KR102142754B1

KR102142754B1 - 딥러닝 기반의 전립선암 병리학적 단계 예측 방법

Info

Publication number: KR102142754B1
Application number: KR1020180032767A
Authority: KR
Inventors: 최인영; 김재권; 노미정
Original assignee: 가톨릭대학교 산학협력단
Priority date: 2018-03-21
Filing date: 2018-03-21
Publication date: 2020-08-07
Also published as: KR20190110834A

Abstract

본 발명은 딥러닝 기반의 전립선암 병리학적 단계 예측 방법에 관한 것이다. 본 발명에 의한 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로, 상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망에 입력시켜 제1결과값을 도출하는 단계; 및 상기 제1결과값을 상기 인공지능 신경망의 수식값에 재차 입력하되 상기 가중치를 변경하면서 제2결과값을 도출하는 단계;를 포함하여 이루어지는 것을 특징으로 한다.

Description

딥러닝 기반의 전립선암 병리학적 단계 예측 방법{Prostate cancer pathologic step prediction method based on deep learning}

본 발명은 딥러닝 기반의 전립선암 병리학적 단계 예측 방법에 관한 것으로, 더욱 상세하게는 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하되, 적은 횟수의 학습에 의해서도 신뢰도 있는 결과 도출을 가능하게 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법에 관한 것이다.

인공지능 기술은 현재 세계적으로 각광받는 기술로 의료, 전자, 기계 등 다양한 산업에 큰 장점으로 활용될 수 있는 핵심 기술로, 의료 분야에 이용될 시에 보다 정확하고 빠른 진단 및 치료를 가능케 함으로써 국민 복지 증진은 물론 의료 기술 발전에 이바지할 수 있다.

특히, 암정보를 정밀하게 취득하기 위한 암진단 또는 암예측 기술에 이러한 인공지능 기술이 접목된다면, 더욱 정밀하고 신속하게 환자의 병변부위를 예측하거나 치료할 수 있게 된다.

그러나, 종래기술에 의한 딥러닝 기반의 암 예측 방법의 경우, 신뢰성 있는 결과 도출을 위해 학습 횟수를 늘리는 것에 의존하기 때문에, 결과 도출까지 많은 시간이 걸리게 됨에 따라, 적시에 정확한 예측을 할 수 없는 문제점이 있었다.

대한민국 공개특허공보 제2013-0050707호 일본 공개특허공보 제2011-255106호

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측할 수 있게 하여 그 예측 결과를 다른 지표와 함께 활용하여 정밀한 병리학적 결과 도출을 가능하게 하고, 학습횟수를 늘리지 않고도 신뢰도 있는 결과 도출을 가능하게 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법을 제공하고자 하는 것이다.

상기 목적을 달성하기 위한 본 발명에 의한 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로, 상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망에 입력시켜 제1결과값을 도출하는 단계; 및 상기 제1결과값을 상기 인공지능 신경망의 수식값에 재차 입력하되 상기 가중치를 변경하면서 제2결과값을 도출하는 단계;를 포함하여 이루어지는 것을 특징으로 한다.

상기 변수들은, 전립선 특이항원 수치(PSA)인 제1변수, 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)인 제2변수와 두번째 큰 지표(Secondary Gleason score)인 제3변수, 전문가 소견에 의한 병리학적 단계(Clinical T Stage)인 제4변수, 초음파 결과(TRUS)인 제5변수 및 환자의 나이(AGE)인 제6변수의 조합으로 이루어지는 것이 바람직하다.

상기 변수들은, 상기 나이인 제6변수를 제외한 나머지 변수들, 전립선 특이항원 수치(PSA), 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)와 두번째 큰 지표(Secondary Gleason score), 전문가 소견에 의한 병리학적 단계(Clinical T Stage) 및 초음파 결과(TRUS)인 것이 바람직하다.

상기 변수들은, 상기 전립선암 진단을 위해 확보되어야 하는 상기 제1변수, 제2변수, 제3변수 및 제4변수를 그룹으로 한 제1케이스의 결과값을 기준값으로 산출하고, 상기 제1케이스와 나이를 포함한 제2케이스의 결과값, 상기 제1케이스와 초음파 결과를 포함한 제3케이스의 결과값 및 상기 제3케이스의 결과값에 나이를 포함한 제4케이스의 결과값을 각각 산출한 후 상기 기준값과 비교하여, 가장 높은 신뢰도값을 가지는 결과값에 기초하여 선정되는 것이 바람직하다.

상술한 바와 같은 구성을 가지는 본 발명에 의한 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 전립선암에 영향을 미치는 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 인공지능 신경망을 통해 학습이 이루어지게 됨에 따라, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 하여 전립선암의 신속한 병리학적 단계 예측을 가능하고 하는 장점과, 인경지능 신경망을 거쳐 얻어진 결과값을 가중치를 달리 하여 재차 그 신경망의 수학식에 입력하여 연속적인 결과를 얻게 함으로써, 기존 여러가지 머신러닝 기반 학습모델과 비교할 때, 학습횟수를 늘리지 않고도 전립선암에 대한 더욱 신뢰성 있는 결과 도출을 가능하게 하는 장점을 가진다.

도 1은 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법의 입출력 흐름을 설명하기 위한 도면.
도 2 및 도 3은 본 발명 일실시예의 장점을 설명하기 위한 도면들.
도 4 및 도 5는 본 발명 일실시예의 변수 선정 방법 및 그 선정된 변수들에 의한 장점을 설명하기 위한 도면들.

이하에서는 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법을 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법의 입출력 흐름을 설명하기 위한 도면이고, 도 2 및 도 3은 본 발명 일실시예의 장점을 설명하기 위한 도면들이며, 도 4 및 도 5는 본 발명 일실시예의 변수 선정 방법 및 그 선정된 변수들에 의한 장점을 설명하기 위한 도면들이다.

도 1에 잘 도시된 바와 같이, 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 딥러닝을 통해 학습된 인공지능 신경망(2)을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로, 종래의 립러닝 방식인 학습횟수를 늘려 결과값의 신뢰도를 높이는 방법과는 달리, 최소한의 학습에 의해서도 신뢰성 있는 결과 도출이 가능하도록, 학습횟수를 줄이는 대신에 연속적인 2-step을 거쳐 결과값을 도출하도록 구성되었다.

즉, 본 실시예는, 최소한의 학습을 통해 얻어지는 제1결과값(3)을 도출하고, 연속적으로 제2결과값(4)을 도출하도록 구성되었다.

상기 제1결과값(3)은, 상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망(2)에 입력시킴으로써 도출된다. 여기서, 상기 인공지능 신경망(2)은 상기 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 RBM(Restricted Boltzmann machine) 신경망(2)인 것으로, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 한다.

상기 제2결과값(4)은, 상기 제1결과값(3)을 상기 인공지능 신경망(2)의 수학식에 재차 입력하되 상기 가중치를 변경하면서 얻어지게 된다. 즉, 본 실시예에 의해 얻고자 하는 이상적인 결과값은 전립선암의 병리학적 단계인 각 Stage에 해당하는지에 대한 여부인 '1'또는 '0'이다. 그러나, 인공지능 신경망을 통해서도 '1' 또는 '0'의 결과값으로 귀결되기 어려운 수많은 데이터가 존재하게 되는데, 이 경우 이러한 데이터의 결과값을 재차 상기 수학식에 입력하고 가중치를 미리 설정된 값으로 변경 적용하게 되면, '1'과 '0'의 이상적인 결과가 도출된다.

이와 같이, 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 전립선암에 영향을 미치는 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 인공지능 신경망(2)을 통해 학습이 이루어지게 됨에 따라, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 하여 전립선암의 신속한 병리학적 단계 예측을 가능하고 하고, 인경지능 신경망(2)을 거쳐 얻어진 결과값을 가중치를 달리 하여 재차 그 신경망(2)의 수학식에 입력하여 연속적인 결과를 얻게 함으로써, 도 2 및 도 3에 잘 도시된 바와 같이, 기존 여러가지 머신러닝 기반 학습모델과 비교할 때, 학습횟수를 늘리지 않고도 전립선암에 대한 더욱 신뢰성 있는 결과 도출을 가능하게 하는 장점을 기대할 수 있게 한다.

한편, 상기 인공지능 신경망(2)에 입력되는 변수들은, 전립선암에 가장 큰 영향을 미치는 요소인 6가지 변수들의 조합 중 어느 하나로 선정되었다.

즉, 상기 변수들은, 전립선 특이항원(PSA) 수치인 제1변수(11), 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)인 제2변수(12)와 두번째 큰 지표(Secondary Gleason score)인 제3변수(13), 전문가 소견에 의한 병리학적 단계(Clinical T Stage)인 제4변수(14), 초음파 결과(TRUS)인 제5변수(15) 및 환자의 나이(AGE)인 제6변수(16)의 조합으로 이루어진다.

상기 제1변수(11)인 전립선 특이항원(PSA; prostate specific antigen)은 전립선의 상피세포에서 합성되는 단백분해 효소로 전립선 이외의 조직에서는 거의 발현되지 않아 전립선암의 선별에 이용되는 유용한 종양표지자이고, 상기 제2변수(12) 및 제3변수(13)에 해당하는 글리슨 점수(Gleason score)는 전립선암의 악성도 분류체계로 사용되는 것으로, 조직검사 검체를 판독하는 병리의사들이 매기는 점수인데 떼어낸 전립선에서 암이 가장 많은 부분을 차지하는 두 군데에 점수를 주고 이를 합한 점수에 해당한다. 그리고, 상기 제5변수(15)인 TRUS는 상기 PSA와 유사한 지표에 해당하는 것으로, PSA 검사와는 별개로 이루어지는 초음파 검사를 통해 확인되는 지표이다.

본 실시예는, 도 4 및 도 5에 잘 도시된 바와 같이, 신뢰성이 높은 변수 그룹의 선정을 위해, 단계별로 반복적인 학습 결과를 도출하였다.

본 실시예에서 상기 변수들의 조합은, 먼저 전립선암 진단을 위해 확보되어야 하는 상기 제1변수(11), 제2변수(12), 제3변수(13) 및 제4변수(14)를 그룹으로 한 제1케이스(CASE 1)의 결과값을 기준값으로 산출하고, 다음으로 상기 제1케이스와 나이를 포함한 제2케이스(CASE 2)의 결과값, 상기 제1케이스와 초음파 결과를 포함한 제3케이스(CASE 3)의 결과값 및 상기 제3케이스의 결과값에 나이를 포함한 제4케이스(CASE 4)의 결과값을 각각 산출한 후 상기 기준값과 비교하여, 가장 높은 신뢰도값을 가지는 결과값에 기초하여 선정되었다.

이러한 구성을 가지는 본 실시예는, 전립선암의 병리학적 단계를 상기 선정된 변수들에 의한 인공지능 학습을 통해 신뢰성 있는 결과 예측을 가능하게 하는 장점을 기대할 수 있게 한다.

이상 본 발명의 다양한 실시예에 대하여 설명하였으나, 본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.

11:제1변수 12:제2변수
13:제3변수 14:제4변수
15:제5변수 16:제6변수
2:인공지능 신경망 3:제1결과값
4:제2결과값

Claims

딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로,
상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망에 입력시켜 제1결과값을 도출하는 단계; 및 상기 제1결과값을 상기 인공지능 신경망의 수식값에 재차 입력하되 상기 가중치를 변경하면서 제2결과값을 도출하는 단계;를 포함하여 이루어지고,
상기 변수들은, 전립선 특이항원 수치(PSA)인 제1변수, 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)인 제2변수와 두번째 큰 지표(Secondary Gleason score)인 제3변수, 전문가 소견에 의한 병리학적 단계(Clinical T Stage)인 제4변수, 초음파 결과(TRUS)인 제5변수 및 환자의 나이(AGE)인 제6변수의 조합으로 이루어지며,
상기 변수들은, 상기 나이인 제6변수를 제외한 나머지 변수들, 전립선 특이항원 수치(PSA), 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)와 두번째 큰 지표(Secondary Gleason score), 전문가 소견에 의한 병리학적 단계(Clinical T Stage) 및 초음파 결과(TRUS)이며,
상기 변수들은, 상기 전립선암 진단을 위해 확보되어야 하는 상기 제1변수, 제2변수, 제3변수 및 제4변수를 그룹으로 한 제1케이스의 결과값을 기준값으로 산출하고, 상기 제1케이스와 나이를 포함한 제2케이스의 결과값, 상기 제1케이스와 초음파 결과를 포함한 제3케이스의 결과값 및 상기 제3케이스의 결과값에 나이를 포함한 제4케이스의 결과값을 각각 산출한 후 상기 기준값과 비교하여, 가장 높은 신뢰도값을 가지는 결과값에 기초하여 선정되며,
상기 인공지능 신경망은 상기 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 RBM(Restricted Boltzmann machine) 신경망인 것으로, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 하는 것을 특징으로 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법.
삭제
삭제
삭제