KR101946407B1 - 방사선 치료 예측 방법 및 장치 - Google Patents

방사선 치료 예측 방법 및 장치 Download PDF

Info

Publication number
KR101946407B1
KR101946407B1 KR1020170133281A KR20170133281A KR101946407B1 KR 101946407 B1 KR101946407 B1 KR 101946407B1 KR 1020170133281 A KR1020170133281 A KR 1020170133281A KR 20170133281 A KR20170133281 A KR 20170133281A KR 101946407 B1 KR101946407 B1 KR 101946407B1
Authority
KR
South Korea
Prior art keywords
information
data mining
toxicity
input
user terminal
Prior art date
Application number
KR1020170133281A
Other languages
English (en)
Inventor
이석
Original Assignee
고려대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교산학협력단 filed Critical 고려대학교산학협력단
Priority to KR1020170133281A priority Critical patent/KR101946407B1/ko
Application granted granted Critical
Publication of KR101946407B1 publication Critical patent/KR101946407B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

본 발명은 방사선 치료 예측 방법 및 장치에 관한 것으로, 이는 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 사용자 단말에 입력되는 단계; 상기 입력된 입력정보가 상기 사용자 단말과 네트워크 연결된 서버에 전송되는 단계; 상기 입력정보에 따라 상기 서버가 복수의 문헌정보로부터 데이터마이닝을 하는 단계; 상기 데이터마이닝한 정보가 출력정보로서 상기 사용자 단말로 전송하는 단계를 포함할 수 있다.

Description

방사선 치료 예측 방법 및 장치{Method and apparatus for prediction of radiation therapeutic effect}
본 발명은 방사선 치료 예측 방법 및 장치에 관한 것으로, 보다 상세하게는 질환, 치료 방법, 환자 정보 등을 입력함에 따라 적합한 방사선 치료 정보를 제공해줄 수 있는 방사선 치료 예측 방법 및 장치에 관한 것이다.
환자의 신체 내 존재하는 악성 또는 양성 종양을 치료하는 방법으로서, 수술, 항암치료 및 방사선 치료가 존재한다. 이 중에서도 방사선 치료는, 환자의 신체 외부에서 각종 장비를 이용하여 파장이 매우 짧고 높은 에너지를 갖는 방사선을 종양에 조사하여 제거하는 치료 방법을 말한다.
이처럼 환자의 종양조직으로 방사선을 조사하기 전에, 환자의 현재 신체 조
직 내 존재하는 종양의 크기, 위치 등을 고려하여 방사선의 조사 위치 및 조사량을 결정하는 등의 정밀한 방사선 치료 계획이 요구된다. 방사선 치료에 필요한 고려대상이 다양함에 따라 방사선 치료 계획 또한 고려 대상별로 다양하게 존재한다.
종래의 의료 현장에서 다양한 방사선 치료 계획은 어느 방사선 치료 계획이 환자에게 있어 가장 효과적인지 알기 어려워 정확하고 신속한 치료가 진행되지 않고, 치료가 장기화되는 문제점이 발생하였으며, 이러한 방사선 치료 계획의 적정성 여부 또한 전적으로 의료진의 경험과 일부 기록의 열람에 의존하였다.
또한 방사선 치료 자체가 단독으로 종양 치료에 사용되기도 하나, 일반적으로는 다양한 화학적 치료 또는 수술적 치료와 병용 사용되는 상황이나, 다양한 치료방법과 결합된 방사선 치료의 효과, 독성, 적절한 선량 계산은 사실상 매우 어려운 작업이었다.
이러한 문제를 해결하고자 대한민국 공개특허 제10-2015-0072763호는 선량-체적 히스토그램을 활용하여 방사선 치료 계획을 추천하는 기술에 관하여 소개하고 있으나, 부작용, 다양한 치료방법과 결합된 방사선 치료효과 예측 등은 제안하고 있지 않은 상황이다.
따라서, 본 발명이 해결하고자 하는 과제는 인공지능 기법을 통하여 방사선 치료에 대한 정확한 정보를 의료진에게 제공할 수 있는 방법과 시스템을 제공하는데 있다.
상기의 과제를 해결하기 위한 본 발명의 일 실시예에 따르면, 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 사용자 단말에 입력되는 단계; 상기 입력된 입력정보가 상기 사용자 단말과 네트워크 연결된 서버에 전송되는 단계; 상기 입력정보에 따라 상기 서버가 복수의 문헌정보로부터 데이터마이닝을 하는 단계; 상기 데이터마이닝한 정보가 출력정보로서 상기 사용자 단말로 전송하는 단계를 포함하는 것을 특징으로 하는 방사선 치료 예측 방법을 제공한다.
상기 방사선 치료 예측 방법은, 사용자가 원하는 출력정보가 상기 사용자 단말에서 선택되어 상기 서버로 전송되는 단계를 더 포함하며, 상기 데이터마이닝은 상기 선택된 출력정보를 기준으로 수행되는 것을 특징으로 한다.
또한, 상기 치료 방법은 방사선 치료가 아닌 다른 치료 방법을 포함하는 것을 특징으로 한다.
상기 데이터마이닝된 출력 정보는 상기 서버의 데이터베이스로 저장되는 것을 특징으로 한다.
상기의 과제를 해결하기 위한 본 발명의 다른 실시예에 따르면, 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 입력되는 사용자 단말; 복수의 문헌정보를 포함하는 임상데이터베이스부; 상기 임상데이터베이스부에 저장된 복수의 문헌정보로부터, 상기 사용자 단말에 입력된 입력정보를 기준으로 데이터마이닝을 하는 데이터마이닝부; 상기 데이터마이닝된 정보를 인공지능 기법으로 분석하여 분석된 결과를 출력정보로 제공하는 인공지능모듈을 포함하는 것을 특징으로 하는 방사선 치료 예측 시스템을 제공한다.
상기 방사선 치료 예측 시스템은, 독성 등급 판단 기준, 예후 인자, 선량 제한 범위를 포함하는 기준정보를 포함하는 기준데이터베이스를 포함하며, 상기 인공지능모듈은 상기 데이터마이닝된 정보를 상기 기준데이터베이스의 기준정보와 매칭하여 이를 출력정보로 제공하는 것을 특징으로 한다.
상기 인공지능모듈은 상기 데이터마이닝된 정보를 학습하여 이를 상기 기준데이터베이스에 반영하는 것을 특징으로 한다.
상기 입력정보는 사용자가 원하는 출력정보의 종류를 더 포함하며, 상기 데이터마이닝부는 상기 출력정보의 종류를 기준으로 데이터마이닝을 하는 것을 특징으로 한다.
본 발명에 따르면, 환자의 임상정보와 의료진이 알고자 하는 정보가 입력정보로 입력됨에 따라 논문 또는 임상사례정보로부터 입력정보에 대응하는 정보가 데이터마이닝되고, 상기 데이터마이닝된 정보를 인공지능기법으로 분석하여 이를 의료진 등의 사용자에게 제공한다. 따라서, 종래의 의료진의 경험과 자료열람에만 의존하는 종래 기술에 비하여 보다 정확하고 빠른 진단 정보의 제공이 가능하다. 더 나아가, 입력정보에 의료진이 알고자 하는 정보를 포함시킴으로써 방사선 치료와 관련된 다양한 의학적 치료방법, 부작용 등의 정보의 학습이 가능하다.
도 1은 본 발명의 일 실시예에 따른 방사선 치료 예측 방법의 단계도이다.
도 2는 본 발명의 일 실시예에 따른 방사선 치료 예측 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 데이터마이닝 방법을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음에 유의한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서 전체에서, “~상에”라 함은 대상 부분의 위 또는 아래에 위치함을 의미하는 것이며, 반드시 중력 방향을 기준으로 상측에 위치하는 것을 의미하는 것은 아니다.
본 발명은 상술한 과제를 해결하기 위하여, 인공지능 기법을 이용하여 방사선 치료 예측방법과 시스템을 구현하고자 한다. 이를 위해서는 입력정보의 종류와 출력정보의 정의가 중요하다. 또한, 방사선 치료는 기존의 의료계에서 허용되는 기준치(상한, 하한)와 표준화된 등급 등을 사용하므로 이러한 정보의 활용 또한 매우 중요하다. 이를 위하여, 본 발명은 입력정보로부터 데이터마이닝된 정보를, 기계학습 등의 알고리즘으로 학습하고 의료진 등에게 제공하며, 이때 상술한 기준정보와 매칭하여 출력정보를 제공할 수 있다.
더 나아가, 학습된 정보를 다시 상술한 기준정보에 반영하여 이를 변경, 재활용하는 것도 가능한데, 이하 도면을 이용하여 본 발명을 보다 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 방사선 치료 예측 방법의 단계도이다.
도 1을 참조하면, 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 사용자 단말에 입력된다(S100).
이후, 상기 입력된 입력정보가 상기 사용자 단말과 네트워크 연결된 서버에 전송되는데(S200), 상기 전송된 입력정보를 기준으로 상기 서버의 데이터마이닝 기능을 수행하는 모듈이 기저장된 복수의 문헌정보로부터 데이터마이닝을 수행한다(S300). 이때, 문헌 정보는 논문, 잡지, 신문 등일 있으며, 필요한 경우 환자 사례 정보를 더 포함할 수도 있도록 한다.
이후, 상기 데이터마이닝한 정보가 출력정보로서 상기 사용자 단말로 전송하는데(S400), 본 발명의 일 실시예에서 상기 데이터마이닝되는 정보는 상기 환자의 임상정보에 해당하는 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH), 독성 등급, 의료진 등이 원하는 출력정보 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에서 상기 입력정보에 포함된 치료 방법은 방사선 치료가 아닌 다른 치료 방법을 포함할 수 있는데, 예를 들어 화학요법, 약물 등의 정보를 포함할 수 있으며, 이 경우, 타 치료방법과 결합된 방사선 치료요법의 독성, 효과 등의 정보가 의료진에게 선택적으로 제공될 수 있다.
본 발명의 일 실시예에서, 상기 데이터마이닝된 정보는 인공지능기법을 분석학습된 후, 상기 서버의 데이터베이스로 저장되어 다시 재활용될 수 있다. 예를 들어, 문헌 정보로 재활용되거나, 하기에 설명되는 기준정보의 업그레이드 기준으로 재활용될 수 있도록 한다.
도 2는 본 발명의 일 실시예에 따른 방사선 치료 예측 시스템의 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 방사선 치료 예측 시스템의 블록도는, 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 입력되는 사용자 단말(100); 복수의 문헌정보를 포함하는 임상데이터베이스부(200); 상기 임상데이터베이스부에 저장된 복수의 문헌정보로부터, 상기 사용자 단말에 입력된 입력정보를 기준으로 데이터마이닝하는 데이터마이닝부(300); 상기 데이터마이닝된 정보를 인공지능 기법으로 분석하여 분석된 결과를 출력정보로 제공하는 인공지능모듈(400)을 포함한다.
본 발명의 일 실시예에서 상기 임상데이터베이스부(200), 데이터마이닝부(300), 인공지능모듈(400)은 상기 사용자 단말과 통신할 수 있는 플랫폼 서버에 포함되며, 상기 방사선 치료 예측 시스템은, 독성 등급 판단 기준, 예후 인자, 선량 제한 범위 중 적어도 하나에 대한 정보를 가지는 기준정보를 포함하는 기준데이터베이스(500)를 더 포함한다.
본 발명의 일 실시예에서 상기 인공지능모듈(400)은 상기 데이터마이닝된 정보를 상기 기준데이터베이스(500)의 기준정보와 매칭하여 이를 출력정보로 제공한다.
본 발명의 일 실시예에서 상기 인공지능모듈은 상기 데이터마이닝된 정보를 학습하여 이를 상기 기준데이터베이스에 반영하며, 상기 입력정보는 사용자가 원하는 출력정보의 종류를 더 포함하며, 상기 데이터마이닝부는 상기 출력정보의 종류를 기준으로 데이터마이닝을 수행한다.
본 발명의 일 실시예에 따른 방사선 치료 예측 방법을 이용한 서비스 방법은 다음과 같다.
의료진은 해당 환자의 기본 정보(암 종류, 신체정보, 선량-체적 히스토그램)을 컴퓨터와 같은 사용자 단말에 입력을 한다. 또한 의료진은 본 발명에 따른 예측 방법을 통하여 알고 싶은 정보로 독성 등급(toxicity)을 선택한다.
상기 사용자 단말을 본 발명에 따른 방사선 치료 예측 방법을 제공하는 서버에 해당 정보를 전송하고 이에 따라 상기 서버는 데이터마이닝을 수행하여, 해당 입력정보에 대응하는 적어도 하나 이상의 문헌 정보 또는 사례 정보를 마이닝한다.
이후, 상기 서버의 인공지능부는 마이닝된 독성 수치를 상기 서버에 기저장된 기준정보(configuration data)에 포함된 독성 등급 판단 기준과 비교 분석하여 독성 등급을 판단하고, 이를 출력정보로 제공한다.
이때, 독성 등급은 발생 확률 기준으로 하나의 독성 등급만을 선택되어 안내될 수도 있으며, 독성 등급별 발생 확률 정보를 안내하는 방식으로 안내될 수도 있을 것이다. 또한, 독성 등급별로 부작용 발생 패턴에 대한 정보를 추가 안내할 수도 있도록 한다. 예를 들어, 독성 등급이 1인 경우에는 마른 기침이 나거나 호흡장애 (Dyspnea on exertion)가 발생하며, 독성 등급이 2인 경우에는 마약성 항염제가 필요한 기침 또는 쉬지 않는 호흡 곤란이 발생하며, 독성 등급이 3인 경우에는 마약성 항염제가 필요한 기침 또는 휴지기를 가지는 호흡 곤란이 발생함을 추가적으로 안내할 수 있다.
본 발명에서는 상기 의료진이 제공한 정보와 이에 따른 출력정보는 또 다른 머신러닝을 위한 데이터로 활용된다. 또한 본 발명에서는 상기 독성 등급이라는 출력 정보 생성에 가장 큰 영향을 준 문헌 또는 사례 정보를 파악한 후, 해당 문헌 또는 사례 정보의 내용을 상기 서버를 통하여 제공할 수 있다. 더하여, 데이터 제공을 효율을 높이기 위해, 독성 등급 출력 정보에 관련된 정보만을 발췌하여 선택적으로 제공하거나, 문헌 또는 사례 정보를 검색 및 열람할 수 있는 링크 정보(예를 들어, url 등)만을 제공할 수도 있도록 한다.
도 3은 본 발명의 일 실시예에 따른 데이터마이닝 방법을 설명하기 위한 도면이다.
문헌정보(예를 들어, PDF 문서)로부터 예후 인자들과 출력정보의 결과(예를 들어, 독성 등급 1, 2, 3, 4, 5)에 해당하는 텍스트를 추출하고(S310), 추출된 텍스트에 대한 형태소분석, 시맨틱 분석을 수행하여(S320), 유의미한 시맨틱 키워드(Age, V20, G1, G2, …)로 추출한다(S330). 그리고 추출된 시맨틱 키워드를 색인화하여 검색(조회)에 적합한 형태로 데이터베이스함으로써, 시맨트 데이터베이스를 구축한다(S340).
이후 조회 단계를 거치게 되는데, 예를 들어 치료법은 방사선이고 부작용이 폐렴인 경우, age, COPD, ILD, Pulmonary function, DVH, Tumor location 등을 입력값으로 입력받고(S350), 이를 기반으로 환자데이터를 분석하여 DVH (예: V20)을 구한다(S360). 그리고 S360를 통해 구해진 DVH를 선량 제한 인자와 비교(V20 <= 30%)하여 적합성을 조합하여 데이터마이닝된 정보를 제공한다.
이후 나이와 V20 등 범위에 드는 시맨트 데이터베이스를 조회하여 독성 등급을 파악하고, 이를 출력정보로써 사용자에게 제공한다. 출력 정보는 이미지, 텍스트 등과 같은 시각화 정보로 제공될 수 있는데, 이는 UI 개념에서 사용자가 직관적으로 독성 그레이드를 파악할 수 있게 함이며 그 방식은 다양한 방식이 될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (8)

  1. 방사선 치료 예측 방법에 관한 것으로,
    질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 사용자 단말에 입력되는 단계;
    상기 입력된 입력정보가 상기 사용자 단말과 네트워크 연결된 서버에 전송되는 단계;
    상기 입력정보에 따라 상기 서버가 복수의 문헌정보를 데이터마이닝하여 독성 수치를 획득하는 단계;
    상기 독성 수치를 기 저장된 독성 등급 판단 기준과 비교 분석하여, 가장 높은 발생 확률의 독성 등급, 독성 등급별 발생 확률 정보, 및 독성 등급별 부작용 발생 패턴 중 적어도 하나를 포함하는 정보를 획득하고 상기 사용자 단말로 전송하는 단계를 포함하는 것을 특징으로 하는 방사선 치료 예측 방법.
  2. 제 1항에 있어서, 상기 방사선 치료 예측 방법은,
    사용자가 원하는 출력정보가 상기 사용자 단말에서 선택되어 상기 서버로 전송되는 단계를 더 포함하며,
    상기 데이터마이닝은 상기 선택된 출력정보를 기준으로 수행되며,
    상기 출력정보는
    독성 등급 이외에 질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogra DVH) 및 의료진 요청 정보 중 적어도 하나를 더 포함할 수 있는 것을 특징으로 하는 방사선 치료 예측 방법.
  3. 제 1항에 있어서,
    상기 치료 방법은 방사선 치료가 아닌 다른 치료 방법을 포함하는 것을 특징으로 하는 방사선 치료 예측 방법.
  4. 제 1항에 있어서,
    상기 데이터마이닝된 출력 정보는 상기 서버의 데이터베이스로 저장되는 것을 특징으로 하는 방사선 치료 예측 방법.
  5. 방사선 치료 예측 시스템으로서,
    질환 종류, 환자 정보, 치료 방법, 선량-체적 히스토그램(dose volume histogram, DVH) 중 적어도 어느 하나가 입력정보로서 입력되는 사용자 단말;
    복수의 문헌정보를 포함하는 임상데이터베이스부;
    상기 임상데이터베이스부에 저장된 복수의 문헌정보로부터, 상기 사용자 단말에 입력된 입력정보를 기준으로 데이터마이닝하여 독성 수치를 획득하는 데이터마이닝부;
    상기 독성 수치를 기 저장된 독성 등급 판단 기준과 비교 분석하여, 가장 높은 발생 확률의 독성 등급, 독성 등급별 발생 확률 정보, 및 독성 등급별 부작용 발생 패턴 중 적어도 하나를 포함하는 정보를 획득하고
    상기 데이터마이닝된 정보를 인공지능 기법으로 분석하여 분석된 결과를 출력정보로 제공하는 인공지능모듈을 포함하는 것을 특징으로 하는 방사선 치료 예측 시스템.
  6. 제 5항에 있어서, 상기 방사선 치료 예측 시스템은,
    독성 등급 판단 기준, 예후 인자, 선량 제한 범위를 포함하는 기준정보를 포함하는 기준데이터베이스를 포함하며,
    상기 인공지능모듈은 상기 데이터마이닝된 정보를 상기 기준데이터베이스의 기준정보와 매칭하여 이를 출력정보로 제공하는 것을 특징으로 하는 방사선 치료 예측 시스템.
  7. 제 6항에 있어서,
    상기 인공지능모듈은 상기 데이터마이닝된 정보를 학습하여 이를 상기 기준데이터베이스에 반영하는 것을 특징으로 하는 방사선 치료 예측 시스템.
  8. 제 5항에 있어서,
    상기 입력정보는 사용자가 원하는 출력정보의 종류를 더 포함하며, 상기 데이터마이닝부는 상기 출력정보의 종류를 기준으로 데이터마이닝을 하는 것을 특징으로 하는 방사선 치료 예측 시스템.
KR1020170133281A 2017-10-13 2017-10-13 방사선 치료 예측 방법 및 장치 KR101946407B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170133281A KR101946407B1 (ko) 2017-10-13 2017-10-13 방사선 치료 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170133281A KR101946407B1 (ko) 2017-10-13 2017-10-13 방사선 치료 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101946407B1 true KR101946407B1 (ko) 2019-02-11

Family

ID=65370328

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170133281A KR101946407B1 (ko) 2017-10-13 2017-10-13 방사선 치료 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101946407B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009533782A (ja) * 2006-04-17 2009-09-17 シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド 医療計画における個人的予後モデル化
JP2016018321A (ja) * 2014-07-07 2016-02-01 株式会社日立製作所 薬効分析システム及び薬効分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009533782A (ja) * 2006-04-17 2009-09-17 シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド 医療計画における個人的予後モデル化
JP2016018321A (ja) * 2014-07-07 2016-02-01 株式会社日立製作所 薬効分析システム及び薬効分析方法

Similar Documents

Publication Publication Date Title
Adachi et al. Multi‐institutional dose‐segmented dosiomic analysis for predicting radiation pneumonitis after lung stereotactic body radiation therapy
US20180043182A1 (en) Systems and methods for automated radiation treatment planning with decision support
Tari et al. Systematic drug repurposing through text mining
KR101947725B1 (ko) 암 치료 예측결과 제공 방법 및 시스템
Xing et al. A feasibility study on deep learning‐based radiotherapy dose calculation
Lin et al. A super-learner model for tumor motion prediction and management in radiation therapy: development and feasibility evaluation
Schreibmann et al. Prior‐knowledge treatment planning for volumetric Arc therapy using feature‐based database mining
Taasti et al. Automating proton treatment planning with beam angle selection using Bayesian optimization
Thompson et al. Artificial intelligence in radiation oncology imaging
Chao et al. Exploratory analysis using machine learning to predict for chest wall pain in patients with stage I non‐small‐cell lung cancer treated with stereotactic body radiation therapy
Qilin et al. The feasibility study on the generalization of deep learning dose prediction model for volumetric modulated arc therapy of cervical cancer
Wang et al. Patient feature based dosimetric Pareto front prediction in esophageal cancer radiotherapy
US20140378736A1 (en) Methods, systems and computer readable storage media storing instructions for generating a radiation therapy treatment plan
KR101946407B1 (ko) 방사선 치료 예측 방법 및 장치
Alitto et al. PRODIGE: PRediction models in prOstate cancer for personalized meDIcine challenGE
Zhou et al. SU‐F‐R‐46: Predicting Distant Failure in Lung SBRT Using Multi‐Objective Radiomics Model
Chiesa et al. A new standardized data collection system for brain stereotactic external radiotherapy: the PRE. MISE project
KR101963605B1 (ko) 의료진 의사 결정 지원 방법 및 시스템
Sandström Contouring & planning variability in stereotactic radiosurgery: How to assess and address the weakest link in stereotactic radiosurgery?
Wang et al. TU‐C‐17A‐10: Patient Features Based Dosimetric Pareto Front Prediction In Esophagus Cancer Radiotherapy
Momoh et al. Exploring the Prospect of Enhancing Cancer Radiotherapy in Hospitals and Health Care Centers in Nigeria Through Artificial Intelligence: A Promising Frontier
Shen et al. SU‐F‐J‐141: Real‐Time Position Management (RPM) System as a Valuable Tool to Predict Tumor Position Deviation in SBRT Lung and Liver Patients with Breath Hold Using Active Breathing Coordinator (ABC)
Krafft et al. TU‐CD‐BRB‐01: Normal Lung CT Texture Features Improve Predictive Models for Radiation Pneumonitis
Cui et al. Development of automated region of interest selection algorithms for surface‐guided radiation therapy of breast cancer
Cheng et al. SU‐E‐T‐170: Characterization of the Location, Extent, and Proximity to Critical Structures of Target Volumes Provides Detail for Improved Outcome Predictions Among Pancreatic Cancer Patients

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant