KR102049824B1 - 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 - Google Patents

Abstract

본 개시서에는 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하고, 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하며, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공한다.

Description

피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치{METHOD FOR GENERATING PREDICTION RESULTS FOR PREDICTION OF SPECIFIC SYMPTOMS OF A SUBJECT AND APPARATUS USING THE SAME}

본 개시서에는 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하고, 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하며, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공한다. 또한, 본 발명에 따른 컴퓨팅 장치는, 상기 예측 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원할 수 있다.

의료 임상에 있어서 심정지, 패혈증과 같은 피검체, 즉 환자의 치명적 증상은 그 발생 후 생존 퇴원율이 매우 낮은 위험한 현상이다. 예컨대, 심정지의 경우에는 생존 퇴원율에 20~30%에 불과하다. 이와 같은 심정지는 발생 전 생체 신호(biosignal or vital signs)의 변화가 있기 때문에, 조기 예측이 가능하나 종래의 예측 방식에는 문제가 있다. 이는 주로 그 예측이 담당 간호사나 의사와 같은 의료 전문가의 경험이나 지식에 의존하기 때문인데, 개인의 역량에 따라서 피검체 혹은 환자의 위험이 상당히 다르게 평가되는 경향이 있으며, 그러한 평가 자체를 위한 응급 의학과의 인력도 부족한 실정이다.

개략적으로, 종래의 예측 방식에 관하여 설명하면, 종래에 규칙-기반(rule-based)으로 생체 신호의 값에 따라 점수를 부여하여 심정지와 같은 치명적 증상의 위험을 판정하는 방식을 취하고 있는데, 위음성(false negative)으로 오판하거나 위양성(false positive)으로 오판하는 비율이 높다. 여기에서 위음성은 실제 치명적 증상이 일어날 환자의 위험을 예측해내지 못한 경우를 지칭하며, 위양성은 실제 치명적 증상이 일어나지 않는데도 일어날 것으로 예측하는 경우를 지칭한다.

뿐만 아니라, 대한민국 등록특허 제10-1841222호에서와 같은 종래의 방식은 생체 신호에만 의존했는데, 생체 신호만으로 예측불가능한 치명적 증상의 경우에는 피검사와 같은 다양한 정보를 함께 이용하여야 할 필요가 있다.

이에 따라 본 발명에서는 종래의 방식보다 정확하게 치명적 증상과 같은 소정 증상을 예측할 수 있도록 하는 소정 증상 예측 결과 생성 방법을 제안하고자 한다.

KR 10-1841222 B

비특허문헌 1: Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"

본 발명은 종래 방식의 높은 위음성을 줄여 심정지와 같은 소정 증상이 발생할 환자를 조기에 찾아내어 환자의 생존율을 높이는 것을 목적으로 한다.

또한, 본 발명은 종래 방식의 높은 위양성을 줄여 불필요한 진료 시간을 절약함으로서 진료 환경을 개선하는 것을 목적으로 한다.

구체적으로, 본 발명은 피검체, 즉, 환자의 생체 신호뿐만 아니라 혈액 검사 결과와 같은 기타 정보를 함께 이용하여 소정 증상의 예측 정확도를 높이는 것을 목적으로 한다.

이를 위하여, 본 발명은 개인의 특성을 고려하여 생체 신호 및 혈액 검사 결과를 개체화 혹은 개인화하여 예측의 정확도를 높이는 것을 목적으로 한다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

본 발명의 일 태양에 따르면, 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계를 포함한다.

바람직하게는, 상기 방법은, (e) 상기 예측 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치가, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계를 더 포함한다.

본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는 컴퓨터 프로그램도 제공된다.

본 발명의 또 다른 태양에 따르면, 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하는 통신부; 및 (i) 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하는 프로세스; 및 (ii) 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 상기 (i) 프로세스 및 (ii) 프로세스를 수행하도록 지원하는 프로세서를 포함한다.

바람직하게는, 상기 컴퓨팅 장치의 상기 프로세서는, 상기 예측 결과를 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 프로세스를 더 수행하거나 상기 타 장치로 하여금 더 수행하도록 지원한다.

본 개시서의 예시적인 실시 예에 따르면, 종래에 의료 전문가들이 그 경험이나 지식에 의존하여 환자의 위험을 판정하는 방식에 비하여 보다 신속하고 반복 용이하게 심정지, 패혈증 등의 소정 증상을 예측할 수 있는 효과가 있다. 즉, 의료 현장, 특히 병원 내 중환자실 및 일반병실의 환자를 대상으로 심정지 등의 소정 증상을 조기에 예측하는 데 이용 가능한 효과가 있다.

또한 예시적인 실시 예에 의하면, 기존의 규칙-기반에 의한 점수 부여의 방식에 비하여 소정 증상의 예측에 있어서 위음성 및 위양성을 더 낮출 수 있는바, 위양성이 감소되면 의료진의 시간이 절약되며, 위음성이 감소되면 더 많은 환자에 대한 안전이 확보될 수 있는 효과가 있다.

그리고 예시적인 실시 예에 의하면, 종래에 의료 현장에서 기록되는 생체 신호와 혈액 검사 결과를 그대로 사용할 수 있어 추가적인 시스템 구축 없이 시계열적으로 진행되는 임상 과정에서 지속적인 예측을 가능하게 되어 의료 현장에서의 워크플로(workflow)가 혁신되는 효과가 있다.

게다가 예시적인 실시 예에 의하면, 본 발명의 방법을 이용함에 따라 지속적으로 그 예측 성능이 개선될 수 있는 효과가 있다.

본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시 예에 이용되는 기계 학습 모델의 예시로서 순환 신경망(recurrent neural network; RNN)을 설명하기 위하여 주요 개념을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따라 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과의 생성 방법(이하 "소정 증상 예측 결과 생성 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 발명의 일 실시 예에 따른 소정 증상 예측 결과 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.
도 4는 본 발명의 일 실시 예에서 수행되는 개체화를 설명하기 위하여 도시한 도면이다.
도 5는 본 발명의 일 실시 예에서 생성적 적대적 신경망(GAN; generative adversarial networks)을 이용하여 유사 혈액 검사 결과를 생성하는 방식을 예시하기 위하여 개념적으로 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 소정 증상 예측 결과 생성 방법을 예시적으로 나타낸 흐름도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 “연결되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

그리고 본 개시서의 상세한 설명 및 청구범위에 있어, '현재'라는 용어 및 그 변형은 본 개시서의 방법 또는 장치가 실시되는 시점으로부터 통상적으로 용인되는 정도의 소정 기간만큼의 '과거' 및 '미래'를 포함하는 것으로 이해되어야 한다. 이는 시간을 나타내는 수직선 상에 '현재'가 표현되는 때, '과거'나 '미래'에 속하는 점들의 집합은 그 측도(measure)가 0이 아니고 불가산(uncountable)인 것과 달리 '현재'에 대응되는 하나의 점의 집합은 불연속 가산(countable) 집합인 동시에 0 측도(measure zero)인 문제가 있기 때문에 이를 회피할 필요가 있기 때문이다. 달리 말하자면, 시간 수직선에서 선택된 임의의 시점이 물리적인 의미의 '현재'일 확률이 0인 문제가 있기 때문이다.

또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.

그리고 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '생체 신호(biosignal)'는 대상자의 체온, 심전도, 호흡, 맥박, 혈압, 산소 포화도, 피부 전도도 등의 측정값을 지칭하는 통상의 의미로만 한정하여 해석되어야 할 것은 아니고, 뇌파 신호, 기타 측정을 통하여 획득 가능한 생물학적 시료 중의 특정 물질의 양, 농도 등도 포함하는 것으로 이해되어야 할 것이다.

여기에서 '생물학적 시료'는 피검체의 혈액, 혈청, 소변, 림프액, 뇌척수액, 타액, 정액, 질액 등등 피검체로부터 채취될 수 있는 다양한 종류의 물질로 이해되어야 할 것이다.

한편, 본 개시서의 상세한 설명 및 청구범위에 있어, '신체 데이터'라는 용어 및 그 변형은 사용자의 신체로부터 측정되는 다양한 종류의 데이터, 예컨대, 체성분 데이터 및 생체신호(biosignal) 중 적어도 하나를 포함하는 개념으로 이해되어야 할 것인 바, 그러한 신체 데이터는, 예컨대, 상기 사용자의 신체와의 접촉에 기반하여 측정될 수 있으나 이에 한정되지 않음이 통상의 기술자에게 이해될 것이다. 예를 들어, 신체 데이터에는 체중, 체지방률, 골격근량, 체지방량, 체수분량, 제지방량(FFM; fat-free mass), FFMI(제지방량/신장²), SMMI(골격근량/신장²), BFMI(체지방량/신장²), BMI(체중/신장²), ASM(다리 및 팔 근육량), PBF(체지방량 / 체중) 및 혈압 등이 있을 수 있다.

또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '치명적 증상(fatal symptoms)'이라는 단어 및 그 변형은 본 발명이 적용되는 대상의 일 예시인 심정지(cardiac arrest)에 한정되지 않고, 패혈증 등과 같이 시계열적 변화에 의하여 피검체의 생명에 큰 위험을 초래할 수 있는 갖가지 종류의 임상적 현상을 포함하는 개념으로 이해되어야 할 것이다. 그리고 '소정 증상(specific symptoms)'이라는 단어 및 그 변형은 치명적 증상을 포함하여 임상에서 유의미한 다양한 증상을 일컫는 용어이다.

더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시 예에 이용되는 기계 학습 모델의 예시로서 순환 신경망을 설명하기 위하여 주요 개념을 도시한 도면이다.

도 1을 참조하면 본 발명에서 이용되는 기계 학습(machine learning) 모델 중 심층 신경망 모델은 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 이는 깊은 구조의 네트워크라는 의미로 심층 신경망 혹은 딥 뉴럴 네트워크(deep neural network)라고 표현되며, 다층의 네트워크로 이루어진 구조에서 다량의 분석 대상 데이터를 학습시킴으로써 각각의 분석 대상 데이터의 특징, 분석 대상 데이터 간의 관계를 자동으로 학습하고, 이를 통해 목적 함수, 즉 소정 증상의 예측 결과의 오차(error)를 최소화시키는 방식으로 학습을 진행하는 기계 학습 모델이다.

본 발명에서 활용되는 심층 신경망 모델 중 일 예시인 순환 신경망(recurrent neural network; RNN)은 도 1에 도시된 바와 같이 순차적으로 입력되는 시계열적인 데이터를 분석할 때 이용될 수 있다. 이 심층 신경망은 시간 순서에 따른 데이터의 특징을 찾고, 이전 시점의 특징 중 현재 시점을 분석할 때 참고하여야 할 주요 특징을 선별하여 반영하는 구조로 되어 있다. 예를 들어, 도 1을 참조하면, 이 심층 신경망이 t+1 시점에 입력된 데이터를 분석하는 경우에 t-1 시점, t 시점에 분석한 주요 특징을 반영한 학습을 통하여 해당 데이터를 분석할 수 있다. 이와 같이 본 발명에서는 순환 신경망의 구조를 이용하여 분석 대상 데이터의 시간에 따른 변화를 추출하여 소정 증상의 예측에 활용할 수 있는 장점이 있다.

요컨대, 시계열적 순서, 시간의 흐름, 혹은 시간 축을 따라 전개되는 순환 신경망은 무한 개의 층을 가지는 심층 신경망으로 이해할 수 있는바, 도 1을 참조하여 설명하면, x_t는 t 시점에서의 입력 벡터를 지칭하고, s_t는 t 시점에서의 은닉 상태(hidden state)(즉, 신경망의 기억)를 지칭한다.

부연하면, 도 1에 개념적으로 도시된 순환 신경망은 s_t=f(U x_t+W s_t-1)과 y=g(V s_t)의 식을 따른다. 이를 일반화한 신경망은 s_t=f(x_t, s_t-1, U_i, ...)과 y=g(s_t, U_j, ...), U=U₁, W=U₂, V=U₃ 식을 따르며 i는 3 이상일 수 있다.

참고로, y는 도 1에 o로 표시되어 있다. 여기에서, f는 활성화 함수(activation function)(예컨대, tanh() 및 ReLU 함수)를 지칭하고, U, V, W는 신경망의 파라미터를 지칭한다. 여기에서 U, V, W는 전방 전달 신경망(feedforward neural network)에서와는 달리 순환 신경망에서는 모든 시점의 단계들에 걸쳐 동일하게 공유되는 파라미터이다. g는 출력층(output layer)을 위한 활성화 함수(전형적으로는 softmax 함수가 있음)이며, y는 t 시점에서의 상기 신경망의 출력 벡터를 지칭한다. 이와 같은 순환 신경망을 이용하는 본 발명의 방법에 관하여는 상세히 후술하기로 한다.

다음으로, 도 2는 본 발명의 일 실시 예에 따른 소정 증상 예측 결과 생성 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터, 프로세서, 메모리, 스토리지(storage), 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다. 상기 스토리지는 하드 디스크, USB(universal serial bus) 메모리와 같은 기억 장치뿐만 아니라 클라우드 서버와 같은 네트워크 연결 기반의 저장 장치의 형태를 포함할 수 있다.

이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와의 사이에서 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는 바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다.

구체적으로, 통신부(210)는 통신 인터페이스를 포함하는 통신 모듈의 형태로 구현될 수 있다. 이를테면, 통신 인터페이스는 WLAN(wireless LAN), WiFi(wireless fidelity) Direct, DLNA(digital living network alliance), Wibro(wireless broadband), Wimax(world interoperability for microwave access), HSDPA(high speed downlink packet access) 등의 무선 인터넷 인터페이스와 블루투스(Bluetooth™), RFID(radio frequency identification), 적외선 통신(infrared data association; IrDA), UWB(ultra-wideband), ZigBee, NFC(near field communication) 등의 근거리 통신 인터페이스를 포함할 수 있다. 뿐만 아니라, 통신 인터페이스는 외부와 통신을 수행할 수 있는 모든 인터페이스(예를 들어, 유선 인터페이스)를 나타낼 수 있다.

예를 들어, 통신부(210)는 이와 같이 적합한 통신 인터페이스를 통해 외부 장치로부터 사용자의 생체 신호와 같은 신체 데이터 등을 획득할 수 있다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치, 인쇄 장치, 디스플레이, 기타 외부 출력 장치를 포함하거나 이들과 연동될 수 있다.

또한, 컴퓨팅 장치의 프로세서(220)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

도 3은 본 발명의 일 실시 예에 따른 소정 증상 예측 결과 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.

도 3을 참조하여 본 발명에 따른 방법 및 장치의 구성을 개관하면, 컴퓨팅 장치(200)는 그 일 구성요소로서 데이터 획득 모듈(310)을 포함할 수 있다. 이와 같은 데이터 획득 모듈(310)은 상기 컴퓨팅 장치(200)에 포함된 통신부(210), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.

데이터 획득 모듈(310)은 피검체의 생체 신호를 분석 대상 데이터로서 획득할 수 있다. 또한, 데이터 획득 모듈(310)은 피검체의 혈액 검사 결과도 분석 대상 데이터로서 획득할 수 있다. 예를 들어, 이는 상기 피검체의 전자 의무 기록(electronic medical record; EMR)으로부터 획득되는 것일 수 있으나, 이에 한정되지는 않는다.

다음으로, 그 획득된 분석 대상 데이터는 그 자체로 기계 학습 모듈(340)에 입력되어 그로부터 기계 학습 모듈(340)이 특정 시점까지의 소정 증상의 발생 확률에 관한 예측 결과를 생성하거나, 분석 대상 데이터 중 적어도 일부가 가공된 데이터가 기계 학습 모듈(340)에 입력되어 그로부터 기계 학습 모듈(340)이 상기 예측 결과를 생성할 수 있다. 이 예측 결과가 생성되는 구체적인 과정에 관하여는 후술하기로 한다.

한편, 분석 대상 데이터의 가공을 위하여 상기 획득된 분석 대상 데이터는 데이터 개체화 모듈(320)에 전달될 수 있는데, 데이터 개체화 모듈(320)에서는 그 분석 대상 데이터, 즉, 생체 신호 및 혈액 검사 결과를 상기 피검체에 대하여 개체화 혹은 개인화(personalizing)한 데이터인 개체화 데이터로 변환한다.

예컨대, 이와 같은 생체 신호 및 혈액 검사 결과는 인간(homo sapiens)인 피검체로부터 획득될 수 있을 것이나, 통상의 기술자는 이에 한정되지 않음을 이해할 수 있을 것인바, 특정 인간인 피검체에 대하여 '개인화'하는 것에 대응하여 특정 동물인 피검체에 대하여 '개체화'하는 것도 가능할 것이다.

이와 같은 변환을 수행하는 이유는, 피검체마다 정상적인 분석 대상 데이터와 소정 증상의 발생 직전의 분석 대상 데이터가 다르기 때문이다. 예를 들어 어떤 피검체는 정상일 때 분당 45회 호흡한다면, 다른 피검체의 경우에는 소정 증상, 예컨대, 심정지 직전에 분당 45회 호흡할 수 있다. 이와 같이 본 발명에서는 획득된 분석 대상 데이터를 단순히 이용하는 것이 아니라 개별 피검체에 맞춰서 보정하여야 할 필요가 있다.

도 4는 본 발명의 일 실시 예에서 수행되는 개체화를 설명하기 위하여 도시한 도면이다. 도 4를 참조하면, A 환자의 분석 대상 데이터 값이 B 환자의 분석 대상 데이터 값과 평균에 있어 차이가 크다.

이를 보정하여야 할 필요에 따라 피검체에 대하여 분석 대상 데이터를 개체화하는 상기 변환의 일 예시로서, 데이터 개체화 모듈(320)은 상기 분석 대상 데이터 중 최초 소정 시간 동안의 분석 대상 데이터의 평균을 상기 분석 대상 데이터의 전체 시간 동안의 분석 대상 데이터에서 뺌으로써 상기 전체 시간 동안의 분석 대상 데이터의 편차를 구하고, 제공된 다수의 타 피검체의 분석 대상 데이터의 평균 및 분산을 참조로 하여 상기 피검체의 상기 전체 시간 동안의 분석 대상 데이터의 표준화 점수(z-score)를 상기 개체화 데이터로서 산출하는 방식으로 상기 분석 대상 데이터를 상기 개체화 데이터로 변환할 수 있다. 이를 수학식으로 보이면 다음과 같다.

여기에서

은 i 시점에 측정한 피검체 patent_id의 분석 대상 데이터 lab_a이고,

은 i 시점에 측정한 피검체의 분석 대상 데이터를 개체화한 값이다. 또한,

는 피검체 분석 대상 데이터 중 최초 k 시간 동안의 분석 대상 데이터의 평균이며,

는 분석 대상 데이터의 표준 편차이다.

구체적인 일 예시를 들면, 피검체의 첫 10시간의 생체 신호를 정상으로 가정하고, 나머지 시간의 생체 신호로부터 상기 10시간의 생체 신호의 평균을 뺀 값의 평균으로부터의 차이, 즉 편차를 구할 수 있으며, 모든 피검체를 대상으로 개개의 생체 신호의 평균 및 분산을 계산함으로써 상기 피검체의 전체 생체 신호에 대한 표준화 점수(z-score)를 구할 수 있다. 이렇게 하면, 이후의 생체 신호를 절대적인 값으로서 다루는 것보다는, 피검체에 따라 각 피검체의 정상적인 생체 신호에서 상대적으로 얼마나 벗어난 값인지로서 다룰 수 있게 된다. 예컨대, 도 4에서, A 환자와 B 환자의 분석 대상 데이터가 개체화된 결과는 도 4의 우측에 나타난 그래프와 같다.

한편, 데이터 획득 모듈(310)에 의하여 획득된 분석 대상 데이터에서 어느 시점의 생체 신호에 대응되는 혈액 검사 결과가 누락된 경우에도, 유사 데이터 생성 모듈(330)은 누락된 혈액 검사 결과와 유사한 혈액 검사 결과를 생체 신호 등에 기초하여 생성함으로써, 혈액 검사 결과가 반영되는 효과를 유지할 수 있다.

유사 데이터 생성 모듈(330)이 생체 신호 등에 기초하여 유사 혈액 검사 결과를 생성하는 방식에는 생성적 적대적 신경망(GAN; generative adversarial networks), 자기부호화기(auto-encoder) 등을 이용하는 방식 등이 있으나, 여기에서는 GAN을 이용한 예시를 설명하기로 한다. GAN의 구체적인 구성은 비특허문헌 1: [Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"]에 개시된 바와 같다.

도 5는 본 발명의 일 실시 예에서 생성적 적대적 신경망(GAN)을 이용하여 유사 혈액 검사 결과를 생성하는 방식을 예시하기 위하여 개념적으로 도시한 도면이다.

도 5를 참조하면, 이 실시 예에서 유사 데이터 생성 모듈(330)에 포함되는 생성적 적대적 신경망(GAN)은 생성기(generator; 332) 및 판별기(discriminator; 334)를 포함한다. 생성기는 생체 신호를 입력받아 이를 기초로 실제와 유사한 혈액 검사 데이터를 생성함으로써 판별기를 속여서 그 유사 혈액 검사 데이터를 실제 혈액 검사 데이터로 판별하게 하는 것을 목표로 가지는 반면, 판별기는 생체 신호가 입력되었을 때 실제 혈액 검사 데이터와 생성된 유사 혈액 검사 데이터를 서로 구분해내는 것을 목표로 가진다. 이 GAN에 의한 학습이 진행되는 과정에서 생성기와 판별기는 각각의 목표를 달성하기 위하여 신경망 가중치를 갱신하는바, 충분한 학습 후에는 생성기가 실제와 유사한 혈액 검사 데이터를 생성해내고, 판별기에 의한 판별률이 이론적으로 0.5에 수렴되는 것이 밝혀져 있다.

결과적으로, GAN에 의하여 충분히 학습된 생성기는 생체 신호를 기반으로 실제 혈액 검사 데이터와 가까운 데이터(즉, 유사 혈액 검사 데이터)를 생성하게 되므로, 분석 대상 데이터에서 혈액 검사 데이터가 누락된 경우 이를 보완할 수 있다. 이는, 소정 증상의 가능성이 높은 고위험 데이터를 우선적으로 학습한 뒤 정상 데이터를 학습하는 것이 바람직한데 비해 고위험 데이터는 정상 데이터에 비하여 턱없이 적은 문제인, 이른바, 데이터 불균형 문제를 해소할 수 있는 방안이기도 하다. 생성기는 실제와 유사한 고위험 데이터를 정상 데이터에 상당할 정도로 충분히 생성해낼 수 있기 때문이다.

물론, 전술한 설명이 본 발명의 실시 예를 GAN을 이용한 것에 한정하려고 하는 의도가 아님을 통상의 기술자는 이해할 수 있을 것이다.

다음으로, 갱신 모듈 및 학습 모듈(350)은, 피검체의 소정 증상의 예측에 이용되는 기계 학습 모듈(340)(혹은, 더 엄밀하게는, 기계 학습 모듈에서 채용된 기계 학습 모델)을 미리 학습하거나 본 발명의 방법의 수행에 따른 예측 결과를 (의료진 등이) 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 기능을 한다.

이제 본 발명에 따른 소정 증상 예측 결과의 생성 방법을 도 6을 참조하여 구체적으로 설명하기로 한다. 도 6은 본 발명의 일 실시 예에 따른 소정 증상 예측 결과 생성 방법을 예시적으로 나타낸 흐름도이다.

도 6을 참조하면, 본 발명에 따른 소정 증상 예측 결과 생성 방법은, 우선, 컴퓨팅 장치(200)의 통신부(210)에 의하여 구현(혹은 실행)되는 데이터 획득 모듈(310)이, 상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계(S100)를 포함한다. 예를 들어, 그러한 분석 대상 데이터는 t0 시점으로부터 t 시점까지의 시계열적 데이터일 수 있으나, 이에 한정되지 않는바, 분석 대상 데이터는 단일 시점에서의 데이터일 수도 있다. 본 명세서를 읽은 통상의 기술자는 단일 시점에서의 분석 대상 데이터에 대해서도 소정 증상에 대한 예측 결과를 생성할 수 있음을 이해할 수 있을 것이다.

계속해서, 도 6을 참조하면, 상기 예측 결과 생성 방법은, 상기 컴퓨팅 장치(200)의 프로세서(220)가, 획득된 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계(S200; S210 내지 S230)를 더 포함한다.

여기에서 상기 적어도 일부를 가공한 데이터인 개체화 데이터 각각은, 예를 들어, (i) 데이터 획득 모듈(310)에 의하여 획득된 상기 생체 신호 및 대응되는 상기 혈액 검사 결과가 상기 피검체에 대하여 개체화된 데이터일 수 있다. 이 경우, 도 6에 나타난 일 실시 예에서는 데이터 획득 모듈(310)에 의한 분석 대상 데이터의 획득시(S100), 혈액 검사 결과가 존재(S210, 예)하므로 바로 데이터 개체화 모듈(320)이 분석 대상 데이터를 개체화함으로써 개체화 데이터가 생성된다(S220).

또한, 상기 개체화 데이터 각각은, 다른 예로서, (ii) 데이터 획득 모듈(310)에 의하여 획득된 상기 생체 신호 및 이에 대응되도록 생성된 유사 혈액 검사 결과가 상기 피검체에 대하여 개체화된 데이터일 수 있다. 이 경우, 도 6에 나타난 실시 예에서는 데이터 획득 모듈(310)에 의한 분석 대상 데이터의 획득시(S100), 혈액 검사 결과가 존재(S210, 아니요)하지 아니하므로 유사 데이터 생성 모듈(330)이 생체 신호에 기반하여 유사 혈액 검사 결과 데이터를 생성(S215)하고, 데이터 개체화 모듈(320)이 개체화 데이터, 즉, 생체 신호 및 유사 혈액 검사 결과 데이터를 개체화함으로써 개체화 데이터가 생성된다(S220).

그리고, 상기 개체화 데이터 각각은, 또 다른 예로서, 상기 생체 신호가 상기 피검체에 대하여 개체화된 결과인 생체 신호 개체화 데이터 및 상기 생체 신호에 대응되도록 생성된 유사 혈액 검사 결과의 개체화된 결과인 혈액 검사 결과 개체화 데이터를 포함하는 데이터일 수 있다. 이 경우는, 도 6에 도시되지 않은 실시 예로서, 데이터 획득 모듈(310)에 의하여 획득된 생체 신호를 개체화하는 한편, 누락된 혈액 검사 결과 데이터 자체를 생성하는(그리고, 그 생성된 유사 혈액 검사 결과 데이터를 개체화하는) 대신, 유사 데이터 생성 모듈(330)이, 혈액 검사 결과 데이터가 개체화된 결과인 혈액 검사 결과 개체화 데이터를 직접 생성한다.

여기에서, 개체화(S220)가 수행되는 방식은 전술한 바와 같으므로 중복 설명을 생략하기로 한다. 다만, 피검체별로 특성에 맞도록 변환하여 개체화 데이터를 구성하는 방식은 본 개시서에 설명된 방식에 한정되지 않는다는 점을 통상의 기술자는 이해할 수 있을 것이다.

다시 도 6을 참조하면, 단계(S200)는, 단계(S220)의 수행 후 계속해서, 상기 소정 증상의 예측을 위한 기계 학습 모델에 기초하여 상기 개체화 데이터로부터 상기 분석 대상 데이터 중 어느 하나의 특정 분석 대상 데이터에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계(S230)를 더 포함한다.

본 발명의 일 실시 예에 따르면, 상기 기계 학습 모듈(340)에 채용되는 기계 학습 모델에는 순환 신경망(recurrent neural network) 모델과 같은 심층 신경망 모델이 포함될 수 있으며, 이러한 기계 학습 모듈(340)이 상기 프로세서(220)에 의하여 실행될 수 있다. 전술한 바와 같이 s_t=f(U x_t+W s_t-1)과 y=g(V s_t)의 식을 따르는 상기 순환 신경망(이를 더 일반화한 심층 신경망은 s_t=f(x_t, s_t-1, U_i, ...)과 y=g(s_t, U_j, ...), U=U₁, W=U₂, V=U₃ 식을 따르며 i는 3 이상일 수 있다.)에 있어서 상기 x_t는 t 시점에서의 입력 벡터인 상기 개체화 데이터 또는 상기 개체화 데이터로부터 가공된 값을 지칭하는데, 상기 개체화 데이터로부터 가공된 값이라 함은, 예를 들어, 상기 개체화 데이터의 (이전 시점으로부터 해당 시점으로의) 변화량 또는 상기 변화량의 변화량일 수 있다.

계속하여 설명하면, 상기 s_t는 상기 t 시점에서의 상기 순환 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며, 상기 s_t-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고, 상기 U, V 및 W는 상기 순환 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며, 상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고, 상기 y는 상기 분석 정보로서 t 시점에서의 상기 순환 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며, 상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭한다.

구체적으로, 본 발명에 따른 기계 학습 모듈(340) 중 제1 분석 모듈(미도시)은 상기 t 시점에서의 개체화 데이터를 참조로 하여 상기 개체화 데이터 간의 관계를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 U x_t에 대응될 수 있다. 또한 본 발명에 따른 기계 학습 모듈(340) 중 제2 분석 모듈(미도시)은 상기 t-1 시점까지의 개체화 데이터를 참조로 하여 시간에 따른 상기 개체화 데이터의 변화를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 W s_t-1에 대응될 수 있다.

여기에서, 상기 소정의 제1 활성화 함수 f로는 통상적으로 이용되는 tanh() 또는 ReLU 함수일 수 있다. 또한, 상기 소정의 제2 활성화 함수 g는 통상적으로 이용되는 softmax 함수일 수 있다. 각각의 용도에 따라, 계산의 복잡도에 따라 이와 같은 제1 활성화 함수 및 제2 활성화 함수의 선택이 달라질 수 있음이 알려져 있다.

또한, 상기 실시 예에 따르면, 상기 기계 학습 모듈에는 상기 출력층(y)으로부터 상기 소정 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)을 포함하는 제2 신경망 모듈이 더 포함될 수 있다.

한편, 본 발명에 따른 소정 증상 예측 결과 생성 방법의 수행에 앞서, 상기 기계 학습 모델이 미리 학습되는 단계(S050)를 거쳐야 할 필요가 있는바, 이를 위한 갱신 및 학습 모듈, 혹은 학습 모듈(350)이 상기 프로세서(220)에 의하여 실행될 수 있다.

상기 심층 신경망(예컨대 순환 신경망) 모델의 학습을 위하여, 상기 학습 모듈(350)은 다수의 기존 피검체에 대한 개별 개체화 데이터를 학습 데이터로서 이용하는 시간 거스름 역전파(back-propagation through time; BPTT)를 통하여 상기 심층 신경망 모델을 학습할 수 있으며, 이와 같은 학습에 의하여 상기 U, V 및 W가 결정될 수 있다. 본 개시서에서 예시된 심층 신경망은 순환 신경망에 한정되지 않는바, 롱숏텀메모리(long-short term memory; LSTM), GRU, MemN 등과 같이 본 발명의 기술분야에 널리 알려진 시계열적 분석을 위한 다양한 심층 신경망의 변형들이 이용될 수 있다.

또한, 제2 신경망 모듈의 학습을 위하여, 상기 학습 모듈(350)은 다수의 기존 피검체에 대한 개별 개체화 데이터 및 상기 기존 피검체의 각각의 시점에서의 소정 증상의 발생 여부를 학습 데이터로 이용한 역전파(back-propagation)를 통하여 상기 제2 신경망 모듈을 학습할 수 있다.

본 발명의 실시 예에 따라 소정 증상을 예측하는 단계(S230)를 더 구체적으로 설명하면, 상기 프로세서(220)가, 상기 개체화 데이터를 이용함으로써, 상기 t+n 시점에서의 상기 출력층을 획득하거나 상기 타 장치로 하여금 획득하도록 지원할 수 있으며, 그 후, 상기 프로세서(220)가, 상기 t+n 시점에서의 상기 출력층을 이용함으로써, 상기 t+n 시점까지의 상기 소정 증상의 발생 확률을 상기 예측 결과로서 생성하거나 상기 타 장치로 하여금 생성하도록 지원할 수 있다.

계속해서, 도 6을 참조하면, 본 발명에 따른 예측 결과 생성 방법은, 상기 프로세서(220)가, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하는 단계(S300)를 더 포함한다.

여기에서 외부 엔티티라고 함은, 본 발명에 따른 방법을 수행하는 컴퓨팅 장치(200)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 예측 결과를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 컴퓨팅 장치(200)는 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 예측 결과를 외부 엔티티에 제공할 수 있다.

도 2 내지 도 6에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(200)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다. 따라서 전술한 본 발명 방법의 각 단계는, 하나의 컴퓨팅 장치가 직접 수행하거나 상기 하나의 컴퓨팅 장치가 상기 하나의 컴퓨팅 장치에 연동되는 타 컴퓨팅 장치로 하여금 수행하도록 지원함으로써 수행될 수 있음이 자명하다.

한편, 상기 소정 증상의 발생 확률이 소정의 확률보다 높은 조건과 같은 특정 조건에 해당하는 경우에만, 상기 외부 엔티티에 상기 예측 결과가 제공되는 실시 예도 있을 수 있다.

이와 같이 본 발명에 따른 소정 증상 예측 결과 생성 방법은, 미리 학습된 기계 학습 모델에 기초하여 소정 증상에 관한 예측 결과를 제공할 수 있는바, 그 예측 결과를 평가한 정보 등을 다시 상기 기계 학습 모델에 대한 갱신의 자료로 활용한다면, 상기 기계 학습 모델로 하여금 더 정확한 예측을 수행하도록 할 수 있는 장점이 있으므로, 이러한 장점을 취하기 위한 본 발명에 따른 예측 결과 생성 방법은, 상기 프로세서(220)가, 상기 예측 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계(S400)를 더 포함할 수 있다. 이때, 이전의 학습 때에는 고려되지 않았던 개체화 데이터가 추가로 고려되고, 이전의 학습 때에 있었던 오류를 바로잡을 수 있기 때문에 상기 기계 학습 모델의 정확도가 향상되는바, 데이터가 쌓일수록 상기 기계 학습의 성능이 지속적으로 향상되는 장점이 있다.

여기에서 상기 예측 결과를 평가한 정보는 상기 의료 전문가 등의 외부 엔티티로부터 제공될 수 있다.

이와 같은 갱신은 새로이 제공된 데이터를 토대로 다시 학습을 진행하는 것을 지칭하는 것인바, 전술한 단계(S050)와 실질적으로 동일하다고 할 수 있다. 즉, 상기 예측 결과를 평가한 정보에 따라 기계 학습 모델에 이용된 가중치 및 편향치 파라미터들, 예를 들어 상기한 U, V, W 등이 수정되는 방식으로 갱신이 수행될 수 있는 것이다.

이와 같이 본 발명은 전술한 모든 실시 예들에 걸쳐, 종래의 인공지능 기반 예측 방식에 비하여 추가적인 요소를 더 고려함으로써 더 정확하게 그 소정 증상을 예측할 수 있는 효과가 있다.

상기 실시 예들로써 여기에서 설명된 기술의 이점은, 하루에도 많은 진단 자료에 기초하여 정확히 판정 내지 예측하여야 하는 바쁜 의료 환경에 놓인 의료 전문가들의 부담을 크게 덜어줄 수 있는 한편, 종래의 생체 신호만을 이용하는 것에 비해 혈액 검사 결과 데이터를 반영한 더 정확한 예측이 가능해진다는 점이다. 요컨대, 본 발명의 기술에 따르면 종래에 가용한 신체 데이터를 그대로 이용하여 산출한 예측 결과만으로도, 소정 시점까지 소정 증상이 나타날 것으로 의심되는 환자들이 자동으로 스크리닝되고, 의료진은 그 환자들만을 확인하면 되어 소정 증상의 예측의 정확도 및 속도를 향상시킬 수 있으며, 심지어 가용한 혈액 검사 데이터가 없는 경우에도 마치 그 혈액 검사 데이터가 있는 것과 같은 정도의 정확도로 종래의 생체 신호만을 이용한 예측보다 더 나은 정확도를 얻을 수 있다.

본 발명의 다른 실시 예에 따르면, 상기 피검체의 진료기록(clinical note) 및 처방전과 같은 타 유형의 데이터도 상기 분석 대상 데이터에 더 포함될 수 있다.

예를 들어, 진료기록에 관하여는 진료기록에 포함된 개별 문장이 벡터화됨으로써 얻어지는 수치화된 정보가 상기 생체 신호나 혈액 검사 결과 데이터와 마찬가지의 방식으로 활용될 수 있으며, 개별 문장 자체가 특정 신체 데이터의 연속적 수치 정보 또는 불연속적 수치 정보(예컨대 카테고리화 정보)를 포함하는 때에는 그 연속적 수치 정보 또는 불연속적 수치 정보가 상기 생체 신호나 혈액 검사 결과 데이터와 마찬가지의 방식으로 활용될 수 있다.

처방전 또한, 기재된 약품명과 투약량을 수치화함으로써 생체 신호나 혈액 검사 결과 데이터와 마찬가지의 방식으로 활용할 수 있음은 물론이다.

이상, 본 개시서의 다양한 실시 예들에 관한 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 프로세서, 예컨대, 마이크로프로세서, 컨트롤러, 예컨대, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 마이크로컴퓨터, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 예컨대, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 예컨대, FPGA(field programmable gate array), PLU(programmable logic unit) 혹은 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 기타 명령어(instruction)를 실행하고 응답할 수 있는 임의의 다른 장치, 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령어(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령어 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 기계 판독 가능 기록 매체에 저장될 수 있다.

더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능 매체에 기록될 수 있다. 기계 판독 가능 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD, Blu-ray와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는 바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.

따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.

예를 들어, 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 본 개시서에 첨부된 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인 바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (10)

1. 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법에 있어서,
   (a) 컴퓨팅 장치의 통신부가, 상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계;
   (b) 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 기계 학습 모듈이, 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및
   (c) 상기 컴퓨팅 장치의 통신부가, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
   를 포함하되,
   상기 적어도 일부를 가공한 데이터인 개체화 데이터 각각은,
   (i) 상기 생체 신호 및 상기 생체 신호에 대응되도록 획득된 상기 혈액 검사 결과, 또는 (ii) 상기 생체 신호 및 상기 생체 신호에 대응되도록 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 유사 데이터 생성 모듈에 의하여 생성된 유사 혈액 검사 결과가 상기 피검체에 대하여, 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 데이터 개체화 모듈에 의하여 개체화된 데이터인 제1 개체화 데이터이거나,
   상기 생체 신호가 상기 피검체에 대하여 개체화된 결과인 생체 신호 개체화 데이터 및 상기 생체 신호에 대응되도록 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 유사 데이터 생성 모듈에 의하여 생성된 유사 혈액 검사 결과의, 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 데이터 개체화 모듈에 의하여 개체화된 결과인 혈액 검사 결과 개체화 데이터를 포함하는 제2 개체화 데이터이고,
   상기 유사 데이터 생성 모듈은 생성기 및 판별기를 포함하는 생성적 적대적 신경망을 포함하고, 상기 생성기는 입력받은 생체 신호를 기초로 실제와 유사 혈액 검사 데이터를 생성함으로써 상기 판별기로 하여금 상기 유사 혈액 검사 데이터를 실제의 혈액 검사 데이터로 판별하도록 하는 동시에 상기 판별기는 입력된 신호가 실제의 혈액 검사 데이터인지 유사 혈액 검사 데이터인지를 구분해내도록 훈련되며,
   상기 생체 신호에 대응되는 상기 혈액 검사 결과가 누락된 경우, 상기 유사 데이터 생성 모듈에 의하여 누락된 상기 혈액 검사 결과가 생성되는 것을 특징으로 하는 소정 증상 예측 결과 생성 방법.
2. 제1항에 있어서,
   (d) 상기 예측 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 갱신 모듈 및 학습 모듈이, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계
   를 더 포함하는 소정 증상 예측 결과 생성 방법.
3. 삭제
4. 제1항에 있어서,
   상기 개체화는,
   상기 개체화의 대상이 되는 데이터인 대상 데이터 중 최초 소정 시간 동안의 대상 데이터의 평균을 상기 대상 데이터에 포함된 전체 시간의 대상 데이터에서 뺌으로써 상기 전체 시간 동안의 상기 대상 데이터의 편차를 구하고, 제공된 다수의 타 피검체의 상기 대상 데이터의 평균 및 분산을 참조로 하여 상기 피검체의 상기 전체 시간 동안의 상기 대상 데이터의 표준화 점수(z-score)가 상기 개체화의 결과로서 산출되는 것을 특징으로 하는 소정 증상 예측 결과 생성 방법.
5. 제1항에 있어서,
   상기 기계 학습 모델은 신경망(neural network) 모델을 분석 모델로서 포함하고,
   상기 신경망 모델은 s_t=f(x_t, s_t-1, U_i, ...) 및 y=g(s_t, U_j, ...), U=U₁, W=U₂, V=U₃의 식을 따르되,
   상기 x_t는 t 시점에서의 입력 벡터인 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터의 값을 지칭하고,
   상기 s_t는 상기 t 시점에서의 상기 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며,
   상기 s_t-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고,
   상기 U, V 및 W는 상기 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며,
   상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고,
   상기 y는 분석 정보로서 t 시점에서의 상기 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며,
   상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭하고,
   상기 기계 학습 모델은 상기 출력층으로부터 상기 소정 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)을 포함하는 제2 신경망 모델을 예측 모델의 적어도 일부로서 더 포함하는 것을 특징으로 하는 소정 증상 예측 결과 생성 방법.
6. 제1항에 있어서,
   상기 분석 대상 데이터는 상기 피검체의 진료기록(clinical note) 및 처방전을 더 포함하는 것을 특징으로 하는 소정 증상 예측 결과 생성 방법.
7. 컴퓨팅 장치로 하여금, 제1항, 제2항, 제4항 내지 제6항 중 어느 한 항의 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는, 매체에 저장된 컴퓨터 프로그램.
8. 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 컴퓨팅 장치에 있어서,
   상기 피검체의 생체 신호(biosignal) 및 상기 피검체의 혈액 검사 결과를 분석 대상 데이터로서 획득하는 통신부; 및
   (i) 상기 분석 대상 데이터 또는 상기 분석 대상 데이터 중 적어도 일부를 가공한 데이터를 참조로 하여 상기 소정 증상의 예측을 위한 기계 학습 모델(machine learning model)에 기반하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t에서 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하는 프로세스; 및 (ii) 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 상기 (i) 프로세스 및 (ii) 프로세스를 수행하도록 지원하는 프로세서
   를 포함하되,
   상기 적어도 일부를 가공한 데이터인 개체화 데이터 각각은,
   (i) 상기 생체 신호 및 상기 생체 신호에 대응되도록 획득된 상기 혈액 검사 결과, 또는 (ii) 상기 생체 신호 및 상기 생체 신호에 대응되도록 상기 프로세서에 의하여 구현되는 유사 데이터 생성 모듈에 의하여 생성된 유사 혈액 검사 결과가 상기 피검체에 대하여, 상기 프로세서에 의하여 구현되는 데이터 개체화 모듈에 의하여 개체화된 데이터인 제1 개체화 데이터이거나,
   상기 생체 신호가 상기 피검체에 대하여 개체화된 결과인 생체 신호 개체화 데이터 및 상기 생체 신호에 대응되도록 상기 프로세서에 의하여 구현되는 유사 데이터 생성 모듈에 의하여 생성된 유사 혈액 검사 결과의, 상기 프로세서에 의하여 구현되는 데이터 개체화 모듈에 의하여 개체화된 결과인 혈액 검사 결과 개체화 데이터를 포함하는 제2 개체화 데이터이고,
   상기 유사 데이터 생성 모듈은 생성기 및 판별기를 포함하는 생성적 적대적 신경망을 포함하고, 상기 생성기는 입력받은 생체 신호를 기초로 실제와 유사 혈액 검사 데이터를 생성함으로써 상기 판별기로 하여금 상기 유사 혈액 검사 데이터를 실제의 혈액 검사 데이터로 판별하도록 하는 동시에 상기 판별기는 입력된 신호가 실제의 혈액 검사 데이터인지 유사 혈액 검사 데이터인지를 구분해내도록 훈련되며,
   상기 생체 신호에 대응되는 상기 혈액 검사 결과가 누락된 경우, 상기 유사 데이터 생성 모듈에 의하여 누락된 상기 혈액 검사 결과가 생성되는 것을 특징으로 하는 소정 증상 예측 결과 생성 장치.
9. 제8항에 있어서,
   상기 프로세서가,
   상기 예측 결과를 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 프로세스를 더 수행하거나 상기 타 장치로 하여금 더 수행하도록 지원하는 것을 특징으로 하는 소정 증상 예측 결과 생성 장치.
10. 삭제

Images