KR102158197B1 - 골밀도에 대한 예측 정보를 제공하는 컴퓨팅 장치 - Google Patents

Abstract

전술한 과제를 실현하기 위한 본 개시의 일 실시예에 따라 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사용자의 골밀도 데이터 세트를 수신하는 동작, 상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하는 동작, 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하는 동작, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하는 동작, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하는 동작, 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 동작 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하는 동작을 포함할 수 있다.

Description

골밀도에 대한 예측 정보를 제공하는 컴퓨팅 장치{COMPUTING DEVICE FOR PROVIDING PREDICTION INFORMATION FOR BONE DENSITY}

본 개시는 골밀도 예측 정보를 제공하는 컴퓨팅 장치에 관한 것으로, 보다 구체적으로 사용자의 검진 데이터를 통해 골밀도에 대한 예측을 제공하는 컴퓨팅 장치에 관한 것이다.

세계적으로 고령자가 늘고 있고 소득 수준이 높아짐에 따라 건강에 대한 관심이 커지고 있다. 일반적으로 ??은 사람의 경우 골의 생성 흡수가 균형을 이루고 있으나, 고령자의 경우 에스토르겐의 분비가 저하되고 이로 인해 골 흡수 기능이 저하되며, 폐경기 여성의 경우 특히 골다공증이 발병률이 증가된다. 이러한 골다공증은 특별한 외견상 증상이 거의 나타나지 않으며, 한번 감소된 골량은 회복이 매우 어려울 수 있다. 이에 따라, 뼈의 상태 분석에 대한 수요가 증가하였다. 다양한 뼈의 상태를 분석하기 위하여 X선 흡수 계측법, 초음파, 정향 전산화 단층 촬영법 등이 존재하고 있으며. 현재 뼈의 상태를 분석하기 위하여 X선 흡수 계측법이 가장 많이 이용되고 있으며, 이러한 기술의 일환으로 대한민국 등록 특허공보 제10-0721007호가 개시하고 있다.

하지만, X선 흡수 계측법의 경우 장비의 크기가 크다는 불편함 및 방사능을 취급하기 때문에 그에 따른 설비를 필수적으로 갖추어야 한다는 문제점이 있다. 즉, 방사능 취급 자격증을 갖춘 전문 오퍼레이터가 측정해야 하므로, 종합병원급의 대규모 병원에서만 진료를 받을 수 있다는 한계가 있으며, 장비의 가격이 매우 비싸고 일회 측정에 따른 비용이 높기 때문에 예방이나 치료를 위한 주기적인 측정에 있어 경제적 부담을 초래할 수 있다. 또한, 골밀도를 예측하기 위해서는 반복적인 측정이 이루어져야하기 때문에 방사선을 이용하는 종래기술은 방사선에 반복적으로 노출되어야 하는 위험성이 필연적으로 존재할 수 있다.

따라서, 방사선에 반복적으로 노출되지 않아 인체에 무해하며, 보다 높은 정밀도로 사용자의 향후 골밀도를 예측하는 컴퓨팅 장치의 수요가 당 업계에 존재할 수 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 골밀도에 대한 예측 정보를 제공하는 컴퓨팅 장치에 관한 것이다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사용자의 골밀도 데이터 세트를 수신하는 동작, 상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하는 동작, 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하는 동작, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하는 동작, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하는 동작, 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 동작 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하는 동작을 포함할 수 있다.

대안적으로, 상기 골밀도 데이터 세트, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터는 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록(EHR: electronic health record), 전자의료 기록(EMR: electronic medical record) 및 건강검진 DB 중 적어도 하나로부터 수신하거나 또는 골밀도 측정 장치로부터 수신할 수 있다.

대안적으로, 상기 골밀도 데이터의 특이점은, 상기 골밀도 데이터 세트에 포함된 상기 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치를 벗어나는 경우 및 골밀도 변화 속도가 임계 골밀도 변화 속도를 초과하는 경우 중 적어도 하나의 경우를 포함할 수 있다.

대안적으로, 상기 정상 골밀도 수치의 임계치는, 상기 사용자의 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 중 적어도 하나로부터 추출된 상기 사용자의 생체 정보가 포함하는 하나 이상의 항목에 기초하여 사전 결정되어 상기 사용자의 상기 하나 이상의 골밀도 데이터에 기준이 되는 정보일 수 있다.

대안적으로, 상기 골밀도 변화 속도는, 상기 골밀도 데이터 세트에 포함된 상기 하나 이상의 골밀도 데이터 각각을 비교하여 산출된 골밀도 변화량 및 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보에 기초하여 생성될 수 있다.

대안적으로, 상기 골밀도 변화량 예측 모델은, 기계 학습(machine learning)을 통해 생성되며, 상기 하나 이상의 신경망을 포함하며, 상기 하나 이상의 신경망 각각은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하고, 상기 입력 레이어는 하나 이상의 입력 노드를 포함하고, 상기 하나 이상의 히든 레이어 각각은 하나 이상의 히든 레이어를 포함하고, 상기 출력 레이어는 하나 이상의 출력 노드를 포함하고, 그리고 각 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되며, 상기 각각의 링크는 가중치가 설정될 수 있다.

대안적으로, 상기 골밀도 변화 요인의 하나 이상의 항목 중 상기 골밀도 변화 데이터와 연관성이 높은 고연관 항목을 추출하는 동작 및 상기 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성하는 동작을 더 포함할 수 있다.

대안적으로, 상기 골밀도 변화 요인의 하나 이상의 항목 중 상기 골밀도 변화 데이터와 연관성이 높은 고연관 항목을 추출하는 동작은, 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화량 예측 모델의 출력을 입력으로 역투영(back projection)하는 동작 및 상기 역투영을 통해 출력된 데이터에 기초하여 상기 고연관 항목을 추출하는 동작을 포함할 수 있다.

대안적으로, 상기 골밀도 변화 데이터에 기초하여 골밀도 예측 데이터를 생성하는 동작을 더 포함하고, 그리고 상기 골밀도 예측 데이터는, 상기 골밀도 변화 데이터로부터 산출된 상기 골밀도 변화 속도에 대응하여 향후 골밀도를 예측하는 정보로, 향후 예측 골밀도 각각에 대응하는 시점이 매칭되어 생성될 수 있다.

본 개시의 다른 실시예에서, 골밀도 변화 데이터를 제공하기 위한 방법에 있어서, 사용자의 골밀도 데이터 세트를 수신하는 단계, 상기 골밀도 데이터 세트에 포함된 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하는 단계, 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하는 단계, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하는 단계, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하는 단계, 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 단계 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하는 단계를 포함할 수 있다.

본 개시의 또 다른 실시예에서, 골밀도 변화 데이터를 제공하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 및 외부 서버와 데이터를 송수신하는 네트워크부를 포함하고, 그리고 상기 프로세서는, 사용자의 골밀도 데이터 세트를 수신하며, 상기 골밀도 데이터 세트에 포함된 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하고, 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하고, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하고, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하고, 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하고, 그리고 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성할 수 있다.

본 개시는 사용자의 골밀도에 대한 예측 정보를 제공하는 컴퓨팅 장치를 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 골밀도에 대한 변화 데이터를 제공하는 컴퓨팅 장치의 시스템을 나타낸 개념도이다.
도 2는 본 개시의 일 실시예와 관련된 사용자의 골밀도에 대한 변화 데이터를 제공하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 일 실시예와 관련된 골밀도 변화량 예측 모델을 나타낸 예시도이다.
도 5는 본 개시의 일 실시예와 관련된 골밀도 데이터 세트에 포함된 골밀도 데이터를 특이점을 설명하기 위한 예시적인 도면이다.
도 6은 본 개시의 일 실시예와 관련된 골밀도 데이터 세트에 포함된 골밀도 데이터에 기초한 골밀도 변화 속도 및 그에 따른 특이점을 설명하기 위한 예시적인 도면이다.
도 7은 본 개시의 일 실시예와 관련된 골밀도 변화 데이터를 출력하는 골밀도 변화 예측 모델을 생성하기 위한 순서도를 도시한다.
도 8은 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 수단을 도시한 도면이다.
도 9은 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 모듈을 도시한 도면이다.
도 10은 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 로직을 도시한 도면이다.
도 11은 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 회로를 도시한 도면이다.
도 12는 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예와 관련된 골밀도 예측 정보를 제공하는 컴퓨팅 장치의 시스템을 나타낸 개념도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100) 및 외부 서버(200)는 무선 및/또는 유선을 통한 상호 연결을 통해 정보를 전송할 수 있고, 그리고 수신할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 골밀도 변화량 예측 모델을 통해 생성된 골밀도 변화 데이터에 기초하여 골밀도 예측 데이터를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 골밀도 변화 데이터로부터 산출된 골밀도 변화 속도에 대응하는 사용자의 향후 골밀도에 대한 정보를 포함하는 골밀도 예측 데이터를 생성할 수 있다. 이때, 골밀도 예측 데이터는 향후 예측 골밀도 데이터 각각에 대응하는 시점이 매칭되어 생성될 수 있다. 따라서, 사용자는 개개인에 따른 골밀도 변화 이력을 통한 향후 골밀도 데이터에 대한 정보를 컴퓨팅 장치(100)로부터 제공받을 수 있어, 보다 정밀도 골밀도 예측 데이터를 통해 자신의 향후 골밀도에 따른 건강 관리를 체계적으로 수행할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 골밀도 변화 데이터를 생성할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 골밀도 변화 요인에 기초한 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성할 수 있다. 이때, 라벨링된 학습 데이터는 골밀도 변화 요인과 골밀도 변화 데이터를 매칭시킴으로써 생성될 수 있다. 즉, 골밀도 변화 요인을 학습된 골밀도 변화량 예측 모델의 입력으로 하여, 골밀도 변화 데이터를 생성할 수 있다.

또한, 컴퓨팅 장치(100) 사용자의 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단할 수 있다. 이때, 제 1 건강 검진 데이터는 컴퓨팅 장치(100)가 수신한 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터에 특이점이 존재하는 시점에 대응하는 사용자의 건강 검진 데이터일 수 있으며, 제 2 건강 검진 데이터는 상기 제 1 건강 검진 데이터와 상이한 시점의 건강 검진 데이터일 수 있다. 예를 들어, 제 1 건강 검진 데이터가 사용자의 골밀도에 특이점이 발견된 시점에 대응하는 검진 데이터로, 사용자의 신체가 골밀도에 변화를 주는 요인을 포함하고 있는 건강 검진 데이터인 경우, 제 2 건강 검진 데이터는 사용자의 골밀도에 특이점이 발견된 시점과 다른 시점의 검진 데이터로, 사용자의 신체에 골밀도를 변화시키는 요인이 없는 즉, 건강한 상태 혹은 평시 상태의 검진 데이터일 수 있다. 즉, 사용자의 골밀도를 변화(즉, 골밀도 데이터의 특이점)시킨 시점의 제 1 건강 검진 데이터와 상기 제 1 건강 검진 데이터와 다른 시점의 제 2 건강 검진 데이터의 비교를 통해 골밀도 변화 데이터를 생성할 수 있으며, 골밀도 변화 요인을 판단할 수 있다. 전술한 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터의 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 컴퓨팅 장치(100)는 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 골밀도 데이터 세트를 외부 서버(200)로부터 수신하고, 상기 수신한 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 및 상기 골밀도 데이터 기초하여 산출된 골밀도 변화 속도 중 적어도 하나를 통해 상기 골밀도 데이터의 특이점을 판별할 수 있다. 보다 자세히 설명하면, 컴퓨팅 장치(100)는 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치를 벗어나는 경우 및 골밀도 변화 속도가 임계 골밀도 변화 속도를 초과하는 경우 중 적어도 하나의 경우를 골밀도 데이터의 특이점으로 판별할 수 있다. 또한, 컴퓨팅 장치(100)는 골밀도 데이터를 특이점으로 판별한 경우, 상기 판별된 골밀도 데이터의 특이점에 대응하는 시점을 식별할 수 있다. 즉, 컴퓨팅 장치(100)는 사용자의 골밀도 데이터 상에 특이점을 판별하고, 상기 특이점이 존재하는 골밀도 데이터의 시점을 식별함으로써, 상기 시점에 대응하는 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신할 수 있다.

도 2는 본 개시의 일 실시예와 관련된 사용자의 골밀도에 대한 예측 정보를 제공하는 컴퓨팅 장치의 블록 구성도를 도시한다.

도 2에 도시된 컴퓨팅 장치(100)의 컴포넌트들은 예시적인 것이다. 도 2 에 도시된 컴포넌트 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 또한, 도 2에 도시된 컴포넌트 이외에 추가적인 컴포넌트(들)가 상기 컴퓨팅 장치(100)에 포함될 수도 있다. 또한, 컴퓨팅 장치(100)는 임의의 형태의 장치를 모두 포함할 수 있으며, 예를 들어, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 또한, 컴퓨팅 장치(100)는 골밀도 변화 정보를 산출하는 웹 서버일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 프로세서(110), 메모리(120) 및 네트워크부(130)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서(110)를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 골밀도 변화 정보를 산출할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용한 골밀도 데이터에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서(110)를 함께 사용하여 모델의 학습, 골밀도 측정 모델을 통한 골밀도 데이터에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

이하에서는 본 개시의 일 실시예에 따른 사용자의 골밀도 변화 데이터를 출력하는 방법에 관하여 설명하도록 한다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 골밀도 데이터 세트를 외부 서버(200)로부터 수신할 수 있다. 보다 구체적으로, 프로세서(110)는 골밀도 데이터 세트를 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록, 전자의료기록 및 건강 검진 DB 중 적어도 하나로부터 수신하거나 또는 골밀도 측정 장치로부터 수신할 수 있다.

또한, 프로세서(110)는 외부 서버(200)로부터 수신한 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 골밀도 데이터에 판별된 특이점이 존재하는 시점을 식별할 수 있다. 이때, 프로세서(110)가 사용자의 골밀도 데이터 세트에서 골밀도 데이터를 특이점으로 판별하는 경우는, 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치(510)를 벗어나는 경우 및 골밀도 변화 속도가 임계 골밀도 변화 속도를 초과하는 경우 중 적어도 하나의 경우일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)가 판별하는 골밀도 데이터의 특이점은 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치(510)를 벗어나는 경우일 수 있다. 자세히 설명하면, 정상 골밀도 수치의 임계치(510)는 사용자의 건강 검진 데이터로부터 추출된 사용자의 생체 정보가 포함하는 하나 이상의 항목에 기초하여 사전 결정된 것일 수 있으며, 상기 사용자의 하나 이상의 골밀도 데이터에 기준이 되는 정보일 수 있다. 이때, 사용자의 생체 정보는 성별, 나이, 키 및 몸무게를 포함할 수 있다. 즉, 정상 골밀도 수치의 임계치(510)는 사용자의 성별, 나이, 키 및 몸무게 중 적어도 하나에 기초하여 사전 결정된 값일 수 있으며, 사용자 별로 각기 상이한 정상 골밀도 수치의 임계치(510)를 가질 수 있다. 자세한 예를 들어, 사용자의 나이가 40대인 경우 정상 골밀도 수치의 임계치의 최고치가 사용자의 나이가 20대인 경우 정상 골밀도 수치의 임계치의 최고치 보다 낮을 수 있다. 다른 예를 들어, 사용자의 성별이 남성인 경우, 사용자의 성별이 여성인 경우보다 정상 골밀도 수치의 임계치의 최고점이 높을 수 있으며, 골밀도 수치의 임계치가 범위가 여성인 경우보다 좁을 수 있다. 전술한, 정상 골밀도 수치에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 5를 참조하면, 임의의 사용자의 정상 골밀도 수치의 임계치(510)는 1.103 ~ 1.115(g/cm2)의 범위를 가질 수 있다. 이때, 상기 임의의 사용자의 9월에 측정된 골밀도 데이터(520)가 정상 골밀도 수치의 임계치를 벗어나는 것을 확인할 수 있다. 즉, 프로세서(110)는 사용자의 골밀도 데이터가 정상 골밀도 수치의 임계치(510)를 벗어난 경우를 골밀도 데이터의 특이점으로 판별할 수 있다. 또한, 프로세서(110)는 정상 골밀도 수치의 임계치(510)를 벗어난 사용자의 골밀도 데이터의 시점을 식별할 수 있다. 자세한 예를 들어, 도 5의 임의의 사용자의 경우, 프로세서(110)는 사용자의 골밀도 데이터가 정상 골밀도 수치의 임계치(510)를 벗어난 시점을 9월로 식별할 수 있다. 이에 따라, 프로세서(110)는 사용자 개개인 특성에 대응하는 정상 골밀도 수치의 임계치(510)를 설정함으로써, 사용자 개개인의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 판별된 시점을 식별할 수 있다. 전술한 임의의 사용자의 정상 골밀도 수치의 임계치에 대한 구체적인 수치는 예시일 뿐, 본 개시는 사용자의 개인 특성(즉, 생체 정보)에 따른 다양한 정상 골밀도 수치의 임계치를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 골밀도 변화 속도를 산출할 수 있다. 보다 구체적으로, 프로세서(110)는 골밀도 변화 속도를 산출하기 위해 하나 이상의 골밀도 데이터의 변화량 및 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보를 획득할 수 있다.

프로세서(110)는 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각을 비교하여 골밀도 변화량을 산출할 수 있다. 자세한 예를 들어, 도 6의 (a)에 도시된 바와 같이, 사용자의 4월 및 5월에 측정된 골밀도 데이터가 각각 1.111(g/cm2) 및 1.113(g/cm2)인 경우, 프로세서(110)는 사용자의 4월 및 5월 사이의 골밀도 변화량을 0.002(g/cm2)로 산출할 수 있다. 다른 예를 들어, 사용자의 7월 및 8월에 측정된 골밀도 데이터가 각각 1.098(g/cm2) 및 1.020(g/cm2)인 경우, 프로세서(110)는 사용자의 7월 및 8월 사이의 골밀도 변화량을 0.078(g/cm2)로 산출할 수 있다.

프로세서(110)는 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보를 획득할 수 있다. 자세한 예를 들어, 도 6의 (a)에 도시된 바와 같이, 사용자의 골밀도 데이터는 월별로 측정된 것일 수 있으며, 이 경우, 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보는 한달(즉, 30일)일 수 있다. 즉, 프로세서(110)는 사용자의 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터를 통해 골밀도 변화량을 산출할 수 있고, 그리고 골밀도 변화량 각각에 따른 시간 구간 정보를 획득할 수 있다. 또한, 프로세서(110)는 상기 골밀도 변화량 및 시간 구간 정보에 기초하여 골밀도 변화 속도를 산출할 수 있다. 구체적으로, 프로세서(110)는 사용자의 골밀도가 변화한 정도(즉, 골밀도 변화량)와 상기 골밀도가 변화한 기간(즉, 시간 구간 정보)를 통해 골밀도 변화 속도를 산출할 수 있다. 구체적인 예를 들어, 도 6의 (a)에 도시된 바와 같이, 4월 및 5월의 골밀도 데이터를 통해 골밀도 변화량이 0.001(g/cm2)임을 판단할 수 있으며, 시간 구간 정보는 30일임을 판단할 수 있다. 즉, 도 6의 (b)에 도시된 바와 같이 그래프상의 각 월별 데이터 사이의 기울기가 골밀도 변화 속도일 수 있다. 또한, 프로세서(110)가 판별하는 골밀도 데이터의 특이점은 사용자의 골밀도 데이터에 기초하여 산출된 골밀도 변화 속도가 사전 결정된 임계 골밀도 변화 속도를 초과하는 경우일 수 있다. 자세히 설명하면, 사전 결정된 임계 골밀도 변화 속도보다 사용자의 골밀도 데이터에 기초하여 산출된 상기 사용자의 골밀도 변화 속도가 빠른 경우 즉, 그래프상의 기울기가 큰 경우, 프로세서(110)는 사용자의 골밀도 데이터의 특이점으로 판단할 수 있다. 이때, 사전 결정된 임계 골밀도 변화 속도는 사용자의 골밀도 데이터가 급격히 증가하거나, 감소하는 것을 감지하기 위한 것일 수 있다. 구체적인 예를 들어, 도 6의 (b)를 참조하면, 기울기가 급격히 증가하는 구간(즉, 시간당 골밀도 변화량이 큰 구간, 610)을 프로세서(110)는 사용자의 골밀도 특이점이 발생한 구간으로 판별할 수 있다. 전술한, 골밀도 변화량, 시간 구간 정보 및 골밀도 변화 속도에 대한 구체적인 기재는 본 개시의 이해를 돕기 위한 예시일 뿐, 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)가 사용자의 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 중 특이점이 판별된 골밀도 데이터의 시점을 식별한 경우, 상기 판별된 특이점의 시점에 대응하는 제 1 건강 검진 데이터를 수신할 수 있다. 예를 들어, 상기 사용자의 하나 이상의 골밀도 데이터 중 특이점이 판별된 골밀도 데이터의 시점이 2017년 5월인 경우, 상기 사용자의 2017년 5월 전, 후로 측정된 상기 사용자의 건강 검진 데이터 중 시점의 차이가 가장 적은 건강 검진 데이터(즉, 제 1 건강 검진 데이터)를 수신할 수 있다. 또한, 프로세서(110)는 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신할 수 있다. 보다 구체적으로, 상기 제 2 건강 검진 데이터는 골밀도 데이터의 특이점이 판별된 제 1 건강 검진 데이터와 상이한 시점에 측정된 사용자의 건강 검진 데이터일 수 있다. 이때, 프로세서(110)가 수신하는 상기 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터는 외부 서버(200) 즉, 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록, 전자의료기록 및 건강 검진 DB 중 적어도 하나로부터 수신할 수 있다.

또한, 프로세서(110)는 사용자의 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단할 수 있다. 자세히 설명하면, 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 검진 기록인 제 2 건강 검진 데이터의 비교를 통해 사용자의 골밀도에 변화를 주는 요인을 판단할 수 있다. 예를 들어, 골밀도 데이터에 특이점이 판별된 시점과 대응하는 제 1 건강 검진 데이터가 2018년 1월에 측정되고, 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터가 2017년 5월에 측정된 경우, 2018년 1월 및 2017년 5월의 사용자의 검진 기록을 비교하여 상기 기록에 포함된 복수의 항목들 중 상이한 항목을 식별할 수 있다. 구체적인 예를 들어, 제 1 건강 검진 데이터에 기록된 항목인 “임신”에 관한 항목이 제 2 건강 검진 데이터에 포함되지 않은 경우, 프로세서(110)는 골밀도 데이터의 변화를 준 요인을 사용자의 “임신”으로 판단할 수 있다. 다른 예를 들어, 제 1 건강 검진 데이터에 기록된 “갑상선항진증”이 제 2 건강 검진 데이터에 포함되지 않은 경우, 즉, 사용자가 2018년 1월의 건강 검진 결과에서 발견된 갑상선항진증이 2017년 5월에 발견되지 않은 경우(예를 들어, 발병되기 이전), 프로세서(110)는 골밀도 데이터에 변화를 준 요인을 “갑상선항진증”으로 판단할 수 있다. 이 밖에도, 골밀도 데이터에 변화를 줄 수 있는 요인들은 흡연, 음주, 출산, 각종 질병 및 각종 질병에 따른 약 복용 등을 포함할 수 있다. 전술한 골밀도 데이터 변화 요인에 대한 구체적인 기재는 예시일 뿐, 본개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 사용자의 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터에 각각 포함된 사용자의 골밀도 데이터를 추출하고, 각각 추출된 골밀도 데이터를 비교하여 변화량을 산출하여 골밀도 변화 데이터를 생성할 수 있다. 예를 들어, 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터 각각에서 추출된 사용자의 골밀도 데이터가 1.1(g/cm2), 1.3(g/cm2)인 경우, 프로세서(110)는 골밀도 변화량을 0.2(g/cm2)로 산출할 수 있다. 전술한 골밀도 변화량을 산출하는 수치에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 골밀도 변화 요인과 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다. 프로세서(110)는 사용자의 골밀도 변화 요인을 학습 데이터의 입력으로 하고, 상기 골밀도 변화 데이터를 학습 데이터의 라벨로 하여 학습데이터를 생성할 수 있다. 예를 들어, 사용자 A의 학습 골밀도 변화 요인(본 예시에서, 임신, 갑상선항진증 등)을 학습 데이터의 입력으로 하고, 상기 사용자 A의 학습 골밀도 변화 데이터(본 예시에서, 0.2(g/cm2))를 라벨로 하여 학습 데이터를 생성할 수 있다. 전술한 학습 데이터의 생성에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 사용자의 골밀도 변화 요인의 하나 이상의 항목 중 결손 항목이 있는 경우, 상기 결손 항목의 항목 값을 학습 데이터 세트의 중간값 또는 평균값으로 할 수 있다. 또한, 프로세서(110)는 학습 골밀도 변화 요인 세트의 사용자들의 골밀도 변화 요인 중 일 항목에 대한 데이터가 부족한 경우, 해당 항목에 대한 열을 삭제할 수 있다. 예를 들어, 학습 골밀도 변화 요인의 항목 중 갑상선항진증에 대한 데이터가 전체 사용자 중 사전 결정된 비율 이상의 사용자의 학습 생체 데이터에 부 존재하는 경우, 해당 항목(본 예시에서, 갑상선항진증)에 대한 열을 삭제할 수 있다. 전술한 결손 항목의 항목 값 보충에 대한 기재는 예시일 뿐이며, 본개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 하나 이상의 네트워크 함수를 포함하는 골밀도 변화량 예측 모델을 생성할 수 있다. 프로세서(110)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하는 하나 이상의 네트워크 함수로 이루어진 골밀도 변화량 예측 모델을 생성할 수 있다. 프로세서(110)는 하나 이상의 입력 노드를 포함하는 입력 레이어로 구성된 네트워크 함수를 생성할 수 있다. 프로세서(110)는 네트워크 함수에 포함된 히든 레이어는 하나 이상의 히든 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(110)는 네트워크 함수에 포함된 출력 레이어는 하나 이상의 출력 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(110)는 네트워크 함수의 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되도록 생성할 수 있다. 각각의 링크에는 각각의 가중치가 설정될 수 있다.

또한, 프로세서(110)는 골밀도 변화량 예측 모델의 입력으로 학습 데이터의 학습 골밀도 변화 요인을 입력할 수 있다. 이때, 학습 골밀도 변화 요인은 하나 이상의 항목을 포함할 수 있다. 상기 항목은 사용자의 골밀도와 관련된 데이터 각각을 의미하는 것일 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 학습 골밀도 변화 요인의 항목들을 각각 입력할 수 있다. 예를 들어, 프로세서(110)는 골밀도 변화량 예측 모델의 입력 레이어에 5개의 노드가 포함되는 경우, 골밀도 변화 요인의 항목일 수 있는 흡연, 음주, 골절, 질병, 임신 등의 항목 값을 5개의 노드 각각에 입력할 수 있다. 전술한 골밀도 변화량 예측 모델의 입력에 대한 기재는 예시일 뿐이며, 본 개시는 사용자의 골밀도에 변화를 줄 수 있는 다양한 골밀도 변화 요인을 더 포함할 수 있다.

프로세서(110)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 골밀도 변화량 예측 모델을 생성할 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델의 입력 레이어의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 히든 레이어로 전파할 수 있다. 연산은 임의의 수학적 연산을 포함할 수 있다. 예를 들어, 연산은 곱 또는 합성 곱일 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(110)는 골밀도 변화량 예측 모델의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델의 출력 레이어로 전파된 값에 기초하여 골밀도 변화 데이터를 생성할 수 있다.

또한, 프로세서(110)는 골밀도 변화량 예측 모델의 제 1 노드의 제 1 노드 값을, 상기 제 1 노드와 연결된 이전 레이어에 포함된 제 2 노드의 제 2 노드 값과 상기 이전 레이어에 포함된 제 2 노드와 상기 제 1 노드를 연결하는 링크에 설정된 링크의 제 1 링크 가중치로 연산하여 도출할 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델의 제 1 노드의 제 1 노드 값을, 제 1 노드와 연결된 다음 레이어에 포함된 제 3 노드를 연결하는 링크에 설정된 제 2 링크 가중치로 연산하여 제 3 노드에 전파할 수 있다.

프로세서(110)는 골밀도 변화량 예측 모델을 생성하기 위하여 학습 데이터의 학습 골밀도 변화 요인에 포함된 항목의 항목 값 각각을 골밀도 변화량 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 골밀도 변화량 예측 모델의 출력 레이어에서 연산한 골밀도 변화 데이터(즉, 출력)와 학습 골밀도 변화 데이터(즉, 정답)을 비교하여 오차를 계산할 수 있다. 프로세서(110)는 오차에 기초하여 골밀도 변화량 예측 모델의 가중치를 조정할 수 있다. 프로세서(110)는 상기 오차에 기초하여 골밀도 변화량 예측 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.

프로세서(110)는 골밀도 변화량 예측 모델을 생성하는데 있어, 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃을 설정할 수 있다.

학습 에폭(epoch)은, 학습 데이터 세트에 포함된 모든 학습 데이터에 관하여 학습 생체 데이터를 골밀도 변화량 예측 모델의 하나 이상의 네트워크 함수의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 입력하고, 학습 생체 데이터에 라벨링 된 학습 골밀도 변화 데이터(즉, 정답)와 골밀도 변화량 예측 모델의 골밀도 변화 데이터(즉, 출력)를 비교하여 오차를 도출하고, 상기 도출된 오차를 골밀도 변화량 예측 모델의 하나 이상의 네트워크 함수의 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트하는 동작일 수 있다. 즉, 학습 데이터 세트에 포함된 모든 학습 데이터에 대하여 골밀도 변화량 예측 모델을 이용한 연산과 골밀도 변화량 예측 모델에 대한 가중치 업데이트 과정을 수행한 경우 1 에폭일 수 있다.

또한, 프로세서(110)는 골밀도 변화량 예측 모델을 생성하는데 있어, 상기 골밀도 변화량 예측 모델을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이하인 경우, 상기 골밀도 변화량 예측 모델의 학습률을 사전 결정된 수치 이상으로 설정할 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델을 생성하는데 있어, 상기 골밀도 변화량 예측 모델을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이상인 경우, 상기 골밀도 변화량 예측 모델의 학습률을 사전 결정된 수치 이하로 설정할 수 있다. 상기 학습률은, 가중치의 업데이트 정도를 의미할 수 있다. 예를 들어, 학습 초반에는 학습률을 높게 설정하여(즉, 가중치의 업데이트 정도를 큰 폭으로 하여), 학습 데이터에 대한 출력이 학습 데이터의 라벨에 빠르게 접근하도록 할 수 있다. 예를 들어, 학습 후반에는 학습률을 낮게 설정하여(즉, 가중치의 업데이트 정도를 작은 폭으로 하여), 학습 데이터에 대한 출력과 학습 데이터의 라벨과의 오차를 줄이도록(즉, 정확성을 높이도록)할 수 있다. 전술한 학습률에 대한 개시는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 골밀도 변화량 예측 모델의 학습을 사전결정된 에폭 이상 수행한 후, 검증 데이터 세트를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 프로세서(110)는 학습 데이터 세트의 일부를 검증 데이터 세트로 할 수 있다. 검증 데이터는 학습 데이터에 대응되는 데이터로, 학습의 중단 여부를 결정하기 위한 데이터일 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 골밀도 변화량 예측 모델의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 프로세서(110)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습(즉, 10 에폭)을 수행하여, 10회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 학습 데이터 세트 중 적어도 하나를 테스트 데이터 세트로 할 수 있다. 테스트 데이터는 학습 데이터에 대응되는 데이터로, 모델의 학습이 완료된 이후 성능을 검증하기 위해 이용되는 데이터일 수 있다. 프로세서(110)는 하나 이상의 생체 데이터 및 상기 생체 데이터에 라벨링된 골밀도 변화 데이터를 테스트 데이터 세트로 할 수 있다. 프로세서(110)는 테스트 데이터 세트에 포함된 골밀도 변화 요인을 골밀도 변화량 예측 모델에 입력하고 상기 골밀도 변화량 예측 모델에서 출력된 출력과 상기 라벨링된 골밀도 변화 데이터를 비교하여 상기 테스트 데이터 세트에 대한 상기 골밀도 변화량 예측 모델의 정답률을 판단할 수 있다. 프로세서(110)는 테스트 데이터에 포함된 사용자의 학습 생체 데이터를 상기 골밀도 변화량 예측 모델에 입력하고, 상기 골밀도 변화량 예측 모델에서 출력된 골밀도 변화 데이터(즉, 출력)와 상기 테스트 데이터에 포함된 상기 사용자의 학습 골밀도 변화 데이터(즉, 정답)를 비교하여, 오차가 사전 결정된 값 이하인 경우(즉, 정답률이 사전결정된 수준 이상인 경우), 상기 골밀도 변화량 예측 모델의 활성화를 결정할 수 있다. 프로세서(110)는 골밀도 변화량 예측 모델에서 출력된 골밀도 변화 데이터(즉, 출력)와 상기 테스트 데이터(즉, 정답)에 포함된 상기 사용자의 학습 골밀도 변화 데이터를 비교하여 상기 오차가 사전 결정된 값 이상인 경우, 상기 골밀도 변화량 예측 모델의 학습을 사전 결정된 에폭 이상 더 수행하거나 상기 골밀도 변화량 예측 모델을 비활성화할 수 있다. 프로세서(110)는 상기 골밀도 변화량 예측 모델을 비활성화하는 경우, 상기 골밀도 변화량 예측 모델을 폐기할 수 있다. 프로세서(110)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 골밀도 변화량 예측 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(110)는 각각의 골밀도 변화량 예측 모델에 포함되는 하나 이상의 네트워크 함수들을 독립적으로 학습시켜 복수의 골밀도 변화량 예측 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 골밀도 측정을 위해 사용할 수 있다.

본 개시의 일 실시예에 따라 사용자의 학습 생체 데이터 및 학습 골밀도 데이터에 기초하여 골밀도 변화량 예측 모델을 생성할 수 있다.

또한, 프로세서(110)는 골밀도 변화 요인을 학습된 골밀도 변화량 예측 모델에 입력시킬 수 있다. 프로세서(110)는 골밀도 변화 요인에 포함되는 항목 각각을 골밀도 변화량 예측 모델의 입력 레이어에 포함되는 노드 각각에 입력할 수 있다. 프로세서(110)는 입력 레이어와 연결된 링크의 가중치를 이용하여 항목 각각을 연산하여 히든 레이어에 포함된 하나 이상의 히든 노드 각각에 전달한다. 상기 연산은, 임의의 수학적 알고리즘을 포함할 수 있다. 예를 들어, 연산은 곱 및 합성 곱 등을 포함할 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(110)는 입력 레이어에 입력된 하나 이상의 항목을 포함하는 생체 데이터를 연산하여 하나 이상의 히든 노드를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(110)는 히든 레이어에 포함된 히든 노드 각각의 값을 상기 히든 노드와 연결된 링크들의 가중치 들을 이용하여 연산하여 다른 히든 레이어에 포함된 히든 노드 또는 출력 레이어에 포함된 출력 노드에 전파할 수 있다. 학습된 골밀도 변화량 예측 모델은 전술한 본 개시의 일 실시예에 따라 골밀도 변화량 예측 모델의 생성 방법에 의하여 학습된 신경망일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 골밀도 변화 요인의 하나 이상의 항목 중 골밀도 변화 데이터와 연관성이 높은 고영관 항목을 추출할 수 있다. 또한, 프로세서(110)는 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성할 수 있다. 프로세서(110)는 학습된 신경망의 연결관계, 각 노도의 연결 가중치(weight)를 파악하여 신경망의 출력과 연관이 높은 입력 항목을 추출할 수 있다. 프로세서(110)는 입력된 골밀도 변화 요인에 기초한 신경망의 출력에서 입력으로 역투영(back projection)을 수행하여 출력값에 결정적인 역할을 한 입력 데이터의 항목을 판단할 수 있다. 예를 들어, 프로세서(110)는 신경망의 출력에서 골밀도 변화 데이터의 변화량이 커진 것으로 예측된 경우, 신경망의 출력을 역으로 연산하여, 골밀도 변화 데이터의 변화량에 결정적인 영향을 한 입력 데이터의 항목을 판단할 수 있다. 예를 들어, 골밀도 변화 데이터의 결정적인 영향을 미친 입력 데이터의 항목은 임신 또는 흡연 등일 수도 있으며, 일반적으로 골밀도 변화에 관련이 낮다고 여겨지는 시력 저하일 수도 있다. 전술한 항목은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 따라서, 본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 출력에서 입력으로 연산을 수행하여 사용자에게 예측되는 골밀도의 변화량에 대한 위험을 발생하게 하는 결정적인 항목을 추출할 수 있으며, 일반적으로 알려진 원인 외에 신경망에 의하여 연관관계가 학습된 다른 원인을 추출할 수 있다.

따라서, 본 개시의 일 실시예에 따른 골밀도 변화 데이터 예측 방법은 임상의에게 일반적으로 알려진 골밀도 변화 요인 이외에 다른 원인과 골밀도 변화량에 대한 통찰을 제공할 수 있다.

또한, 프로세서(110)는 고연관 항목을 변경시키기 위한 위험 회피정보를 생성할 수 있다. 예를 들어, 프로세서(110)가 학습된 신경망을 이용하여 골밀도 변화 데이터의 골밀도 변화량이 큰 경우(예를 들어, 골감소증)에 대하여 해당 사용자의 임신이 고연관 항목인 것을 결정한 경우, 프로세서(110)는 이러한 고연관 항목을 회피하기 위하여 해당 사용자에게 제공될 수 있는 임신 기간 중 골밀도를 높이기 위한 생활습관, 식습관 관련, 의료 처치 및 의약품 정보 등을 생성하여 사용자에게 제공할 수 있다. 전술한 고연관 항목은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 사용자는 자신의 생활상의 변화가 예정된 경우(예를 들어, 투약, 출산 등) 생활상의 변화에 따른 골 밀도의 변화에 따른 예측 정보를 확인할 수 있다. 따라서, 사용자는 생활상의 변화에 앞서 자신의 골밀도 예측치를 확인할 수 있으므로, 자신의 생활상의 변화에 대한 의사 결정을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 골밀도 변화 데이터에 기초하여 골밀도 예측 데이터를 생성할 수 있다. 보다 구체적으로, 프로세서(110)는 골밀도 예측 데이터는 골밀도 변화 데이터로부터 산출된 골밀도 변화 속도에 대응하는 향후 골밀도에 대한 정보를 포함하는 골밀도 예측 데이터를 생성할 수 있다. 이때, 골밀도 예측 데이터는 향후 예측 골밀도 데이터 각각에 대응하는 시점이 매칭되어 생성될 수 있다. 예를 들어, 도 6의 (a)에 도시된 바와 같이, 각각 월별 골밀도 변화 속도(즉, 도 6의 (b)의 그래프 상의 각 월별 기울기)가 0.000067, 0.000033, 0.000533, 0.0026 및 0.001 인 경우, 상기 월별 골밀도 변화 속도의 평균값인 0.000847에 기초하여 다음 9월과 10월 사이의 골밀도 변화 속도가 되도록 골밀도 예측 데이터를 생성할 수도 있으며, 골밀도 데이터가 하락하기 시작한 6부터 7월 까지의 골밀도 변화 속도의 평균값이 반영되어 골밀도 예측 데이터를 생성할 수도 있다. 즉, 프로세서(110)는 사용자의 골밀도 변화 데이터를 통해 산출된 골밀도 변화 속도의 평균값 또는 최근 골밀도 변화 속도를 통해 사용자의 향후 골밀도 변화 데이터를 생성할 수 있다. 이에 따라, 복수의 사용자 각각은 자신의 골밀도 변화 이력을 통한 향후 골밀도 데이터에 대한 정보를 제공받을 수 있어, 보다 정밀도 높은 골밀도 예측 데이터를 통해 자신의 향후 골밀도에 따른 건강 관리를 체계적으로 수행할 수 있다. 전술한 골밀도 변화 속도에 대한 구체적인 수치는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 네트워크부(130)는 송신부 및 수신부를 포함할 수 있다. 네트워크부(130)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.

또한, 네트워크부(130)는 근거리 통신 모듈을 포함하여, 서비스 처리 장치와 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다. 본 개시의 일 실시예에서, 네트워크부(130)는 네트워크의 연결 상태 및 네트워크의 송수신 속도를 감지할 수 있다. 네트워크부(130)를 통해 수신된 데이터는 메모리(120)를 통해 저장되거나, 또는 근거리 통신 모듈을 통해 근거리에 있는 다른 전자장치들로 전송될 수 있다.

또한, 네트워크부(130)는 본 개시의 일 실시예에 따른 골밀도 변화 데이터를 출력하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 데이터를 송수신할 수 있다. 네트워크부(130)는 사용자의 건강 검진 데이터 및 골밀도 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(130)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 골밀도 변화량 예측 모델의 학습이 분산 수행되도록 할 수 있다. 네트워크부(130)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 골밀도 변화량 예측 모델을 이용한 골밀도 데이터 연산을 분산 처리할 수 있도록 할 수 있다.

메모리(120)는 본 개시의 일 실시예에 따른 골밀도 변화 데이터를 출력하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(120)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 골밀도 데이터, 건강 검진 데이터 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(120)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 일 실시예와 관련된 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의"링크"에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrentneural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 4는 본 개시의 일 실시예와 관련된 골밀도 변화량 예측 모델을 나타낸 예시도이다.

본 개시의 일 실시예에 따른 골밀도 변화량 예측 모델에서의 학습 방법에 관하여 설명한다. 본 예시도에서 히든 레이어1(440)과 히든 레이어2(450) 사이에 하나 이상의 히든 레이어가 포함될 수 있고, 본 예시도에서 상기 하나 이상의 히든 레이어는 생략되어 도시된 것일 수 있다.

컴퓨팅 장치(100)는 하나 이상의 네트워크 함수(400)를 포함하는 골밀도 변화량 예측 모델을 생성할 수 있다. 네트워크 함수(400)는 하나의 입력 레이어(430)와 하나의 이상의 히든 레이어와 하나의 출력 레이어(460)를 포함할 수 있다.

컴퓨팅 장치(100)는 네트워크 함수(400)의 입력 레이어(430)에 포함된 입력 노드에 입력된 항목 값 각각에 대해, 상기 입력 노드와 연결된 링크에 설정된 가중치로 연산하여 히든 레이어로 전파할 수 있다. 예를 들어, 히든 레이어1(440)에 포함된 제 1 히든 노드(420)는 제 1 입력 노드(401)에 전달된 값과 제 1 가중치(411)를 연산한 값, 제 2 입력 노드(402)에 전달된 값과 제 2 가중치를 연산한 값, 제 3 입력 노드(403) 에 전달된 값과 제 3 가중치를 연산한 값, 제 4 입력 노드(404) 에 전달된 값과 제 4 가중치를 연산한 값, 제 5 입력 노드(405) 에 전달된 값과 제 5 가중치를 연산한 값을 전달받을 수 있다. 예를 들어, 히든 레이어1(440)에 포함된 제 1 히든 노드(420)는 제 1 입력 노드(401) 에 전달된 값과 제 1 가중치(411)를 곱한 값, 제 2 입력 노드(402) 에 전달된 값과 제 2 가중치를 곱한 값, 제 3 입력 노드(403) 에 전달된 값과 제 3 가중치를 곱한 값, 제 4 입력 노드(404) 에 전달된 값과 제 4 가중치를 곱한 값, 제 5 입력 노드(405) 에 전달된 값과 제 5 가중치를 곱한 값의 합을 전달받을 수 있다. 전술한 연산에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

네트워크 함수(400)의 학습 골밀도 변화 요인은 입력 레이어(430)에서 히든 레이어1(440), 히든 레이어2(450)를 통해 출력 레이어(460)로 전파될 수 있다. 출력 레이어(460)에 포함된 출력 노드(462)에서의 출력 값인, 골밀도 변화 데이터(즉, 출력)와 학습 골밀도 변화 데이터(즉, 정답)의 오차에 기초하여 네트워크 함수(400)의 가중치를 조정할 수 있다. 프로세서(110)는 네트워크 함수(400)의 출력 레이어(460)로부터 하나 이상의 히든 레이어(예를 들면, 히든 레이어2(450) 다음 히든 레이어1(440) 순으로)를 거쳐 입력 레이어(430)로 오차를 전파하면서, 각 링크에 설정된 가중치들을 업데이트(예를 들면, W2(1,1)(431)의 가중치를 조정한 이후 W1(1,1)(411)의 가중치를 조정)할 수 있다.

컴퓨팅 장치(100)는 네트워크 함수(400)의 입력 레이어(430)에 포함된 입력 노드 각각에 사용자의 골밀도 변화 요인에 포함된 항목들의 항목 값 각각을 입력할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 골밀도 변화 요인 중 흡연 유, 무에 대한 항목 값인 '유'에 해당하는 값을 입력 레이어(430)의 제 1 입력 노드(401)에 입력할 수 있다. 프로세서(110)는 네트워크 함수(400)의 입력 레이어(430)에 입력된 값을 가중치(본 예시에서 제 1 가중치(W1(1,1)(411)) 및 제 2 가중치(W2(1,1)(431)))를 통해 연산하여 하나 이상의 히든 노드(본 예시에서, 히든 레이어1(440) 및 히든 레이어2(450)를 포함하는)를 통하여 출력 레이어(460)에 포함된 출력 노드(462)로 전파할 수 있다. 컴퓨팅 장치(100)는 출력 노드(462)의 출력 값인 골밀도 데이터를 네트워크부(130)를 통해 발송하거나, 메모리(120)에 저장하거나, 또는 표시수단(예를 들어, 디스플레이)에 전달할 수 있다. 전술한 골밀도 변화 데이터 생성 방법에 관한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 즉, 골밀도 변화 요인을 학습된 골밀도 변화량 예측 모델의 입력으로 하여, 골밀도 변화 데이터를 생성할 수 있다.

도 5는 본 개시의 일 실시예와 관련된 골밀도 데이터 세트에 포함된 골밀도 데이터를 특이점을 설명하기 위한 예시적인 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별할 수 있다. 이 경우, 컴퓨팅 장치(100)가 판별하는 골밀도 데이터의 특이점은 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치(510)를 벗어나는 경우일 수 있다. 자세히 설명하면, 정상 골밀도 수치의 임계치(510)는 사용자의 건강 검진 데이터로부터 추출된 사용자의 생체 정보가 포함하는 하나 이상의 항목에 기초하여 사전 결정된 것일 수 있으며, 상기 사용자의 하나 이상의 골밀도 데이터에 기준이 되는 정보일 수 있다. 이때, 사용자의 생체 정보는 성별, 나이, 키 및 몸무게를 포함할 수 있다. 즉, 정상 골밀도 수치의 임계치(510)는 사용자의 성별, 나이, 키 및 몸무게 중 적어도 하나에 기초하여 사전 결정된 값일 수 있으며, 사용자 별로 각기 상이한 정상 골밀도 수치의 임계치(510)를 가질 수 있다. 자세한 예를 들어, 사용자의 나이가 40대인 경우 정상 골밀도 수치의 임계치(510)의 최고치가 사용자의 나이가 20대인 경우 정상 골밀도 수치의 임계치(510)의 최고치 보다 낮을 수 있다. 다른 예를 들어, 사용자의 성별이 남자인 경우, 사용자의 성별이 여자인 경우보다 정상 골밀도 수치의 임계치(510)의 최고점이 높을 수 있다. 전술한, 정상 골밀도 수치의 임계치에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 5는 임의의 사용자의 월별 측정된 골밀도 데이터를 그래프로 표시한 도면이며, 도 5에 도시된 바와 같이, 임의의 사용자의 정상 골밀도 수치의 임계치(510)는 1.103 ~ 1.115(g/cm2)의 범위를 가질 수 있다. 이때, 상기 임의의 사용자의 9월에 측정된 골밀도 데이터(520)가 정상 골밀도 수치의 임계치(510)를 벗어나는 것을 확인할 수 있다. 즉, 컴퓨팅 장치(100)는 사용자의 골밀도 데이터가 정상 골밀도 수치의 임계치(510)를 벗어난 경우를 골밀도 데이터의 특이점으로 판별할 수 있다. 또한, 컴퓨팅 장치(100)는 정상 골밀도 수치의 임계치(510)를 벗어난 사용자의 골밀도 데이터(520)의 시점을 식별할 수 있다. 자세한 예를 들어, 도 5의 임의의 사용자의 경우, 컴퓨팅 장치(100)는 사용자의 골밀도 데이터가 정상 골밀도 수치의 임계치(510)를 벗어난 시점을 9월로 식별할 수 있다. 이에 따라, 컴퓨팅 장치(100)는 사용자 개개인 특성에 대응하는 정상 골밀도 수치의 임계치(510)를 설정함으로써, 상기 사용자의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 판별된 시점을 식별할 수 있다. 전술한 임의의 사용자의 정상 골밀도 수치의 임계치에 대한 구체적인 수치는 예시일 뿐, 본 개시는 사용자의 개인 특성(즉, 생체 정보)에 따른 다양한 정상 골밀도 수치의 임계치를 포함할 수 있다.

도 6은 본 개시의 일 실시예와 관련된 골밀도 데이터 세트에 포함된 골밀도 데이터에 기초한 골밀도 변화 속도 및 그에 따른 특이점을 설명하기 위한 예시적인 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 골밀도 변화 속도를 산출할 수 있다. 이하, 도 6을 참조하여 골밀도 변화 속도를 산출하는 방법을 설명하도록 한다.

컴퓨팅 장치(100)는 골밀도 변화 속도를 산출하기 위해 하나 이상의 골밀도 데이터의 변화량 및 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보를 획득할 수 있다.

컴퓨팅 장치(100)는 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각을 비교하여 골밀도 변화량을 산출할 수 있다. 자세한 예를 들어, 도 6의 (a)에 도시된 바와 같이, 사용자의 4월 및 5월에 측정된 골밀도 데이터가 각각 1.111(g/cm2) 및 1.113(g/cm2)인 경우, 컴퓨팅 장치(100)는 사용자의 4월 및 5월 사이의 골밀도 변화량을 0.002(g/cm2)로 산출할 수 있다. 다른 예를 들어, 사용자의 7월 및 8월에 측정된 골밀도 데이터가 각각 1.098(g/cm2) 및 1.020(g/cm2)인 경우, 컴퓨팅 장치(100)는 사용자의 7월 및 8월 사이의 골밀도 변화량을 0.078(g/cm2)로 산출할 수 있다.

컴퓨팅 장치(100)는 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보를 획득할 수 있다. 자세한 예를 들어, 도 6의 (a)에 도시된 바와 같이, 사용자의 골밀도 데이터는 월별로 측정된 것일 수 있으며, 이 경우, 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보는 한달(즉, 30일)일 수 있다. 즉, 컴퓨팅 장치(100)는 사용자의 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터를 통해 골밀도 변화량을 산출할 수 있고, 그리고 골밀도 변화량 각각에 따른 시간 구간 정보를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 골밀도 변화량 및 시간 구간 정보에 기초하여 골밀도 변화 속도를 산출할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 사용자의 골밀도가 변화한 정도(즉, 골밀도 변화량)와 상기 골밀도가 변화한 기간(즉, 시간 구간 정보)를 통해 골밀도 변화 속도를 산출할 수 있다. 구체적인 예를 들어, 도 6의 (a)에 도시된 바와 같이, 4월 및 5월의 골밀도 데이터를 통해 골밀도 변화량이 0.001(g/cm2)임을 판단할 수 있으며, 시간 구간 정보는 30일임을 판단할 수 있다. 즉, 도 6의 (b)에 도시된 바와 같이 그래프상의 각 월별 데이터 사이의 기울기가 골밀도 변화 속도일 수 있다. 또한, 컴퓨팅 장치(100)가 판별하는 골밀도 데이터의 특이점은 사용자의 골밀도 데이터에 기초하여 산출된 골밀도 변화 속도가 사전 결정된 임계 골밀도 변화 속도를 초과하는 경우일 수 있다. 자세히 설명하면, 사전 결정된 임계 골밀도 변화 속도보다 사용자의 골밀도 데이터에 기초하여 산출된 상기 사용자의 골밀도 변화 속도가 빠른 경우 즉, 그래프상의 기울기가 큰 경우, 컴퓨팅 장치(100)는 사용자의 골밀도 데이터의 특이점으로 판단할 수 있다. 이때, 사전 결정된 임계 골밀도 변화 속도는 사용자의 골밀도 데이터가 급격히 증가하거나, 감소하는 것을 감지하기 위한 것일 수 있다. 구체적인 예를 들어, 도 6의 (b)를 참조하면, 기울기가 급격히 증가하는 구간(즉, 시간당 골밀도 변화량이 큰 구간, 610)을 컴퓨팅 장치(100)는 사용자의 골밀도 특이점이 발생한 구간으로 판별할 수 있다. 전술한, 골밀도 변화량, 시간 구간 정보 및 골밀도 변화 속도에 대한 구체적인 기재는 본 개시의 이해를 돕기 위한 예시일 뿐, 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예와 관련된 골밀도 변화 데이터를 출력하는 골밀도 변화 예측 모델을 생성하기 위한 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 골밀도 데이터 세트를 수신할 수 있다(710). 보다 구체적으로, 컴퓨팅 장치(100)는 골밀도 데이터 세트를 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록, 전자의료기록 및 건강 검진 DB 중 적어도 하나로부터 수신하거나 또는 골밀도 측정 장치로부터 수신할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별할 수 있다(720). 이때, 컴퓨팅 장치(100)가 사용자의 골밀도 데이터 세트에서 골밀도 데이터를 특이점으로 판별하는 경우는, 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치(510)를 벗어나는 경우 및 골밀도 변화 속도가 임계 골밀도 변화 속도를 초과하는 경우 중 적어도 하나의 경우일 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 특이점이 존재하는 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신할 수 있다(730). 예를 들어, 상기 사용자의 하나 이상의 골밀도 데이터 중 특이점이 판별된 골밀도 데이터의 시점이 2017년 5월인 경우, 상기 사용자의 2017년 5월 전, 후로 측정된 상기 사용자의 건강 검진 데이터 중 시점의 차이가 가장 적은 건강 검진 데이터(즉, 제 1 건강 검진 데이터)를 수신할 수 있다. 또한, 프로세서(110)는 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신할 수 있다. 보다 구체적으로, 상기 제 2 건강 검진 데이터는 골밀도 데이터의 특이점이 판별된 제 1 건강 검진 데이터와 상이한 시점에 측정된 사용자의 건강 검진 데이터일 수 있다. 이때, 프로세서(110)가 수신하는 상기 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터는 외부 서버(200) 즉, 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록, 전자의료기록 및 건강 검진 DB 중 적어도 하나로부터 수신할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단할 수 있다(740). 자세히 설명하면, 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 검진 기록인 제 2 건강 검진 데이터의 비교를 통해 골밀도의 변화를 주는 요인을 판단할 수 있다. 예를 들어, 골밀도 데이터에 특이점이 판별된 시점과 대응하는 제 1 건강 검진 데이터가 2018년 1월에 측정되고, 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터가 2017년 5월에 측정된 경우, 2018년 1월 및 2017년 5월의 사용자의 검진 기록을 비교하여 상기 기록에 포함된 복수의 항목들 중 상이한 항목을 식별할 수 있다. 구체적인 예를 들어, 제 1 건강 검진 데이터에 기록된 항목인 “임신”에 관한 항목이 제 2 건강 검진 데이터에 포함되지 않은 경우, 프로세서(110)는 골밀도 데이터의 변화를 준 요인을 사용자의 “임신”으로 판단할 수 있다. 다른 예를 들어, 제 1 건강 검진 데이터에 기록된 “갑상선항진증”이 제 2 건강 검진 데이터에 포함되지 않은 경우, 즉, 사용자가 2018년 1월의 건강 검진 결과에서 발견된 갑상선항진증이 2017년 5월에 발견되지 않은 경우(예를 들어, 발병되기 이전), 프로세서(110)는 골밀도 데이터에 변화를 준 요인을 “갑상선항진증”으로 판단할 수 있다. 이 밖에도, 골밀도 데이터에 변화를 줄 수 있는 요인들은 흡연, 음주, 출산, 각종 질병 및 각종 질병에 따른 약 복용 등을 포함할 수 있다. 전술한, 골밀도 데이터 변화 요인에 대한 구체적인 기재는 예시일 뿐, 본개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성할 수 있다(750). 구체적으로, 컴퓨팅 장치(100)는 사용자의 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터에 각각 포함된 사용자의 골밀도 데이터를 추출하고, 각각 추출된 골밀도 데이터를 비교하여 변화량을 산출하여 골밀도 변화 데이터를 생성할 수 있다. 예를 들어, 제 1 건강 검진 데이터 및 제 2 건강 검진 데이터 각각에서 추출된 사용자의 골밀도 데이터가 1.1(g/cm2), 1.3(g/cm2)인 경우, 컴퓨팅 장치(100)는 골밀도 변화량을 0.2(g/cm2)로 산출할 수 있다. 전술한, 골밀도 변화량을 산출하는 수치에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다(760). 컴퓨팅 장치(100)는 사용자의 골밀도 변화 요인을 학습 데이터의 입력으로 하고, 상기 골밀도 변화 데이터를 학습 데이터의 라벨로 하여 학습데이터를 생성할 수 있다. 예를 들어, 사용자 A의 학습 골밀도 변화 요인(본 예시에서, 임신, 갑상선항진증 등)을 학습 데이터의 입력으로 하고, 상기 사용자 A의 학습 골밀도 변화 데이터(본 예시에서, 0.2(g/cm2))를 라벨로 하여 학습 데이터를 생성할 수 있다. 전술한 학습 데이터의 생성에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성할 수 있다(770). 컴퓨팅 장치(100)는 골밀도 변화량 예측 모델을 생성하기 위하여 학습 데이터의 학습 골밀도 변화 요인에 포함된 항목의 항목 값 각각을 골밀도 변화량 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 골밀도 변화량 예측 모델의 출력 레이어에서 연산한 골밀도 변화 데이터(즉, 출력)와 학습 골밀도 변화 데이터(즉, 정답)을 비교하여 오차를 계산할 수 있다. 컴퓨팅 장치(100)는 오차에 기초하여 골밀도 변화량 예측 모델의 가중치를 조정할 수 있다. 컴퓨팅 장치(100)는 상기 오차에 기초하여 골밀도 변화량 예측 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.

도 8은 본 개시의 일 실시예와 사용자의 골밀도 변화 데이터를 제공하기 위한 수단을 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 골밀도 변화 데이터를 제공하기 위해, 사용자의 골밀도 데이터 세트를 수신하기 위한 수단(810), 상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하기 위한 수단(820), 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하기 위한 수단(830), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하기 위한 수단(840), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하기 위한 수단(850), 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하기 위한 수단(860) 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하기 위한 수단(870)을 포함할 수 있다.

대안적으로, 상기 골밀도 데이터 세트, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터는 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록(EHR: electronic health record), 전자의료 기록(EMR: electronic medical record) 및 건강검진 DB 중 적어도 하나로부터 수신하거나 또는 골밀도 측정 장치로부터 수신할 수 있다.

대안적으로, 상기 골밀도 데이터의 특이점은, 상기 골밀도 데이터 세트에 포함된 상기 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치를 벗어나는 경우 및 골밀도 변화 속도가 임계 골밀도 변화 속도를 초과하는 경우 중 적어도 하나의 경우를 포함할 수 있다.

대안적으로, 상기 정상 골밀도 수치의 임계치는, 상기 사용자의 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 중 적어도 하나로부터 추출된 상기 사용자의 생체 정보가 포함하는 하나 이상의 항목에 기초하여 사전 결정되어 상기 사용자의 상기 하나 이상의 골밀도 데이터에 기준이 되는 정보일 수 있다.

대안적으로, 상기 골밀도 변화 속도는, 상기 골밀도 데이터 세트에 포함된 상기 하나 이상의 골밀도 데이터 각각을 비교하여 산출된 골밀도 변화량 및 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보에 기초하여 생성될 수 있다.

대안적으로, 상기 골밀도 변화량 예측 모델은, 기계 학습(machine learning)을 통해 생성되며, 상기 하나 이상의 신경망을 포함하며, 상기 하나 이상의 신경망 각각은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하고, 상기 입력 레이어는 하나 이상의 입력 노드를 포함하고, 상기 하나 이상의 히든 레이어 각각은 하나 이상의 히든 레이어를 포함하고, 상기 출력 레이어는 하나 이상의 출력 노드를 포함하고, 그리고 각 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되며, 상기 각각의 링크는 가중치가 설정될 수 있다.

대안적으로, 상기 골밀도 변화 요인의 하나 이상의 항목 중 상기 골밀도 변화 데이터와 연관성이 높은 고연관 항목을 추출하는 동작 및 상기 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성하는 동작을 더 포함할 수 있다.

대안적으로, 상기 골밀도 변화 요인의 하나 이상의 항목 중 상기 골밀도 변화 데이터와 연관성이 높은 고연관 항목을 추출하는 동작은, 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화량 예측 모델의 출력을 입력으로 역투영(back projection)하는 동작 및 상기 역투영을 통해 출력된 데이터에 기초하여 상기 고연관 항목을 추출하는 동작을 포함할 수 있다.

대안적으로, 상기 골밀도 변화 데이터에 기초하여 골밀도 예측 데이터를 생성하는 동작을 더 포함하고, 그리고 상기 골밀도 예측 데이터는, 상기 골밀도 변화 데이터로부터 산출된 상기 골밀도 변화 속도에 대응하여 향후 골밀도를 예측하는 정보로, 향후 예측 골밀도 각각에 대응하는 시점이 매칭되어 생성될 수 있다.

도 9는 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 모듈을 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 골밀도 변화 데이터를 제공하기 위해, 사용자의 골밀도 데이터 세트를 수신하기 위한 모듈(910), 상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하기 위한 모듈(920), 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하기 위한 모듈(930), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하기 위한 모듈(940), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하기 위한 모듈(950), 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하기 위한 모듈(960) 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하기 위한 모듈(970)을 포함할 수 있다.

도 10은 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 로직을 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 골밀도 변화 데이터를 제공하기 위해, 사용자의 골밀도 데이터 세트를 수신하기 위한 로직(1010), 상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하기 위한 로직(1020), 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하기 위한 로직(1030), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하기 위한 로직(1040), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하기 위한 로직(1050), 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하기 위한 로직(1060) 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하기 위한 로직(1070)을 포함할 수 있다.

도 11은 본 개시의 일 실시예와 관련된 사용자의 골밀도 변화 데이터를 제공하기 위한 회로를 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 골밀도 변화 데이터를 제공하기 위해, 사용자의 골밀도 데이터 세트를 수신하기 위한 회로(1110), 상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하기 위한 회로(1120), 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하기 위한 회로(1130), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하기 위한 회로(1140), 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하기 위한 회로(1150), 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하기 위한 회로(1160) 및 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하기 위한 회로(1170)를 포함할 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 12은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 발명이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 발명이 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 발명의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 발명의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1502)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(1500)이 나타내어져 있으며, 컴퓨터(1502)는 처리 장치(1504), 시스템 메모리(1506) 및 시스템 버스(1508)를 포함한다. 시스템 버스(1508)는 시스템 메모리(1506)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1504)에 연결시킨다. 처리 장치(1504)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1504)로서 이용될 수 있다.

시스템 버스(1508)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1506)는 판독 전용 메모리(ROM)(1510) 및 랜덤 액세스 메모리(RAM)(1512)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1510)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1502) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1512)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1502)는 또한 내장형 하드 디스크 드라이브(HDD)(1514)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1514)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1516)(예를 들어, 이동식 디스켓(1518)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1520)(예를 들어, CD-ROM 디스크(1522)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1514), 자기 디스크 드라이브(1516) 및 광 디스크 드라이브(1520)는 각각 하드 디스크 드라이브 인터페이스(1524), 자기 디스크 드라이브 인터페이스(1526) 및 광 드라이브 인터페이스(1528)에 의해 시스템 버스(1508)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1524)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1502)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1530), 하나 이상의 어플리케이션 프로그램(1532), 기타 프로그램 모듈(1534) 및 프로그램 데이터(1536)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1512)에 저장될 수 있다. 운영 체제, 어플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1512)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1538) 및 마우스(1540) 등의 포인팅 장치를 통해 컴퓨터(1502)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1508)에 연결되어 있는 입력 장치 인터페이스(1542)를 통해 처리 장치(1504)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1544) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1546) 등의 인터페이스를 통해 시스템 버스(1508)에 연결된다. 모니터(1544)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1502)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1548) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1548)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1502)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1550)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1552) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1554)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1502)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1556)를 통해 로컬 네트워크(1552)에 연결된다. 어댑터(1556)는 LAN(1552)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1552)은 또한 무선 어댑터(1556)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1502)는 모뎀(1558)을 포함할 수 있거나, WAN(1554) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1554)을 통해 통신을 정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1558)은 직렬 포트 인터페이스(1542)를 통해 시스템 버스(1508)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1502)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1550)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1502)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 어플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 어플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (11)

1. 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   사용자의 골밀도 데이터 세트를 수신하는 동작;
   상기 골밀도 데이터 세트에 포함된 하나 이상의 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하는 동작;
   상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하는 동작;
   상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하는 동작;
   상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하는 동작;
   상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 동작; 및
   상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하는 동작;
   을 포함하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 골밀도 데이터 세트, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터는 병원 서버 및 정부 서버 중 적어도 하나의 서버의 전자건강기록(EHR: electronic health record), 전자의료 기록(EMR: electronic medical record) 및 건강검진 DB 중 적어도 하나로부터 수신하거나 또는 골밀도 측정 장치로부터 수신하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 골밀도 데이터의 특이점은,
   상기 골밀도 데이터 세트에 포함된 상기 하나 이상의 골밀도 데이터 각각이 정상 골밀도 수치의 임계치를 벗어나는 경우 및 골밀도 변화 속도가 임계 골밀도 변화 속도를 초과하는 경우 중 적어도 하나의 경우를 포함하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 3 항에 있어서,
   상기 정상 골밀도 수치의 임계치는,
   상기 사용자의 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 중 적어도 하나로부터 추출된 상기 사용자의 생체 정보가 포함하는 하나 이상의 항목에 기초하여 사전 결정되어 상기 사용자의 상기 하나 이상의 골밀도 데이터에 기준이 되는 정보인,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 3 항에 있어서,
   상기 골밀도 변화 속도는,
   상기 골밀도 데이터 세트에 포함된 상기 하나 이상의 골밀도 데이터 각각을 비교하여 산출된 골밀도 변화량 및 상기 하나 이상의 골밀도 데이터 각각이 포함하는 시점 정보에 대응하는 시간 구간 정보에 기초하여 생성되는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 골밀도 변화량 예측 모델은,
   기계 학습(machine learning)을 통해 생성되며, 상기 하나 이상의 신경망을 포함하며, 상기 하나 이상의 신경망 각각은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하고, 상기 입력 레이어는 하나 이상의 입력 노드를 포함하고, 상기 하나 이상의 히든 레이어 각각은 하나 이상의 히든 레이어를 포함하고, 상기 출력 레이어는 하나 이상의 출력 노드를 포함하고, 그리고 각 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되며, 상기 각각의 링크는 가중치가 설정되는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 골밀도 변화 요인의 하나 이상의 항목 중 상기 골밀도 변화 데이터와 연관성이 높은 고연관 항목을 추출하는 동작; 및
   상기 고연관 항목을 변경시키기 위한 위험 회피 정보를 생성하는 동작;
   을 더 포함하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 7 항에 있어서,
   상기 골밀도 변화 요인의 하나 이상의 항목 중 상기 골밀도 변화 데이터와 연관성이 높은 고연관 항목을 추출하는 동작은,
   상기 골밀도 변화 요인에 기초한 상기 골밀도 변화량 예측 모델의 출력을 입력으로 역투영(back projection)하는 동작; 및
   상기 역투영을 통해 출력된 데이터에 기초하여 상기 고연관 항목을 추출하는 동작;
   을 포함하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 골밀도 변화 데이터에 기초하여 골밀도 예측 데이터를 생성하는 동작;
   을 더 포함하고, 그리고
   상기 골밀도 예측 데이터는,
   상기 골밀도 변화 데이터로부터 산출된 상기 골밀도 변화 속도에 대응하여 향후 골밀도를 예측하는 정보로, 향후 예측 골밀도 각각에 대응하는 시점이 매칭되어 생성되는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 서버의 하나 이상의 프로세서에서 수행되는 골밀도 변화 데이터를 제공하기 위한 방법에 있어서,
    상기 하나 이상의 프로세서가 사용자의 골밀도 데이터 세트를 수신하는 단계;
    상기 하나 이상의 프로세서가 상기 골밀도 데이터 세트에 포함된 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하는 단계;
    상기 하나 이상의 프로세서가 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하는 단계;
    상기 하나 이상의 프로세서가 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하는 단계;
    상기 하나 이상의 프로세서가 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하는 단계;
    상기 하나 이상의 프로세서가 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하는 단계; 및
    상기 하나 이상의 프로세서가 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하는 단계;
    를 포함하는,
    서버의 하나 이상의 프로세서에서 수행되는 골밀도 변화 데이터를 제공하기 위한 방법.
    
11. 골밀도 변화 데이터를 제공하는 컴퓨팅 장치로서,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
    외부 서버와 데이터를 송수신하는 네트워크부;
    를 포함하고, 그리고
    상기 프로세서는,
    사용자의 골밀도 데이터 세트를 수신하며, 상기 골밀도 데이터 세트에 포함된 골밀도 데이터의 특이점을 판별하고, 상기 특이점이 존재하는 시점을 식별하고, 상기 시점에 대응하는 상기 사용자의 제 1 건강 검진 데이터 및 상기 제 1 건강 검진 데이터와 상이한 시점의 제 2 건강 검진 데이터를 수신하고, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터를 비교하여 골밀도 변화 요인을 판단하고, 상기 제 1 건강 검진 데이터 및 상기 제 2 건강 검진 데이터 각각에서 상기 사용자의 골밀도 데이터를 추출하고, 상기 추출된 골밀도 데이터에 기초하여 골밀도 변화 데이터를 생성하고, 상기 골밀도 변화 요인과 상기 골밀도 변화 데이터를 매칭시켜 라벨링된 학습 데이터를 생성하고, 그리고 상기 라벨링된 학습 데이터를 이용하여 하나 이상의 신경망을 학습시켜 상기 골밀도 변화 요인에 기초한 상기 골밀도 변화 데이터를 출력하도록 하는 골밀도 변화량 예측 모델을 생성하는,
    골밀도 변화 데이터를 제공하는 컴퓨팅 장치.
    

Images