KR102043236B1 - 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법 및 그 방법을 구현하기 위한 시스템 - Google Patents

Abstract

본 발명의 일 실시 예는, 복수의 뇌전증환자(epilepsy patient)의 수술결과에 대한 결과데이터를 저장하고 있는 결과데이터베이스로부터 상기 결과데이터를 수신하는 결과데이터수신단계, 상기 수신된 결과데이터를 기초로 하여 상기 복수의 뇌전증환자를 제1그룹 및 제2그룹으로 분류하는 그룹분류단계, 복수의 진단방법 및 상기 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자의 생체 데이터를 수술 또는 치료 후 예후와의 관련성에 따라서 분류하는 과정을 반복하는 방식으로 최적의 분류 분석(discriminative analysis)가 가능한 역치값을 찾고, 상기 반복한 결과를 기초로 상기 복수의 진단방법 및 상기 역치값 중에서 임시진단방법 및 상기 임시진단방법에 대한 역치값을 결정하는 임시결정단계; 및 상기 결정된 임시진단방법 및 상기 임시진단방법의 역치값을 기초로 상기 제2그룹에 속한 뇌전증환자의 생체데이터를 재분석하여 상기 제2그룹에서 수술 또는 치료 후 예후군이 미리 설정된 분류기준을 초과하여 분류되었는지 파악되면, 상기 임시진단방법 및 상기 임시진단방법의 역치값을 출력하는 최종출력단계;를 포함하는 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료 후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법을 개시한다.

Description

수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법 및 그 방법을 구현하기 위한 시스템 {Automatic diagnostic method which classifies signals from multiple patients pathologically or physiologically based on surgical or treatment outcome and system thereof}

본 발명은 수술결과데이터를 기초로 복수의 환자를 전문가의 수작업에 의한 표지 없이 생체신호데이터 중 치료결과데이터와의 관련성에 따라 신호를 자동으로 분류하기 위한 방법 및 그 방법을 구현하기 위한 시스템에 관한 발명으로서, 보다 구체적으로는, 전문가의 직관적인 분석에 기반하지 않고 예후로 라벨링된 수술결과데이터로부터 생체신호 데이터를 분류하기 위한 방법 및 그 방법을 통해 생체 신호데이터의 분류에 가장 적합한 역치값 혹은 데이터 특성을 파악해내기 위한 방법 및 그 방법을 구현하기 위한 시스템에 관한 것이다.

기계학습알고리즘은 학습방법에 따라 지도학습(supervised learning)과 자율학습(unsupervised learning)으로 나뉠 수 있다. 지도학습은 데이터의 최적화를 위해서 라벨링된 데이터(labeled data)가 사용되고, 자율학습은 라벨링이 되지 않은 데이터가 사용되는 점에서 양 자는 구분된다.

기존의 뇌파분석 등 전기생리학적 신호의 자동분석을 위해 기계학습알고리즘을 활용할 때에 있어서, 지도학습의 경우, 라벨링된 전기생리학적 데이터를 그 분야의 전문가가 판단한 결과를 기초로 하여 필요한 결과를 도출해왔기에, 데이터의 양이 방대해지면 방대해질수록 전문가의 판단을 기초로 하는 방법은 시간과 비용이 많이 소모될 뿐만 아니라, 전문가의 역량에 따라 정확도가 일정하지 못한 문제점이 존재했다. 기존의 방법에 따르면, 전문가가 뇌파 등에서 병적 활동과 병적이지 않은 활동들을 직접 표지함으로서 기계 학습(machine learning)을 지도학습시키기 위한 데이터를 제공해 왔다.

보다 구체적으로, 기존에는 수술 후 예후와 관련된 수술결과데이터가 수집되면, 분석방법(또는 진단방법)과 그 분석방법에서 적용할 탐지역치(detection threshold)를 의학전문가가 직접 지정하여, 그 지정된 분석방법 및 탐지역치에 따라 수술결과데이터를 분석했으므로, 전문가의 판단에 지나치게 의존적이었다. 특히, 위와 같은 방법에 의하면, 전적으로 전문가의 소견에 의해서만 데이터를 분석하기 위한 진단방법이 결정되기 때문에 전문가의 소견보다 더 정확성이 높은 방법의 개발이 원천적으로 불가능하다는 점도 문제점으로 지적되어 왔다.

수술결과 또는 치료결과에 대한 데이터가 전문가에 의해 라벨링된 데이터(expert labeled data)가 된 이후에 기계학습알고리즘 등을 적용하여 분석하는 것이 아닌, 순수임상결과에 기반한 지도학습(outcome-based supervised learning without human intervention)을 통한 데이터 분석방법이 개발된다면, 전문가의 오판에 의한 잘못된 진단을 방지할 수 있을 뿐만 아니라, 관련 데이터가 축적되면 축적될수록 더 정확도가 높은 분석방법의 개발이 가능하게 될 것이다.

대한민국 등록특허 제10-0794516호 (2008.01.08 공개)

본 발명이 해결하고자 하는 기술적 과제는, 수술이나 치료 후 예후로 라벨링된 수술결과데이터를 전문가의 직관적인 의견을 배제하고 수작업에 의한 직접적인 생체데이터의 라벨링 없이 자동으로 분석하여, 전기생리학적 데이터, 두개강 내 뇌파 등의 생체 데이터를 치료 후 예후와의 관련성에 따라 특성별로 의미있게 분류할 수 있는 진단방법을 찾기 위한 방법 및 그 방법을 구현하기 위한 시스템을 제공하는 데에 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 방법은, 복수의 뇌전증환자(epilepsy patient)의 수술결과에 대한 결과데이터를 저장하고 있는 결과데이터베이스로부터 상기 결과데이터를 수신하는 결과데이터수신단계; 상기 수신된 결과데이터를 기초로 하여 상기 복수의 뇌전증환자를 제1그룹 및 제2그룹으로 분류하는 그룹분류단계; 복수의 진단방법 및 상기 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자의 생체 데이터를 수술 또는 치료 후 예후와의 관련성에 따라서 분류하는 과정을 반복하는 방식으로 최적의 분류 분석(discriminative analysis)가 가능한 역치값을 찾고, 상기 반복한 결과를 기초로 상기 복수의 진단방법 및 상기 역치값 중에서 임시진단방법 및 상기 임시진단방법에 대한 역치값을 결정하는 임시결정단계; 및 상기 결정된 임시진단방법 및 상기 임시진단방법의 역치값을 기초로 상기 제2그룹에 속한 뇌전증환자의 생체데이터를 재분석하여 상기 제2그룹에서 수술 또는 치료 후 예후군이 미리 설정된 분류기준을 초과하여 분류되었는지 파악되면, 상기 임시진단방법 및 상기 임시진단방법의 역치값을 출력하는 최종출력단계;를 포함한다.

상기 기술적 과제를 해결하기 위한 본 발명의 다른 일 실시 예에 따른 시스템은, 복수의 뇌전증환자(epilepsy patient)의 수술결과에 대한 결과데이터를 저장하고 있는 결과데이터베이스; 상기 결과데이터베이스로부터 상기 결과데이터를 수신하는 결과데이터수신부; 상기 수신된 결과데이터를 기초로 하여 상기 복수의 뇌전증환자를 제1그룹 및 제2그룹으로 분류하는 그룹분류부; 복수의 진단방법 및 상기 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자의 생체 데이터를 수술 또는 치료 후 예후와의 관련성에 따라서 분류하는 과정을 반복하는 방식으로 최적의 분류 분석(discriminative analysis)가 가능한 역치값을 찾고, 상기 반복한 결과를 기초로 상기 복수의 진단방법 및 상기 역치값 중에서 임시진단방법 및 상기 임시진단방법에 대한 역치값을 결정하는 임시결정부; 및 상기 결정된 임시진단방법 및 상기 임시진단방법의 역치값을 기초로 상기 제2그룹에 속한 뇌전증환자의 생체데이터를 재분석하여 상기 제2그룹에서 수술 또는 치료 후 예후군이 미리 설정된 분류기준을 초과하여 분류되었는지 파악되면, 상기 임시진단방법 및 상기 임시진단방법의 역치값을 출력하는 최종출력부를 포함한다.

본 발명의 일 실시 예는, 위와 같은 방법을 실행시키기 위한 프로그램을 저장하고 있는 기록매체를 제공한다.

본 발명에 따르면, 전문가의 오판에 의한 잘못된 진단을 방지할 수 있을 뿐만 아니라, 전문가의 수작업에 의한 라벨링에 의한 시간 소요와 비용을 절약할 수 있게 된다.

또한, 본 발명에 따르면, 전문가의 의견에 의존하지 않으면서 생체 데이터 분석을 위한 신호처리 및 머신러닝 알고리즘을 훈련시킬 수 있기 때문에 전문가에 의한 생체데이터의 분류보다 이론적으로 더 치료 후 예후와 상관성이 높은 분석 방법을 도출할 수 있게 된다(도 12).

본 방법은 머신 러닝 알고리즘 자체라기 보다는 신호탐지 프로그램 혹은 머신 러닝을 훈련시키는 방법으로서 다양한 종류의 신호탐지, 머신러닝 알고리즘과 결합되어 사용될 수 있으며, 관련 데이터가 축적되면 축적될수록 축적된 데이터를 통해 더 정확도가 높은 분석방법의 개발이 가능하게 되는 이점이 있다.

도 1은 본 발명에 따른 시스템의 일 예의 블록도를 도시한 도면이다.
도 2는 그룹분류부가 복수의 뇌전증환자들을 제1그룹 및 제2그룹으로 분류하고 임시결정부가 임시진단방법 및 역치값을 결정하는 과정을 설명하기 위한 도면이다.
도 3은 임시결정부가 유전적알고리즘을 반복적으로 수행하는 과정의 일 예를 도식적으로 나타낸 도면이다.
도 4는 임시결정부가 유전적알고리즘을 반복적으로 수행하는 과정의 다른 일 예를 도식적으로 나타낸 도면이다.
도 5는 임시결정부가 유전적알고리즘을 반복적으로 수행하는 과정의 또 다른 일 예를 도식적으로 나타낸 도면이다.
도 6은 임시결정부에서 결정된 진단방법 및 역치값조합에 따라 최종출력부(190)가 제2그룹에 속한 뇌전증환자를 제3환자 또는 제4환자로 분류하는 과정을 설명하기 위한 도면이다.
도 7은 최종출력부가 산출하는 절제율차이를 도식적으로 나타낸 도면이다.
도 8은 최적화 후 뇌전증환자의 두정엽(parietal lobe)에서 탐지된 뇌파활동의 스펙트로그램(spectrogram)과 두개강내 뇌파 웨이브폼(waveform)에서의 특정주파수의 탐지하는 예를 도식적으로 나타낸 도면이다.
도 9는 최적화 후 뇌전증환자의 전두엽(frontal lobe)에서 탐지된 뇌파활동의 스펙트로그램과 두개강내 뇌파 웨이브폼에서의 특정주파수의 탐지하는 예를 도식적으로 나타낸 도면이다.
도 10은 두개강내 뇌파기록채널의 위치와 절제영역의 관계를 도식적으로 나타낸 도면이다.
도 11은 본 발명에 따른 복수의 환자의 생체데이터를 분류하기 위한 방법을 찾는 방법의 일 예의 흐름도를 도시한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

이하의 실시 예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 즉, 두 개의 환자군이 아니라 다수의 환자 예후군과 다수의 생체데이터 신호의 분류에 사용될 수 있다.

이하의 실시 예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시 예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징을 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

어떤 실시 예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

도 1은 본 발명에 따른 시스템의 일 예의 블록도를 도시한 도면이다.

도 1을 참조하면, 본 발명에 따른 수술결과데이터를 기초로 복수의 환자의 생체데이터를 분류하기 위한 진단방법을 찾는 시스템(100)은 결과데이터베이스(110), 결과데이터수신부(130), 그룹분류부(150), 임시결정부(170) 및 최종출력부(190)를 포함한다는 것을 알 수 있다.

결과데이터베이스(110)는 복수의 뇌전증환자(epilepsy patients)의 수술결과에 대한 결과데이터를 저장하고 있다. 보다 구체적으로, 결과데이터는 미리 정해진 주파수에 대한 뇌파의 세기, 뇌파의 지속시간, 단위시간당 뇌파의 개수, 뇌파를 측정하기 위해서 두뇌에 전극이 꽂혀있는 위치 및 그 위치의 수술에 의한 절제 여부 등 생체데이터, 치료데이터 및 치료 후 예후 데이터를 모두 포함하는 데이터를 의미한다.

본 발명에서 사용되는 데이터는 전문가에 의해 라벨링된 데이터(expert labeled data)가 아니라, 뇌전증환자에 대해서 수술 또는 수술에 준하는 수술적 치료를 수행한 후에 획득되는 수술 후 예후데이터(prognosis outcome data)만을 기초로 하여 사람의 개입없이 데이터특성에 따라 라벨링된 데이터(outcome labeled data)이므로, 위와 같이 라벨링된 데이터에 대해서 후술하는 방법론을 적용하면, 두개강 내 뇌파에 대한 전문가의 병적 및 생리적 활동에 대한 선입관에 영향을 받지 않고, 수술의 성공여부에 따라 뇌전증환자를 정확하게 분류하고, 뇌전증환자의 뇌파를 통해서 뇌전증환자의 두뇌에서 어떤 부분을 절제해야 수술 후 예후가 더 좋은지에 대한 판단을 하기 위한 데이터를 얻을 수 있는 장점이 있다.

환자번호	나이	성별	MRI결과	절제	병리학적판단	발작결과
1	31	여성	No lesion	LT	FCD Ib	1
2	27	남성	No lesion	RFP	None	4
3	22	여성	No lesion	LFP	None	1
4	25	여성	Insula T2HSI	RT	Pilocytic astrocytoma, FCD I	3
5	23	남성	No lesion	LP	None	4
6	30	남성	No lesion	LF	FCD IA	4
7	34	남성	No lesion	LP	None	4
8	30	남성	No lesion, previous tissue defect	RP	FCD IIId	3
9	36	여성	No lesion	RP	FCD Ia	3
10	36	남성	Subependymal nodule	RP	FCD IIb	2
11	40	남성	No lesion	RF	FCD I	1
12	18	남성	Arachnoid cyst, left middle fossa	LT	FCD Ib	4
13	28	여성	No lesion	RF	FCD Ia	4
14	15	여성	No lesion	LF	None	1
15	25	남성	No lesion	Callosotomy +RF	FCD Ia	1
16	27	남성	No lesion	LO	FCD Ia	1
17	30	남성	RF and cerebellar CM	RTO	FCD IIId	3
18	25	남성	No lesion	RP	FCD Ia	4
19	29	여성	LPOCM	LP	FCD Ib	3

표 1은 결과데이터베이스(110)에 저장되는 복수의 환자에 대한 수술결과데이터의 일 예를 나타낸 표이다.

표 1을 참조하면 수술결과데이터에는 19명의 뇌전증환자의 나이, 성별, MRI결과, 절제부위, 수술 전 의사에 의해 판정된 병리학전판단, 수술 후 발작결과(수술 후 예후)가 포함된다는 것을 알 수 있다. 표 1에 도시된 것 외에도 수술결과데이터는 뇌전증환자의 두뇌에 전극(electrode)을 여러 개 부착하고, 전극을 통해 감지한 뇌파의 세기와 같은 뇌파특성과 뇌파 신호의 전기적인 세기의 1600Hz 신호 빈도의 데이터도 포함되며, 이에 대해서는 도 9 및 도 10에서 후술하기로 한다. 또한, 표 1에 따르면, 복수의 뇌전증환자에 대한 수술결과데이터만 결과데이터베이스(110)에 저장되며, 기존과 달리 수술결과데이터를 분석하기 위한 전문가의 진단방법 및 탐지역치의 선택은 배제된다는 것을 알 수 있다.

Frequency(Hz)	Amplitude thresholds		Duration thresholds(ms)		Number threshold(/2min)	Mean Dif-R%	P-values
	Low	High	Low	High
800	1.4	10.2	4	420	1068	27	<0.0001
800	1.9	10.5	3	2161	716	23	0.002
108	1.9	5.6	25	6494	216	7	0.0075
75	1.3	9.2	154	11439	79	10	0.0014
52	1.4	5.7	22	8112	20	-9	0.02
30	1.2	5.0	3	19992	4	-4	0.02

표 2는 결과데이터베이스(110)에 저장되는 복수의 환자에 대한 수술결과데이터의 다른 일 예를 나타낸 표이다. 보다 구체적으로는, 표 2에 포함된 데이터는 결과데이터베이스(110)에 저장되어 있는 수술결과데이터가 후술하는 임시결정부(170) 및 최종출력부(190)를 통해서 2차적으로 가공되어 산출된 결과일 수도 있으며,

표 2는 최종출력부(190)에 저장되는 각 환자군을 가장 유의하게 분류해 낼 수 역치값의 조합의 예시를 나타낸다. 위와 같은 역치값들을 통해서 수술 후 발작이 없는 제1환자군과 발작이 있는 제2환자군을 마지막 열의 p-value에 상당하는 값으로 최적화될 때와는 전혀 다른 검정 환자군에서 재현성(reproducibility)있게 구분할 수 있다. 표 2에 포함된 각 데이터에 대한 추가적인 설명은 도 3 내지 도 10을 통해 후술하기로 한다.

결과데이터수신부(130)는 결과데이터베이스(110)로부터 수술결과데이터를 수신한다. 결과데이터수신부(130)는 실시 예에 따라 결과데이터베이스(110)나 후술하는 그룹분류부(150)에 포함되어 동작될 수 있다.

그룹분류부(150)는 결과데이터수신부(130)가 수신한 수술결과데이터를 기초로 하여 복수의 뇌전증환자들을 제1그룹 및 제2그룹으로 분류한다. 그룹분류부(150)는 복수의 뇌전증환자들을 제1그룹 및 제2그룹으로 분류하기 위한 분류기준을 미리 저장하고 있다. 그룹분류부(150)는 분류기준에 따라 복수의 뇌전증환자들을 두 가지의 그룹으로 분류하게 되며, 여기서, 분류기준은 그룹분류부(150)에 미리 설정되어 있는 기준으로서, 수술 후 예후 같은 치료 예후데이터가 될 수 있다.

또한, 생체데이터 신호의 이러한 예후에 의한 최적화가 임시결정부(170)에서 이루어지고 최종출력부(190)에서 최적의 분석 결과에 대한 역치값 혹은 머신러닝 알고리즘의 최적 파라미터 등이 도출된 이후 그 결과를 다른 데이터 군에서 재검증 해서 재현성을 확인할 필요가 있다.

이는 도 2 에 표시된 대로 수술결과데이터가 39명의 뇌전증환자에 대한 데이터라면, 그룹분류부(150)는 최적화데이터세트(학습데이터세트)에 20명, 검증데이터세트에 19명이 속하도록 39명의 뇌전증환자들을 임의로 분류하게 된다. 이 최적화와 재분류 과정은 한 번 수행될 수도 있으나, 여러 번 다른 그룹으로 나누어서 시행하게 되면 신호탐지 및 머신러닝 알고리즘의 재현성을 높일 수 있다. 이러한 과정은 일반적으로 정규화(regularization)를 통해서 과적합(overfitting)을 방지할 수 있게 된다.

다른 예로서, 임시결정부(170)가 분석 시에 환자 데이터 20례 중에서 매 분석 시마다 환자 데이터의 일부는 제외하고 (환자 데이터 선택적 사용) 분석을 시행함으로서, 다양한 데이터군에의 적합도를 시험할 수 있어 재현성을 높일 수 있다. 위와 같이 재현성을 높이는 기법을 환자 데이터의 최적화 단계별 확률적 사용 기법 (stepwise stochastic data use during optimization)이라고 호칭할 수 있다.

이하에서는, 설명의 편의를 위해서, 그룹분류부(150)가 20명이 속해있는 최적화데이터세트를 제1그룹, 19명이 속해있는 검증데이터세트를 제2그룹으로 하는 분류작업을 수행했다고 가정한다.

선택적 일 실시 예로서, 그룹분류부(150)는 제1그룹 및 제2그룹에 속하는 뇌전증환자의 수가 동일하게 되도록 뇌전증환자들을 분류할 수 있다. 본 선택적 실시 예에서, 전체 뇌전증환자의 수가 홀수라면, 제1그룹 및 제2그룹에 속하는 뇌전증환자들의 수의 합은 서로 동일하지 않을 수도 있다.

다른 일 실시 예로서, 그룹분류부(150)는 환자군의 예후 분포에 따라서 제1그룹 및 제2그룹에 속하는 환자 수가 서로 다르게 되도록 분류할 수도 있다.

또 다른 선택적 일 실시 예로서, 그룹분류부(150)는 같은 그룹에 속하는 뇌전증환자들의 성별이 일치하도록 뇌전증환자들을 제1그룹 및 제2그룹으로 분류할 수 있다. 본 선택적 실시 예에 따르면, 성별 간의 차이가 있는 생체 데이터 지표가 어떤 것이 있는 지를 탐지하고 최적화하는 것이 가능하다.

전술한 실시 예와 또 다른 선택적 일 실시 예로서, 그룹분류부(150)는 뇌전증수술 후 예후등급(발작의 빈도 수에 따른 등급)에 따라서 뇌전증환자들을 제1그룹 및 제2그룹으로 분류할 수 있다. 본 선택적 실시 예에 따르면, 뇌전증 환자 예후와 관련된 지표가 어떤 것이 있는지 탐지하고 최적화하는 것이 가능하다. 본 선택적 실시 예에 따르면, 뇌전증 환자 예후와 관련된 지표가 어느 것이 있는지 탐지 및 분석하는 것이 가능하다.

전술한 다양한 선택적 실시 예처럼, 그룹분류부(150)는 분류기준에 따라서 뇌전증환자들을 제1그룹 및 제2그룹으로 다양하게 분류할 수 있으며, 여기서 분류기준은 결과데이터수신부(130)가 수신한 수술결과데이터를 기초로 설정될 수 있다. 위와 같은 그룹 분류에 따라서, 사용자는 각 그룹 간의 생체데이터 지표 혹은 다른 차이를 분석해 낼 수 있게 된다.

임시결정부(170)는 복수의 진단방법 및 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자를 뇌전증수슬에 따른 발작이 없는 제1환자 또는 뇌전증수술에 따른 발작이 있는 제2환자로 분류하는 과정을 반복하고, 반복한 결과를 기초로 복수의 진단방법 및 역치값 중에서 임시진단방법 및 임시진단방법에 대한 역치값을 결정한다. 여기서 제1환자 및 제2환자는 복수일 수 있다.

임시결정부(170)는 복수의 진단방법 및 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자의 두개강내 뇌파 등 생체 데이터 신호를 탐지하는 과정을 반복하고 반복한 결과를 기초로 복수의 진단방법 및 역치값 중에서 가장 통계적으로 유의하게 혹은 설정된 최적화 수식에 맞게 환자 치료 후 예후에 따른 그룹이 가장 잘 분류되는 신호 탐지 역치값 혹은 머신런닝, 딥러닝 파라미터 등을 결정한다.

임시결정부(170)가 분류하는 제1환자 및 제2환자는 임시결정부(170)가 선택한 진단방법 및 역치값에 따라 분류된 결과이므로, 실제로 제1환자에 뇌전증수술에 따른 발작이 있는 뇌전증환자가 포함될 수도 있다. 즉, 여기서 제1환자 및 제2환자는 임시결정부(170)가 결정한 진단방법에 의해 수술 후 발작이 없거나 있다고 파악된 환자들을 대표하는 개념으로 이해될 수 있다.

임시결정부(170)는 생체데이터 신호 및 환자 특성 등을 선택한 진단방법 및 역치값 혹은 머신러닝 파라미터 등에 따라 분류하고, 각 예후 군의 차이가 가장 통계적 혹은 최적화 함수에서 우수한 값으로 도출되는 역치값 혹은 머신러닝 파라미터를 도출하게 된다.

뇌전증수술은 뇌전증환자의 두뇌에 복수의 전극을 꽂고 전극에 의해 이상뇌파를 방출하는 부분을 특정하여 절제하는 방식의 수술로서, 뇌전증수술이 성공적으로 완료되면 뇌전증환자는 수술에 따른 발작을 전혀 경험하지 않게 되지만(seizure-free), 뇌전증수술이 성공적으로 완료되지 않으면, 수술을 받은 뇌전증환자는 간헐적으로 발작을 일으키게 된다(non-seizure-free). 본 발명에서 제1환자 및 제2환자는 위와 같은 배경기술을 전제로 하여 설정된 명칭이며, 질환이나 구체적인 적용례의 예후 구분에 따라 세 개 이상의 복수의 그룹이 있을 수 있다. 또한, 뇌전증의 예후도 Engel classification 혹은 ILAE classification등에 따라 4개 이상으로 분류될 수 있으나 본 실시 예에서는 2개 그룹으로 단순화하였다.

임시결정부(170)는 복수의 진단방법 및 진단방법별로 대응되는 복수의 역치값을 포함한다. 임시결정부(170)는 다양한 종류의 역치값 중 최적의 역치값을 탐색하기 위해서 복수의 역치값을 포함해서 계산한다. 여기서, 진단방법은 뇌전증환자의 수술결과데이터를 기초로 하여, 수술결과데이터와 뇌전증환자가 뇌전증수술을 받은 뒤에 발작을 경험하는지 여부와의 상관관계성을 파악하기 위한 방법을 의미한다. 또한, 진단방법마다 대응되는 복수의 역치값(탐지역치)은, 진단방법이 먼저 결정된 후에 진단방법을 수행하기 위한 파라미터(parameter) 중 하나로 이해할 수 있다.

진단방법마다 수술결과데이터와 뇌전증환자의 발작유무의 상관관계를 각각 다르게 파악할 수 있으며, 진단방법이 어느 하나로 고정되더라도 역치값이 다르면, 수술결과데이터와 뇌전증환자의 발작유무의 상관관계가 각각 다르게 파악될 수 밖에 없다. 따라서 다양한 종류의 역치값의 테스트가 임시결정부(170)의 처리 과정에서 필요하며, 역치값이라는 명칭은 신호 탐지과정에 있어서는 역치값이라고 호칭되나, 단순한 신호 탐지 기법이 아닌 머신러닝, 딥러닝 알고리즘을 통해 생체 데이터 신호를 분석할 때에는 머신러닝 알고리즘의 분석 파라미터값이라고 별칭될 수도 있다.

예를 들어, A라는 진단방법이 수술결과데이터와 뇌전증수술을 받은 후 발작을 경험하는지 여부에 대한 상관관계를 가장 잘 알려주는 방법이라고 하더라도, A에 대한 역치값 a를 너무 크게 잡으면 노이즈(noise)까지 다수 포함하게 되고, 역치값 a를 너무 작게 잡으면 상관관계를 알아내기 위한 필수데이터까지 제외되는 문제가 있으므로, 진단방법 및 그 진단방법에서의 역치값 세트(set)를 동시에 잘 결정해야 할 필요성이 있다.

임시결정부(170)는 미리 저장되어 있는 복수의 진단방법 및 복수의 역치값을 바꾸어 가면서 제1그룹에 속한 뇌전증환자에서, 생체 데이터 신호를 분류하는 과정을 반복하여 실제 발작여부에 따른 환자 그룹 간에 비교하는 과정을 반복적으로 수행하여, 복수의 진단방법 및 역치값에서 가장 최적인 진단방법 및 역치값의 그룹을 결정한다.

본 발명에 따른 방법론은 역치값에 의한 신호 탐지 방법이 아닌 딥러닝과 같은 머신러닝 알고리즘에 의한 신호 분석과 결합되어 사용될 수 있으며, 머신러닝 알고리즘의 파라미터가 반복적인 분석과 각 머신러닝의 특이적인 최적화 방법에 의해서 결정된다. 이때 치료 후 예후 결과가 최적화에 활용되게 되며, 배경기술에서 전술한 것처럼 전문가에 의한 생체 데이터의 직접적인 표지에 의한 지도 학습(supervised learning)은 활용되지 않고, 수술 후 예후 결과와 분석된 생체 데이터 신호 간의 통계적인 관계 또는 수식적인 관계(후술하는 수학식 1)가 사용된다.

최종출력부(190)는 임시결정부(170)가 임시진단방법 및 임시진단방법의 역치값을 기초로 제2그룹(검증데이터 세트)에 속한 뇌전증환자의 생체 데이터를 분류하고, 분류된 결과가 미리 설정된 기준값을 초과하는지 파악하여, 임시진단방법 및 임시진단방법의 역치값을 출력한다. 여기서, 최종출력부(190)가 분류된 결과가 미리 설정된 기준값을 초과하는 것은, 제2그룹의 환자 중 예후가 다른 그룹간의 차이가 미리 설정된 값을 초과할 정도로 충분히 큰 경우를 의미하며, 이는 전혀 다른 환자군에서 임시결정부(170)에 의해 결정된 역치값을 재검증하는 것을 의미한다.

제2그룹(검증데이터세트)은 제1그룹(학습데이터세트)을 제외한 나머지 뇌전증환자들이 속해있는 그룹으로서, 그룹분류부(150)가 복수의 뇌전증환자들을 제1그룹 및 제2그룹으로 임의로 분류하였으므로, 제2그룹에도 뇌전증수술에 따른 발작이 없는 뇌전증환자와 뇌전증수술에 따른 발작이 있는 뇌전증환자가 모두 포함될 수 있다.

최종출력부(190)는 제2그룹에 속한 뇌전증환자들의 수술결과데이터에 임시결정부(170)가 결정한 임시진단방법 및 역치값을 적용하여, 검증 그룹에 속한 뇌전증환자들의 전기생리학적 신호 등 생체데이터를 예후와의 상관성에 따라 분류한다.

최종출력부(190)는 생체데이터 신호가 발생한 부위의 제거 여부와 통합하여 분석하여 제거되었을 때 좋은 예후와 관련성이 있는 병적 활동인지 아니면 그와 반대의 상관성을 가진 억제성 활동인지를 분석하고, 분류된 결과가 미리 설정된 조건, 즉, 수술 예후 그룹을 가장 잘 구분하는데에 부합하는지 파악하며 이러한 분석방법을 분류 분석(discriminative analysis)이라고 한다.

상술한 미리 설정된 조건은 최종출력부(190)가 분류한 결과를 검증하기 위해서 최종출력부(190)에 미리 설정되어 있는 로직(logic)이나 기준값(standard value)으로서, 예를 들어, 최종출력부(190)가 분류한 생체 데이터 신호의 탐지율이 실제 뇌전증환자의 수술 후 발작여부 그룹을 구분하는데에 유용하면, 최종출력부(190)는 생체 데이터 신호를 분류한 결과가 미리 설정된 조건에 부합하는 것으로 파악할 수 있다. 최종출력부(190)는 검증데이터 그룹에서 생체 데이터 신호를 분석한 결과가 환자 예후 그룹을 구분하는데에 통계적으로 유의한 수준으로 충분히 유의하다고 판단되면 그 임시진단방법 및 역치값을 출력한다.

이러한 임시결정부(170)와 최종출력부(190)의 분석 과정은 일회성으로 임시결정부(170)와 최종출력부(190)의 순서로 시행되는 것도 가능하고, 재현성을 향상시키기 위해서 임시결정부(170)와 최종출력부(190)에서 처리하는 프로세스를 여러 다른 데이터군에서 반복하여 정규화 (regularization) 및 일반화 (generalization)에 더 적합하도록 데이터 분석을 시행할 수 있으며, 위와 같은 시행은 결과데이터수신부(130)와 그룹분류부(150)에서의 추가적인 환자분류작업을 야기할 수 있다.

도 2는 그룹분류부가 복수의 뇌전증환자들을 제1그룹 및 제2그룹으로 분류하고 임시결정부가 임시진단방법 및 역치값을 결정하는 과정을 설명하기 위한 도면이다.

도 2를 참조하면, 제1그룹은 최적화를 위한 그룹으로서 20명의 뇌전증환자가 제1그룹을 형성하고, 20명의 뇌전증환자의 수술결과데이터가 학습데이터세트(training dataset)가 되고, 제2그룹은 재현테스트를 위한 그룹으로서 19명의 뇌전증환자가 제2그룹을 형성하고, 19명의 뇌전증환자의 수술결과데이터가 검증데이터세트(validation dataset)를 형성하는 것을 알 수 있다.

전술한 도 1의 구성에 따라서 도 2를 순차적으로 설명하면, 그룹분류부(150)는 총 39명의 뇌전증환자에 대한 수술결과데이터를 수신하고, 39명의 뇌전증환자들을 제1그룹 및 제2그룹으로 분류한다. 이때 제1그룹에는 20명의 뇌전증환자가 속하고, 제2그룹에는 19명의 뇌전증환자가 속하게 된다. 임시결정부(170)는 제1그룹에 속한 20명의 뇌전증환자의 수술결과데이터와 수술 후 예후데이터(뇌전증수술 후 발작유무)의 상관관계를 가장 잘 설명할 수 있는 진단방법 및 역치값을 결정하고, 최종출력부(190)는 임시결정부(170)에 의해 결정된 진단방법 및 역치값을 제2그룹에 속한 19명의 뇌전증환자에게 적용한다.

최종출력부(190)는 19명의 뇌전증환자에서 생체 데이터 신호를 수집하고, 임시결정부(170)에서 결정되었던 역치값 혹은 머신러닝 파라미터 값으로 재분석하여 이 분석 결과가 수술 후 예후 그룹을 미리 설정된 기준값 이상으로 분석하는지 판단한다. 최종출력부(190)가 분석결과를 보고 미리 설정된 기준값 이상으로 분석했다고 판단하는 기준의 일 예로서, 분류 분석(discriminative analysis)에서의 통계적 유의성이 될 수 있다.

보다 구체적으로는, 최종출력부(190)는 검증되는 모든 역치값의 조합 중 유의한 결과의 비율 및 이러한 비율을 얻을 추정확률 등을 이항분포(binominal distribution)등으로 산출하는 방식으로 구할 수 있고, 위와 같은 검증이 통과되었을 때에 최종출력부(190)는 임시결정부(170)에 의해 결정된 진단방법 및 역치값을 출력한다. 여기서 검증 기준과 방법은 실시 예에 따라서 가변적이다.

선택적 일 실시 예로서, 임시결정부(170)는 생체데이터를 예후와의 관련성을 높이는 방향으로 분류하기 위해 유전적알고리즘(GA: Genetic Algorithm)을 사용할 수도 있다. 본 선택적 일 실시 예에서, 임시결정부(170)는 생체 데이터 신호 처리를 위해 웨이브렛 분석(wavelet transform) 이후에 역치값에 의한 신호 탐지 (thresholded detection)기법을 사용할 수도 있다. 전술한 방법 외에도, 임시결정부(170)는 생체신호데이터를 탐지하기 위해 인공신경망(artificial neural network), 나선형신경망(convolutional neural network), 또는 다층 구조의 나선형신경망 오토인코더(deep convolutional autoencoder)을 활용한 딥러닝 알고리즘을 채용할 수도 있다. 또한, 본 선택적 일 실시 예에서, 임시결정부(170)는 최적화를 위해서 입자군 최적화 알고리즘 (particle swarm)등 다양한 알고리즘을 사용할 수 있다. 본 발명은 특정한 알고리즘의 사용이 아니라 생체데이터 분석에 대한 머신러닝 알고리즘의 훈련을 전문가의 수작업에 의한 표지데이터에 의한 지도 학습에 의존하지 않고 수술 후 예후 등 치료결과지표와의 통계적인 관계를 통해 훈련시키는 것을 특징으로 하므로, 다양한 종료의 신호처리 및 머신러닝 알고리즘과 결합되어 사용될 수 있다.

또한, 본 선택적 실시 예에 따라서 임시결정부(170)가 유전적알고리즘을 사용하는 경우, 적합도함수(fitness function)는 복수의 뇌전증환자들 중에서 수술 후 발작이 없는 환자의 수 및 수술 후 발작이 없는 환자의 뇌절제율을 순위에 따라 더한 값을 변수로 하는 함수가 된다. 이는 순위기준분석으로 일종의 비모수(nonparametric) 통계 분석에 해당한다.

수학식 1은 임시결정부(170)가 유전적알고리즘으로 제1환자 및 제2환자를 분류할 때에 이용하는 적합도함수에 대한 식이다. 수학식 1에서 U는 적합도함수이고,

는 뇌전증수술 후 발작이 없는 환자의 두뇌가 절제된 정도(resection extent)를 순위를 매긴 후에, 그 순위들을 모두 더한 값이다. 즉,

는 제1환자들이 뇌전증수술을 받는 과정에서 두뇌가 절제된 정도를 수치화시켜서 순위를 매겼을 때, 그 순위를 매긴 값들을 모두 더한 값(rank sum)을 의미한다.

는 특정 역치값에 의해서 두뇌활동이 탐지되어, 수술결과데이터와 수술 후 발작간의 상관관계를 분석하기 위해 포함된 제1환자의 수를 의미한다. 수학식 1에서는, 뇌전증수술을 통해서 두뇌를 절제할 경우에 발작증세가 호전되는 병리학적 활동만을 고려하기 때문에,

이

보다 더 작은 경우로만 한정되며, 여기서

는 수술 후 발작이 조절되지 않은 제2환자의 절제정도의 순위합(rank sum)이다.

와

의 차이가 크면 클수록, 수술 후 예후 그룹간의 분류 분석이 분명하게 이루어진 것이고, 수술 후 예후와 상관성이 높은 지표가 탐지된 것으로 해석될 수 있다. 위와 같이, 수술 후 예후와의 상관성이 높은 지표의 탐지를 분석하는 경우에 있어서, 뇌전증 환자의 상당수가 분석에 포함되어야 하기 때문에

및

뿐만 아니라

가 함께 고려되어야 하고, 뇌발작을 억제하는 생리적인 활동에 대해서 고려할 경우에는 반대의 통계적 관계를 기초로 하는 수학식이 채용될 필요가 있다.

이하에서는, 수학식 1을 보다 수치적인 예를 들어 설명하기로 한다.

먼저,

는 수술 후 예후가 좋은 환자, 즉, 제1환자들의 뇌절제정도 (resection extent of brain)를 수치화시킨 절제율의 순위를 모두 더한 값이라고 이미 전술한 바 있다. 뇌전증수술은 뇌전증환자의 두개골을 열어서 두뇌에 전극(electrode)을 꽂고, 전극이 감지하는 뇌파(brain wave)를 측정하고, 이상뇌파가 감지되는 부분을 절제하는 방식으로 진행된다. 이상뇌파의 여부는 역치값(탐지역치)에 의해서 판단될 수 있다.

일 예로서, 각 전극은 채널에 대응되며, 특정시점에서 생체데이터 신호에 대해 특정 역치값으로 분석한 결과, 채널 1번, 2번 및 3번의 3개 채널에서 이상뇌파가 출력되었고, 뇌전증수술에 의해서 채널 1번 및 채널 3번에 해당하는 두뇌부분만 절제되었다면, 뇌절제율은 66.67%가 된다.

다른 예로서, 수술 후 예후가 좋은 그룹의 환자들에 대해서 두뇌의 특정부분이 100% 절제가 되었고, 수술 후 예후가 나쁜 환자들에 대해서는 그 부분이 전혀 절제가 되지 않았다면, 절제된 부분과 예후와의 관련성이 매우 높은 것으로서, 수학식 1에 따른 적합도함수는 매우 낮게 나온다.

전술한 예를 모두 포함하는 구체적일 일 예로서, 수술 후의 환자가 갑(甲), 을(乙), 병(丙), 정(丁)이 있고, 환자 네 명 모두 공통된 두뇌부분을 절제하였으며, 그 절제정도가 순차적으로 70%, 60%, 50%, 40%이고, 그 중에서 갑과 을만 수술 후 발작을 전혀 경험하지 않은 환자(seizure free group)라고 가정한다. 이때, 갑과 을의 뇌절제율 순위가 각각 1위, 2위가 되며, 순위값인 1과 2를 더한 값이

이 되고, 순위값인 3과 4를 더한 값이

가 되며, 갑과 을이 각각 1위, 2위를 함에 따라서 적합도함수는 다른 실시 예에 의할 때보다 상대적으로 더 낮은 값을 갖게 된다. 임시결정부(170)는 역치값을 너무 높이면 뇌전증환자의 뇌파 중에서 역치값을 넘는 게 없어져서 적절한 결과가 나올 수 없는 것을 감안하여, 역치값을 점점 낮춰가면서 뇌전증환자들의 뇌절제비율과 수술 후 예후간의 상관관계를 잘 나타내는 진단방법 및 탐지역치(역치값)를 반복적으로 탐색하게 된다. 임시결정부(170)는 위와 같은 과정을 통해, 생체 데이터 신호 분석 결과로 예후 그룹 간의 분류 분석(discriminative analysis)을 효과적으로 시행할 수 있다.

도 3은 임시결정부가 유전적알고리즘을 반복적으로 수행하는 과정의 일 예를 도식적으로 나타낸 도면이다.

도 3에서 각각의 점은 하나의 역치값의 조합이 계산된 지점으로 이해될 수 있다. 도 3은 5.8Hz의 주파수 대역에서 유전적알고리즘을 적용하는 과정의 일 예로서, 도 3과 같이 유전적알고리즘이 수행되기 위해서는 사전에 다음과 같은 과정을 거쳐서 수술결과데이터가 수집되어 결과데이터베이스(110)에 저장되어야만 한다.

뇌전증환자의 두뇌에 복수의 전극이 장착되고, 미리 정해진 시간동안 전극을 통해서 뇌전증환자의 뇌파가 수집된다. 뇌전증의 원인이 되는 이상뇌파는 주기적으로 관찰되지 않기 때문에, 전극을 통해 수집되는 뇌파는 미리 정해진 시간동안만 수집된다. 각 전극이 수집하는 데이터는 서로 다른 번호의 채널(channel)에 대한 데이터로 수집된다.

위와 같은 과정을 통해 수집된 뇌전증환자의 뇌파는 디지털데이터로 변환되고, 웨이브릿변환(wavelet transform)을 거쳐서 시간영역에서 주파수영역의 함수로 표현될 수 있다. 이때 두개강 내 뇌파는 1600Hz의 샘플링레이트로 기록되고, 0.9Hz에서 800Hz까지 총 38개의 주파수 대역에서 각각 분석된다. 이때 분석되는 주파수 대역의 격차는 일정하지 않으며, 실험적으로 가장 바람직한 주파수 대역들이 로그-선형 분포에 따라서 분포하는 것으로 알려져 있다. 분석의 효율을 위해서, 두개강내 뇌파는 발작 간기 중 1분에서 10분 가량의 일부 세그먼트(segment)를 선택하여 사용한다.

38개의 주파수 대역 중 어느 하나가 결정되면, 해당 주파수 대역에 대해서 역치값의 크기(amplitude thresholding), 역치값의 지속기간(duration thresholding), 역치값을 초과하는 탐지활동을 갖는 절제된 채널의 수(Number of resected channels with detected activities over thresholds)를 측정하는 과정을 반복하면서 진단방법 및 역치값에 대한 최적화(optimization)가 진행된다.

이때, 역치값의 크기는 뇌파의 크기값과 비교되기 위한 값을 의미하고, 역치값의 지속기간은 뇌파 중에서 이상뇌파가 지속적으로 감지되는 시간간격을 의미하며, 역치값을 초과하는 탐지활동을 갖는 절제된 채널의 수는 역치값의 크기 및 지속시간에 따라 역치값을 초과하는 뇌파가 감지된 곳에 위치하고 있던 전극 중에서 뇌전증수술을 통해 실제로 절제된 전극의 수를 의미한다. 특히, 역치값을 초과하는 탐지활동을 갖는 절제된 채널의 수는 수학식 1에서 설명한 Rsf, Nsf를 산출하기 위해 필요한 값이다.

보다 구체적으로, 도 3은 주파수 대역 5.8Hz에 대해서 유전적알고리즘을 적용한 초기의 모습이다. 유전적알고리즘을 최적화하기 위한 적합도함수는 수학식 1에서 설명한 수식이 사용되었다. 도 3에 도시된 3차원 공간은 임시결정부(170)가 유전적알고리즘을 반복함에 따라 누적되는 역치값들의 조합들이 위치하는 역치값조합공간이다. 여기서, 역치값들의 조합은 전술한 역치값의 크기, 역치값의 지속시간, 역치값을 초과하는 탐지활동을 갖는 절제된 채널의 수(역치값의 수), 이상 세 가지의 값의 세트(set)를 의미한다. 즉, 본 발명에서 역치값은 단순한 스칼라(scalar)값이 아니라, 복수의 컴포넌트(component)로 구성되어 있는 값이며, 최종출력부(190)에 의해 출력되는 역치값은 역치값에 포함된 복수의 컴포넌트가 모두 일정한 기준을 만족하여, 뇌전증환자의 수술 후 예후와 뇌절제정도와의 상관관계를 적절하게 표현할 수 있는 특성을 갖는다. 위와 같은 특성에 따라서, 이하에서는, 복수의 컴포넌트로 표현되는 역치값을 역치값조합(combination of threshold value)라고 호칭하기로 한다.

유전적알고리즘이 반복적으로 진행됨에 따라서, 도 3과 같이 역치값조합공간에는 무수히 많은 세대(generation)의 역치값조합이 위치하게 된다.

도 3에서 십자가(cross)모양으로 표시된 부분은 뇌전증수술을 받은 뇌전증환자들을 수술 후 예후에 대해서 병리학적으로 유의하게 구분할 수 있었던 역치값의 조합을 의미한다. 임시결정부(170)는 난수에 기반하여 역치값을 설정하고 유전적알고리즘을 반복적으로 수행하면서, 미리 설정된 기준에 따라 병리학적으로 유의하게 구분할 수 있는 역치값조합이 그렇지 않은 역치값조합과 서로 구분될 수 있도록 한다.

도 4는 임시결정부가 유전적알고리즘을 반복적으로 수행하는 과정의 다른 일 예를 도식적으로 나타낸 도면이다.

도 4는 도 3을 이어서 설명하기 위한 도면으로서, 임시결정부(170)가 주파수 대역 5.8Hz에서 유전적알고리즘을 상당히 많이 진행한 상황에서의 역치값조합공간을 도시한다.

도 4를 참조하면, 십자가모양으로 구분되어 표시되는 역치값조합들이 일정한 형태를 이루는 것을 알 수 있다. 보다 구체적으로, 도 4를 참조하면, 역치값조합공간내에서 십자가모양으로 구분되어 표시되는 역치값조합들은 역치값의 최소기간에 대해서는 다양한 구간에 걸쳐서 분포되어 있으나, 역치값의 최소크기 및 역치값의 수에 대해서는 일정한 범위에 대해서만 분포되어 있는 것을 알 수 있다. 도 4처럼 십자가모양으로 구분되어 표시되는 병리학적으로 유의한 역치값조합들이 역치값조합내에서 일정한 경향성을 갖고 분포되면, 해당 주파수(5.8Hz)에서 수술 후 예후(뇌전증환자의 발작여부)와 뇌전증수술과정에서의 뇌를 절제한 정도와의 상관관계를 나타내는 탐지역치(detection threshold)가 결정된 것으로 볼 수 있다.

도 5는 임시결정부가 유전적알고리즘을 반복적으로 수행하는 과정의 또 다른 일 예를 도식적으로 나타낸 도면이다.

도 5는 43Hz의 주파수 대역에서 유전적알고리즘을 적용하는 과정의 일 예로서, 도 4와 달리 십자자모양으로 구분되어 표시되는 역치값조합이 역치값조합공간내에서 일정한 형태를 이루지 않는 것을 알 수 있다. 즉, 뇌전증환자군을 유의하게 구분하는 역치값조합들과 그렇지 못한 역치값조합들간의 경계가 명확하지 않아서, 도 5의 역치값조합공간에서는 최종출력부(190)에서 출력되는 역치값조합이 발견되지 않는다.

도 6은 임시결정부에서 결정된 진단방법 및 역치값조합에 따라 최종출력부(190)가 제2그룹에 속한 뇌전증환자를 제3환자 또는 제4환자로 분류하는 과정을 설명하기 위한 도면이다.

설명의 편의를 위해서, 도 6의 제2그룹에 속한 뇌전증환자의 수는 도 2에서 설명한 것처럼 19명이라고 가정한다.

최종출력부(190)는 임시결정부(170)에 의해 최적화된 진단방법 및 역치값조합에 따라 제2그룹에 속한 뇌전증환자들을 검증한다. 보다 구체적으로, 최종출력부(190)는 최적화된 진단방법 및 역치값조합으로 제2그룹에 속한 뇌전증환자들의 수술 후 예후와 뇌절제정도의 상관관계를 의미있게 표현할 수 있는지를 시험한다.

최종출력부(190)는 임시결정부(170)에 의해 최적화된 진단방법 및 역치값조합을 제2그룹에 속한 뇌전증환자들의 수술결과데이터를 적용하면, 도 6과 같은 검증도면을 산출하고, 산출된 도면을 해석한 결과에 따라 임시결정부(170)가 결정한 임시진단방법 및 역치값(역치값조합)이 뇌전증수술을 받은 뇌전증환자들에 대한 병리학적 데이터를 수집하는 데에 유효한 도구로서 동작한다는 정보를 출력할 수 있다.

최종출력부(190)는 임시결정부(170)로부터 최적화된 진단방법 및 그 진단방법에 따른 역치값조합을 수신하여 뇌전증환자들의 수술결과데이터에 적용한다. 예를 들어, 전술한 것과 같이 0.9Hz 내지 800Hz까지의 38개의 주파수대역에 대해서 최적화된 진단방법 및 역치값조합을 19명에 환자 모두에 대해서 적용하면, 주파수별로 도 6과 같은 결과가 산출될 수 있고, significant가 significant의 경계선을 초과하는 빈도를 보이거나, tendency가 tendency의 경계선을 초과하는 빈도를 보일 경우, 무작위분포(random distribution)에 비하여 유의한 결과라고 해석될 수 있다. 최종출력부(190)가 유의성의 기준을 이항분포(binomial distribution)으로 잡았다면, 긍정오류(false positive)의 확률은 significant는 5%미만, tendency는 5%~10%에 해당하며, 도 6에서 significant의 경계선을 초과하는 주파수대역별 significant bar의 수가 14개, tendency의 경계선을 초과하는 주파수대역별 tendency bar의 수가 7개이므로, 주파수대역의 수인 38개와 비교했을 때, 도 6은 현저하게 유의한 결과를 나타낸다는 것을 알 수 있다.

도 7은 최종출력부가 산출하는 절제율차이를 도식적으로 나타낸 도면이다.

도 7은 뇌전증수술을 받은 뇌전증환자들 중에서 수술 후 예후가 동일한 환자들간에 뇌의 절제의 정도가 얼마나 차이가 났는지 직관적으로 나타내는 도면이다.

도 7에서 발작결과그룹간의 절제율 차이가 0인 부분을 기준선으로 봤을 때, 기준선을 중심으로 양의 값을 갖는 주파수대역은, 해당 주파수대역의 뇌파를 방출하는 영역을 뇌전증수술을 통해서 절제했을 때에 그 수술을 받은 환자에게서 발작이 발생하지 않은 것을 의미하고, 기준선을 중심으로 음의 값을 갖는 주파수대역은, 해당 주파수대역의 뇌파를 방출하는 영역을 뇌전증수술을 통해서 절제했을 때에 그 수술을 받은 환자에게서 오히려 발작이 더 많이 발생한 것을 의미한다.

최종출력부(190)는 임시결정부(170)가 결정한 임시진단방법 및 역치값조합을 검증하여 도 6 및 도 7과 같은 결과를 산출하고, 산출된 결과를 위와 같은 로직으로 해석하여, 유의한 임시진단방법 및 역치값조합을 출력하거나, 임시결정부(170)가 새로운 임시진단방법 및 역치값조합을 결정하는 것을 반복하도록 제어할 수 있다.

도 8은 최적화 후 뇌전증환자의 두정엽(parietal lobe)에서 탐지된 뇌파활동의 스펙트로그램(spectrogram)과 두개강내 뇌파 웨이브폼(waveform)에서의 특정주파수의 탐지하는 예를 도식적으로 나타낸 도면이다.

도 8의 A는 30초 내지 60초구간에서 각 주파수별 스펙트로그램을 나타내고, 도 8의 B는 도 8의 A에서 48초 내지 49.6초구간을 확대시켜놓은 스펙트로그램을 나타낸다. 도 8의 A 및 도 8의 B에서 붉은색으로 표시되는 스펙트로그램은 뇌전증환자의 두뇌가 평상시에 방출하는 뇌파에 따라 산출된 스펙트로그램이고, 푸른색으로 표시되는 스펙트로그램은 뇌전증환자의 두뇌가 발작을 일으킬 때에 방출하는 뇌파에 따라 산출된 스펙트로그램을 의미한다.

도 8의 C는 웨이브릿변환(wavelet transform)이 적용되기 전의 뇌파를 4.9Hz와 321Hz의 스펙트로그램과 병렬적으로 도시한 도면으로서, 48.5초 및 48.7초 부근에서 발생된 이상뇌파는 4.9Hz와 321Hz에 해당하는 주파수대역을 모두 포함하고 있다는 것을 직관적으로 나타낸다.

도 9는 최적화 후 뇌전증환자의 전두엽(frontal lobe)에서 탐지된 뇌파활동의 스펙트로그램과 두개강내 뇌파 웨이브폼에서의 특정주파수의 탐지하는 예를 도식적으로 나타낸 도면이다.

도 9는 도 8과 유사하게 해석될 수 있으며, 도 9에 따르면, 도 9에서의 뇌전증환자의 전두엽에서 감지되는 뇌파 중에서 75Hz미만의 저주파활동을 하는 뇌파에서만 병리학적으로 유의한 결과가 출력될 수 있다는 것을 알 수 있다.

도 10은 두개강내 뇌파기록채널의 위치와 절제영역의 관계를 도식적으로 나타낸 도면이다.

도 10의 A에서 빨간색, 녹색, 파란색 원은 뇌전증환자의 두뇌에 꽂혀 있는 전극(electrode)을 의미하고, 그 중에서 빨간색 원으로 표시되는 전극은 이상뇌파를 감지하는 전극을 의미한다. 전술한 것처럼, 각 전극마다 채널(channel) 한 개가 대응되어 있다. 도 10의 A에서 빨간색 원 및 녹색 원을 다수 포함하는 주황색 영역은 뇌전증수술을 통해 절제된 영역을 의미한다.

도 10의 B는 절제된 영역에 대한 스펙트로그램을 의미하고, 도 10의 C는 절제된 영역에서의 전체 주파수대역에 대한 스펙트로그램에서 주파수 7Hz에 해당하는 스펙트로그램 및 그 주파수 7Hz에 대한 웨이브폼을 의미한다. 도 10의 B, C에 따르면, 절제된 영역에서 탐지되는 이상뇌파는 7Hz의 주파수성분을 포함하며, 그 외에도 여러 주파수성분을 포함한다는 것을 알 수 있다.

도 10의 D는 절제되지 않은 영역에 대한 스펙트로그램을 의미하고, 도 10의 B와 비교했을 때, 역치값을 초과하여 이상뇌파에 의해서만 감지되는 뇌파활동이 거의 감지되지 않는 것을 알 수 있다.

도 11은 본 발명에 따른 복수의 환자의 생체데이터를 분류하기 위한 방법을 찾는 방법의 일 예의 흐름도를 도시한 도면이다.

도 11은 도 1에 따른 시스템(100)에 의해 구현될 수 있으므로, 도 1에서 설명한 것과 중복된 설명은 생략하기로 하며, 이하에서는, 도 1을 참조하여 설명하기로 한다.

결과데이터수신부(130)는 결과데이터베이스(110)로부터 결과데이터를 수신한다(S1110).

그룹분류부(150)는 뇌전증환자들을 제1그룹 및 제2그룹으로 분류한다(S1120).

임시결정부(170)는 제1그룹에 속한 뇌전증환자를 제1환자 및 제2환자로 분류하는 과정을 진단방법 및 역치값의 조합마다 반복수행하여 임시진단방법 및 임시진단방법에 대한 역치값을 결정한다(S1130).

최종출력부(190)는 제2그룹에 속한 뇌전증환자를 제3환자 및 제4환자로 분류한다(S1140). 최종출력부(190)는 단계 S1140에서의 분류결과가 미리 설정된 조건에 부합하는지 판단한다(S1150).

최종출력부(190)는 단계 S1140에서의 분류결과가 미리 설정된 조건에 부합하면 단계 S1130에서 결정한 임시진단방법 및 역치값을 출력한다(S1160).

의학전문가는 단계 S1160에서 출력된 임시진단방법 및 역치값을 기초로 하여 복수의 뇌전증환자들에 대한 진단을 효율적으로 수행하고, 임시진단방법 및 역치값을 더 정확한 뇌전증수술을 하기 위한 자료로서 활용할 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

Claims (10)

1. 결합데이터수신부가, 복수의 뇌전증환자(epilepsy patient)의 수술결과에 대한 결과데이터를 저장하고 있는 결과데이터베이스로부터 상기 결과데이터를 수신하는 결과데이터수신단계;
   그룹분류부가, 상기 수신된 결과데이터를 기초로 하여 상기 복수의 뇌전증환자를 제1그룹 및 제2그룹으로 분류하는 그룹분류단계;
   임시결정부가, 복수의 진단방법 및 상기 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자의 생체 데이터를 수술 또는 치료 후 예후와의 관련성에 따라서 분류하는 과정을 반복하는 방식으로 최적의 분류 분석(discriminative analysis)가 가능한 역치값을 찾고, 상기 반복한 결과를 기초로 상기 복수의 진단방법 및 상기 역치값 중에서 임시진단방법 및 상기 임시진단방법에 대한 역치값을 결정하는 임시결정단계; 및
   최종출력부가, 상기 결정된 임시진단방법 및 상기 임시진단방법의 역치값을 기초로 상기 제2그룹에 속한 뇌전증환자의 생체데이터를 재분석하여 상기 제2그룹에서 수술 또는 치료 후 예후군이 미리 설정된 분류기준을 초과하여 분류되었는지 파악되면, 상기 임시진단방법 및 상기 임시진단방법의 역치값을 출력하는 최종출력단계;를 포함하고,
   상기 결과데이터는,
   상기 복수의 뇌전증환자에 대해서 수술 또는 수술적치료를 수행한 후에 획득되는 수술 후 예후데이터(prognosis outcome data)를 기초로 라벨링된 데이터(outcome labeled data)이고,
   상기 임시결정단계는,
   상기 제1그룹에 속한 환자를 뇌전증수술에 따른 발작이 없는 제1환자(seizure-free) 또는 뇌전증수술에 따른 발작이 있는 제2환자(non-seizure free)로 분류하기 위해 유전적알고리즘(GA: Genetic Algorithm)을 사용하고,
   상기 제1환자의 수, 상기 제1환자의 뇌절제의 정도(brain resection extent)를 수치화시킨 절제율(resection extent ratio)의 순위의 합(rank sum) 및 상기 제2환자의 뇌절제의 정도를 수치화시킨 절제율의 순위의 합을 각각 파악하는 변수파악단계; 및
   상기 파악된 제1환자의 수 및 상기 파악된 제1환자 및 제2환자의 절제율의 순위의 합를 변수로 하는 적합도함수(fitness function)를 기초로 하여, 상기 유전적알고리즘을 수행하는 유전적알고리즘수행단계;를 포함하는 것을 특징으로 하는, 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료 후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법.
2. 제1항에 있어서,
   상기 결과데이터는 미리 정해진 주파수에 대한 뇌파의 세기, 상기 뇌파의 지속시간, 단위시간당 뇌파의 개수에 대한 데이터를 포함하는 것을 특징으로 하는 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료 후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법.
3. 삭제
4. 삭제
5. 제1항 및 제2항 중 어느 한 항에 따른 방법을 실행시키기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체.
6. 복수의 뇌전증환자(epilepsy patient)의 수술결과에 대한 결과데이터를 저장하고 있는 결과데이터베이스;
   상기 결과데이터베이스로부터 상기 결과데이터를 수신하는 결과데이터수신부;
   상기 수신된 결과데이터를 기초로 하여 상기 복수의 뇌전증환자를 제1그룹 및 제2그룹으로 분류하는 그룹분류부;
   복수의 진단방법 및 상기 진단방법마다 대응되는 복수의 역치값으로 제1그룹에 속한 뇌전증환자의 생체 데이터를 수술 또는 치료 후 예후와의 관련성에 따라서 분류하는 과정을 반복하는 방식으로 최적의 분류 분석(discriminative analysis)가 가능한 역치값을 찾고, 상기 반복한 결과를 기초로 상기 복수의 진단방법 및 상기 역치값 중에서 임시진단방법 및 상기 임시진단방법에 대한 역치값을 결정하는 임시결정부; 및
   상기 결정된 임시진단방법 및 상기 임시진단방법의 역치값을 기초로 상기 제2그룹에 속한 뇌전증환자의 생체데이터를 재분석하여 상기 제2그룹에서 수술 또는 치료 후 예후군이 미리 설정된 분류기준을 초과하여 분류되었는지 파악되면, 상기 임시진단방법 및 상기 임시진단방법의 역치값을 출력하는 최종출력부;를 포함하고,
   상기 결과데이터는,
   상기 복수의 뇌전증환자에 대해서 수술 또는 수술적치료를 수행한 후에 획득되는 수술 후 예후데이터(prognosis outcome data)를 기초로 라벨링된 데이터(outcome labeled data)이고,
   상기 임시결정부는,
   상기 제1그룹에 속한 환자를 뇌전증수술에 따른 발작이 없는 제1환자(seizure-free) 또는 뇌전증수술에 따른 발작이 있는 제2환자(non-seizure free)로 분류하기 위해 유전적알고리즘(GA: Genetic Algorithm)을 사용하고,
   상기 제1환자의 수, 상기 제1환자의 뇌절제의 정도(brain resection extent)를 수치화시킨 절제율(resection extent ratio)의 순위(rank)의 합 및 상기 제2환자의 뇌절제의 정도를 수치화시킨 절제율의 순위의 합을 각각 파악하고,
   상기 파악된 제1환자의 수 및 상기 파악된 제1환자 및 제2환자의 절제율의 순위의 합를 변수로 하는 적합도함수(fitness function)를 기초로 하여, 상기 유전적알고리즘을 수행하는 것을 특징으로 하는, 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료 후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 시스템.
7. 제6항에 있어서,
   상기 결과데이터는 미리 정해진 주파수에 대한 뇌파의 세기, 상기 뇌파의 지속시간, 단위시간당 뇌파의 개수에 대한 데이터를 포함하는 것을 특징으로 하는 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료 후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 시스템.
8. 삭제
9. 삭제
10. 제6항에 있어서,
    상기 임시결정부는,
    최적화 과정에 있어서 입자군최적화(particle swarm optimization)를 활용하여 상기 제1환자 또는 제2환자에 속하는 뇌전증환자의 구성이 매번 변동되도록 제어하는 것을 특징으로 하는 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료 후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 시스템.

Images