 정제하고, 상기 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 학습데이터를 최대한 확보하여 기계학습이 이루어지도록 하여, 상기 생성한 예측모델의 예측 성능을 향상시키는 것을 특징으로 하는 질병진단장치.
2. 청구항 1에 있어서,
   상기 의료영상은,
   X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography) 또는 광이나 자기를 이용한 진단기기를 통해 획득한 신체부위에 관련된 정보인 것을 특징으로 하는 질병진단장치.
3. 삭제
4. 청구항 1에 있어서,
   상기 예측모델 생성부는,
   의료정보 제공기관으로부터 수집한 의료정보를 자체 포맷으로 변환하여 데이터베이스에 압축, 저장하는 데이터 전처리부;를 더 포함하는 것을 특징으로 하는 질병진단장치.
5. 청구항 1에 있어서,
   상기 예측부는,
   네트워크를 통해 사용자 단말로부터 특정 사용자의 의료정보를 전송받아 쿼리로 입력하는 쿼리 입력부;
   상기 쿼리로 입력된 특정 의료정보로부터 특징값을 추출한 다음 상기 특징값을 토대로 상기 사용자의 현재의 상태를 진단하여 질병이나 질환이 있는지의 여부를 확인하는 정상여부 진단부;
   상기 쿼리로 입력된 특정 의료정보와 유사한 조건의 의료정보들을 클러스터링한 다음 상기 클러스터링한 의료정보들에 대한 시계열적인 변화에 대한 정보로부터 질병의 변화를 추출하여 특정 사용자의 미래질병을 예측하는 병변 추정부; 및
   상기 정상여부 진단부에서 확인한 현재 상태의 진단결과와 상기 병변 추정부에서 추정한 미래질병 예측정보를 상기 사용자 단말로 제공하는 결과 출력부;를 포함하는 것을 특징으로 하는 질병진단장치.
6. 청구항 1에 있어서,
   상기 질병진단장치는,
   특정 사용자의 의료정보를 상기 예측모델에 적용하여 예측한 미래질병 예측정보를 토대로 현재의 질병상태 및 향후 미래질병상태 추이에 관련된 식이요법, 운동방법 또는 이들의 조합을 포함한 치료정보 프로그램을 해당 사용자 단말로 제공하는 치료프로그램 제공부;를 더 포함하는 것을 특징으로 하는 질병진단장치.
7. 청구항 1에 있어서,
   상기 예측모델 생성부는,
   상기 최종 학습데이터의 형태 및 종류를 참조하여, 병변위치나 존재여부의 확인을 위한 이미지 위주의 의료정보가 최종 학습데이터로 사용되는 경우에는 CNN(Convolutional Neural Network)의 기계학습 기법을 적용하고, 시계열적으로 변환하는 정보를 이용하여 질병이나 질환의 미래예측을 위한 텍스트 위주의 의료정보가 최종 학습데이터로 사용되는 경우에는 MNN(Multi-layer Neural Network) 또는 RNN(Recurrent Neural Network)의 기계학습 기법을 적용하여 예측모델을 생성하는 것을 특징으로 하는 질병진단장치.
8. 질병진단장치에서 복수의 의료정보를 토대로 기계학습을 수행하여 예측모델을 생성하는 예측모델 생성 단계; 및
   상기 생성한 예측모델에 특정 사용자의 의료정보를 입력하여 현재의 상태를 진단하고 질병의 미래상태를 예측하는 예측 단계;를 포함하고,
   상기 예측모델 생성 단계는,
   상기 질병진단장치에서 상기 복수의 의료정보에서 특징값을 추출하고 상기 추출한 특징값을 각각의 질병이나 질환별 패턴에 따라 클러스터링하는 클러스터링 단계;
   상기 클러스터링 결과를 토대로 초기 학습데이터를 생성하는 학습데이터 생성 단계;
   상기 생성한 초기 학습데이터를 의사 단말로 전송하여 병변포함 여부, 질병이나 질환과 관련 없는 가비지 데이터 여부의 확인을 요청하는 학습데이터 확인 단계;
   상기 의사 단말로부터 전송받은 병변포함 여부, 질병이나 질환과 관련 없는 가비지 데이터 여부의 확인결과를 토대로 상기 초기 학습데이터 중 병변이 포함된 초기 학습데이터만을 최종 학습데이터로 정제하는 학습데이터 정제 단계; 및
   상기 정제한 최종 학습데이터를 기계학습하여 예측모델을 생성하는 학습 단계;를 포함하여, 모듈화된 강화학습을 수행하는 것이며,
   상기 모듈화된 강화학습을 수행하는 것은, 의료영상, 병력, 건강수치, 가족력, 성별, 인종 또는 이들의 조합을 포함하는 의료정보를 기반으로 학습을 수행하고, 상기 학습을 통해 생성한 초기 학습데이터를 의사의 의견을 반영하여 정제하고, 상기 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 학습데이터를 최대한 확보하여 기계학습이 이루어지도록 하여, 상기 생성한 예측모델의 예측 성능을 향상시키는 것을 특징으로 하는 질병 진단 방법.
9. 청구항 8에 있어서,
   상기 의료영상은,
   X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography) 또는 광이나 자기를 이용한 진단기기를 통해 획득한 신체부위에 관련된 정보인 것을 특징으로 하는 질병 진단 방법.
10. 삭제
11. 청구항 8에 있어서,
    상기 예측모델 생성 단계는,
    상기 질병진단장치에서 의료정보 제공기관으로부터 수집한 의료정보를 자체 포맷으로 변환하여 데이터베이스에 압축, 저장하는 데이터 전처리 단계;를 더 포함하는 것을 특징으로 하는 질병 진단 방법.
12. 청구항 8에 있어서,
    상기 예측 단계는,
    상기 질병진단장치에서 네트워크를 통해 사용자 단말로부터 특정 사용자의 의료정보를 전송받아 쿼리로 입력하는 쿼리 입력 단계;
    상기 쿼리로 입력된 특정 의료정보로부터 특징값을 추출한 다음 상기 특징값을 토대로 상기 사용자의 현재의 상태를 진단하여 질병이나 질환이 있는지의 여부를 확인하는 정상여부 진단 단계;
    상기 쿼리로 입력된 특정 의료정보와 유사한 조건의 의료정보들을 클러스터링한 다음 상기 클러스터링한 의료정보들에 대한 시계열적인 변화에 대한 정보로부터 질병의 변화를 추출하여 특정 사용자의 미래질병을 예측하는 병변 추정 단계; 및
    상기 정상여부 진단 단계에서 확인한 현재 상태의 진단결과와 상기 병변 추정 단계에서 추정한 미래질병 예측정보를 상기 사용자 단말로 제공하는 결과 출력단계;를 포함하는 것을 특징으로 하는 질병 진단 방법.
13. 청구항 8에 있어서,
    상기 질병 진단 방법은,
    상기 질병진단장치에서 특정 사용자의 의료정보를 상기 예측모델에 적용하여 예측한 미래질병 예측정보를 토대로 현재의 질병상태 및 향후 미래질병상태 추이에 관련된 식이요법, 운동방법 또는 이들의 조합을 포함한 치료정보 프로그램을 해당 사용자 단말로 제공하는 치료프로그램 제공 단계;를 더 포함하는 것을 특징으로 하는 질병 진단 방법.
14. 청구항 8에 있어서,
    상기 예측모델 생성 단계는,
    상기 최종 학습데이터의 형태 및 종류를 참조하여, 병변위치나 존재여부의 확인을 위한 이미지 위주의 의료정보가 최종 학습데이터로 사용되는 경우에는 CNN의 기계학습 기법을 적용하고, 시계열적으로 변환하는 정보를 이용하여 질병이나 질환의 미래예측을 위한 텍스트 위주의 의료정보가 최종 학습데이터로 사용되는 경우에는 MNN 또는 RNN의 기계학습 기법을 적용하여 예측모델을 생성하는 것을 특징으로 하는 질병 진단 방법.

Images