KR102160447B1 - 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법 - Google Patents

새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법 Download PDF

Info

Publication number
KR102160447B1
KR102160447B1 KR1020200089024A KR20200089024A KR102160447B1 KR 102160447 B1 KR102160447 B1 KR 102160447B1 KR 1020200089024 A KR1020200089024 A KR 1020200089024A KR 20200089024 A KR20200089024 A KR 20200089024A KR 102160447 B1 KR102160447 B1 KR 102160447B1
Authority
KR
South Korea
Prior art keywords
compensation
information
data
exclusion
contribution
Prior art date
Application number
KR1020200089024A
Other languages
English (en)
Inventor
이승우
곽한빈
황기승
Original Assignee
한화생명보험 (주)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한화생명보험 (주) filed Critical 한화생명보험 (주)
Priority to KR1020200089024A priority Critical patent/KR102160447B1/ko
Application granted granted Critical
Publication of KR102160447B1 publication Critical patent/KR102160447B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명의 인공신경망 기반 보험금 자동지급심사 시스템은 부스팅 결정트리에 기반한 모델 구조를 통해 청구정보와 계약정보로부터 보상제외 확률을 예측하고, 청구정보 및 계약정보의 각 항목이 청구정보와 계약정보로부터 보상제외 예측에 기여한 기여도를 산출하고, 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 전처리하여 획득한 2차원 데이터로부터 최종 보상제외 확률을 예측하여 출력한다. 이때, 보험금 자동 지급심사 시스템은 청구정보 및 계약정보의 범주형 변수를 통상적으로 0과 1로 변환하지 않고, 새플리 기여도를 산출하여 범주형 변수를 인공신경망에 적합한 특정한 분포를 갖는 값으로 변환할 수 있다.

Description

새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법{SYSTEM AND METHOD FOR AUTOMATIC EXAMINING INSURANCE CLAIMS USING SHAPLEY VALUE}
인공신경망을 통해 보험금 지급심사를 자동으로 수행하는 기술에 관한 것으로, 보다 상세하게는 범주형 데이터를 더미화 변수로 변환하지 않고 결과 예측에 미치는 영향에 대한 기여도에 대한 수치로 변환하여 처리하는 기술에 관한 것이다.
최근 인공신경망 기술이 다양한 분야에 적용되어 활용되고 있다. 딥러닝으로 알려진 인공신경망은 기계가 인간의 뇌 구조와 유사한 방식으로 학습하고, 학습한 결과에 따라 판단을 내리는 방식으로, 다양한 산업 분야에서 널리 활용되고 있다.
많은 기업들이 이미 수집된 방대한 데이터를 기반으로 인공신경망을 활용하여 여러 업무를 자동화하고 있는 추세이다. 보험업계도 예외는 아니며, 인공신경망을 도입하여 상품개발, 인수심사, 지급심사 등에 활용하고 있으며, 적용 범위를 점차 넓혀가고 있다.
인공신경망이 도입되어 활용되고 있는 업무 중 실손보험금을 비롯한 보험금 지급심사가 있다. 보험금 지급심사의 주 목적은 피보험자가 병원 등 의료기관에 납부한 진료비 중 보장 대상 사고에 대한 직접적인 치료 목적으로 납부한 금액 이외의 금액을 지급 보험금에서 제외시키는데 있으며, 통상적으로 이를 보상제외라고 한다. 인공신경망이 적용되어 수행되는 보험금 지급심사는 입력자에 의해 입력된 청구(사고) 정보, 계약 정보, 영수증 정보를 기초로 보상제외 가능성을 판단하여 보상제외 가능성이 있으면 심사자에게 배분하고, 보상제외 가능성이 없으면 즉시 지급처리를 하는 프로세스로 구성된다. 이때, 보상제외 가능성을 판단하는 데이터로 사용된 청구 정보, 계약 정보는 통상적으로 범주형 데이터를 포함하여 저장되며 이러한 범주형 데이터를 학습하기 위하여 원-핫 인코딩(One-hot encoding)을 비롯한 더미화를 수행하는 것이 일반적이다. 범주형 데이터를 더미화 변수로 변환하면 차원이 확대되어 학습하여야 할 파라미터의 수가 크게 증가하게 되는 문제가 있다. 또한 더미화가 되었을지라도 그 결과가 0과 1로 이루어져 있어 인공신경망 알고리즘에 적합하기에는 적당하지 않다. 1은 신호가 완전히 들어온 상태이고, 0은 신호가 꺼진 상태이기 때문에 두 신호 모두 네트워크로 전달되는 과정에서 의미 있게 신호가 전달되지 않는 문제가 있다.
본 발명은 범주형 데이터를 더미화하는 변환을 수행하여 학습하지 않고, 결과 예측에 기여하는 기여도를 산출하여 차원 확대 없이 범주형 데이터를 학습하여 보상제외 확률을 판단할 수 있는 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 양상에 따르면, 인공신경망 기반 보험금 자동지급심사 시스템은 제1 보상제외 예측부와, 기여도 산출부와, 제2 보상제외 예측부를 포함하여 입력된 청구정보, 계약정보, 병원 영수증 정보에 기초하여 보험금을 산출하고, 보상제외 여부를 판단하여 보험금의 자동지급심사를 수행한다.
제1 보상제외 예측부는 부스팅 결정트리에 기반한 모델 구조를 가지며, 청구정보와 계약정보로부터 보상제외 확률을 예측한다.
기여도 산출부는 청구정보 및 계약정보의 각 항목이 제1 보상제외 예측부의 예측에 기여한 기여도를 산출한다.
제2 보상제외 예측부는 합성곱 신경망(Convolutional Neural Network) 모델 구조를 가지며, 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원으로 변환하고 전처리하여 획득한 2차원 데이터로부터 보상제외 확률을 예측하여 출력한다. 이때 제2 보상제외 예측부는 기여도 산출부가 산출한 각 항목의 기여도를 합성곱 신경망의 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력한다.
본 발명의 일 실시 예에 따르는 보험금 자동지급심사 시스템의 보상제외 여부 판단 방법은 제1 보상제외 예측 단계와, 기여도 산출 단계와, 전처리 단계와, 제2 보상제외 예측 단계를 포함하여, 입력된 청구정보, 계약정보, 병원 영수증 정보에 기초하여 보험금을 산출하고, 보상제외 여부를 판단한다.
제1 보상제외 예측 단계는 부스팅 결정트리에 기반하여 학습된 모델을 통해 청구정보와 계약정보로부터 보상제외 확률을 예측하고, 기여도 산출 단계는 청구정보 및 계약정보의 각 항목이 제1 보상제외 예측 단계의 부스팅 결정트리 모델의 예측에 기여한 기여도를 산출하고, 전처리 단계는 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원으로 변환하고 전처리하여 2차원 데이터를 생성하고, 제2 보상제외 예측 단계는 전처리 단계에서 생성된 2차원 데이터와, 기여도 산출 단계에서 산출된 기여도로부터 합성곱 신경망 모델을 통해 보상제외 확률을 예측하여 출력한다. 이때, 제2 보상제외 예측 단계의 합성곱 신경망 모델은 기여도 산출 단계에서 산출한 각 항목의 기여도를 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력한다.
본 발명에 의하면 범주형 데이터를 더미화하는 변환 등을 수행하여 차원 확대하여 학습하지 않고, 결과 예측에 기여하는 기여도를 산출하여 범주형 데이터를 0과 1의 값만 갖는 더미화 변수와 달리 특정한 분포를 갖는 값으로 변환하고 학습하여 보상제외 확률을 판단할 수 있다.
도 1은 일 실시 예에 따른 보험금 자동 지급심사 시스템의 구성을 도시한 블록도이다.
도 2는 범주형 데이터의 더미화의 예와 새플리 값을 이용한 변환의 예를 도시한 것이다.
도 3은 청구정보, 계약정보 및 영수증 정보를 통해 보상제외 확률을 산출하는 인공신경망의 개념을 도시한 것이다.
도 4는 보상제외 확률을 예측하는 인공신경망의 학습 방법에 대한 절차도이다.
도 5는 일 실시 예에 따른 보상제외 여부 판단 방법의 절차를 도시한 절차도이다.
전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시 예들을 통해 구체화된다. 각 실시 예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시 예 내에서 다양한 조합이 가능한 것으로 이해된다. 블록도의 각 블록은 어느 경우에 있어서 물리적인 부품을 표현할 수 있으나 또 다른 경우에 있어서 하나의 물리적인 부품의 기능의 일부 혹은 복수의 물리적인 부품에 걸친 기능의 논리적인 표현일 수 있다. 때로는 블록 혹은 그 일부의 실체는 프로그램 명령어들의 집합(set)일 수 있다. 이러한 블록들은 전부 혹은 일부가 하드웨어, 소프트웨어 혹은 이들의 결합에 의해 구현될 수 있다.
도 1은 일 실시 예에 따른 보험금 자동지급심사 시스템의 구성을 도시한 블록도이다. 본 발명의 일 양상에 따르면, 인공신경망 기반 보험금 자동지급심사 시스템(100)은 제1 보상제외 예측부(110)와, 기여도 산출부(150)와, 제2 보상제외 예측부(130)를 포함하여 입력된 청구정보, 계약정보, 병원 영수증 정보에 기초하여 보상제외 여부를 판단하여 보험금의 자동지급심사를 수행한다.
보험금 자동지급심사 시스템(100)은 프로세서, 메모리, 입출력 장치, 네트워크 장치 등을 포함하는 컴퓨팅 장치와 데이터베이스를 포함하여 구성될 수 있다. 보험금 자동지급심사 시스템(100)의 컴퓨팅 장치는 서버용 컴퓨터 또는 개인용 컴퓨터일 수 있다. 보험금 자동지급심사 시스템(100)은 하나의 컴퓨팅 장치로 구성될 수 있고, 복수의 컴퓨팅 장치가 하나의 시스템을 구성할 수도 있다.
보험금 자동지급심사 시스템(100)의 제1 보상제외 예측부(110)와, 기여도 산출부(150)와, 제2 보상제외 예측부(130)는 기능의 적어도 일부가 컴퓨팅 장치의 프로세서에서 실행되는 프로그램 명령어 세트로 구현될 수 있다.
제1 보상제외 예측부(110)는 부스팅 결정트리에 기반한 모델 구조를 가지며, 청구정보와 계약정보로부터 보상제외 확률을 예측한다. 부스팅 결정트리 모델은 여러 개의 결정트리를 결합하여 하나의 결정트리보다 더 좋은 결과를 출력하도록 하는 머신러닝 기법이다. 결정트리는 분류와 회귀가 모두 가능한 지도학습 모델 중 하나로, 리프 노드를 제외한 각 노드 들이 분류기준(예, 질문)으로 데이터를 구분하는 모델이다. 결정트리 모델은 배깅(bagging)과 부스팅(boosting) 모델로 분류되며, 부스팅 모델을 사용하는 것이 바람직하며, 특히 범주형 데이터를 원-핫 인코딩과 같이 더미화하지 않고 사용할 수 있는 모델을 사용하는 것이 바람직하다. 부스팅 결정트리모델로 범주형 변수를 더미 변수로 변환하지 않고 사용할 수 있는 LGBM(Light Gradient Boosting Machine) 또는 CatBoost(Categorical Boost) 기법 중 어느 하나의 기법이 사용될 수 있다.
제1 보상제외 예측부(110)가 사용하는 청구정보는 계약자가 보험사에 보험금을 청구할 때 취득되는 정보로 KCD 코드(통계청에서 관리하는 한국 표준 질병 분류 코드)와, 4대 중증 질환 구분(청구된 질병이 암 질환에 속하는지, 뇌혈관 질환에 속하는지, 심장질환에 속하는지, 희귀질환에 속하는지 구분하는 코드), 청구채널코드(지점 방문 청구 건인지, 콜센터 청구 건인지, 모바일 청구 건인지 등을 구분하는 코드) 등의 정보를 포함하고, 계약정보는 계약 체결 시점 또는 계약 내용 변경 시점에 취득되는 정보로 실납입기간(보험료 납입 기간), 실보험기간(보장받을 수 있는 기간), 실손급부유형구분코드(질병 보장 상품인지, 재해 보장 상품인지 등에 대한 구분) 등의 정보를 포함한다. 이들 대부분의 정보는 범주형 데이터인 특징이 있다. 청구정보와 계약정보는 데이터베이스(190)에 저장되어 있으며, 제1 보상제외 예측부(110)는 데이터베이스(190)에 저장된 정보를 이용하여 사전 학습한다.
기여도 산출부(150)는 청구정보 및 계약정보의 각 항목이 제1 보상제외 예측부(110)의 예측에 기여한 기여도를 산출한다. 기여도 산출부(150)는 학습데이터와, 제1 보상제외 예측부(110)의 예측 모델을 이용하여, 학습데이터의 조합과 그 값의 변경을 반복하며 각 항목이 예측 결과 도출에 미치는 기여도를 수치로 산출한다.
제2 보상제외 예측부(130)는 합성곱 신경망(Convolutional Neural Network) 모델 구조를 가지며, 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원으로 변환하고 일정한 전처리를 수행하여 획득한 2차원 데이터로부터 보상제외 확률을 예측하여 출력한다. 이때 제2 보상제외 예측부(130)는 기여도 산출부(150)가 산출한 각 항목의 기여도를 합성곱 신경망의 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력한다.
제2 보상제외 예측부(130)는 합성곱 신경망 모델이며, 데이터 전처리부를 포함한다.
데이터 전처리부는 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원 데이터로 변환하여 입력데이터를 생성한다. 병원 영수증 정보는 병원이 환자 진료에 대하여 청구한 진료비 영수 사실을 증명하는 진료비 영수증의 각 항목과 각 항목의 금액 정보이다. 기간계 데이터는 병원 영수증 정보가 입력된 데이터베이스 테이블 데이터로 진료비 영수증 별로 하나의 레코드로 관리되는 1차원 데이터이다. 종래기술의 기계학습 모델들은 이 데이터를 사용하여 각 항목 별로 가중치를 학습하며 보상제외 확률을 예측하였다. 하지만, 진료비 영수증의 항목(예, 진찰료)들이 공통적으로 본인부담, 공단부담, 전액본인부담으로 구성되는 급여와 선택진료료, 선택진료료외로 구성되는 비급여로 세분화되므로 1차원 기간계 데이터를 실제 병원 진료비 영수증과 유사한 2차원 데이터 형태로 변환할 수 있다. 그리고 이 2차원 데이터의 열과 행을 이미지 데이터의 XY 좌표로 간주하고, 해당 위치의 값을 명암으로 간주하여 이미지 데이터처럼 처리한다면 이미지 기반의 합성곱 신경망 모델을 통해 학습할 수 있다.
데이터 전처리부는 제2 보상제외 예측부(130)의 학습데이터인 1차원 기간계 데이터를 2차원 데이터로 변환하고, 변환된 전체 2차원 데이터의 각 항목 별로 각각 평균값과 표준편차를 산출하여 저장하고, 2차원 데이터의 각 항목의 값을 Z-스코어로 정규화하는 전처리를 수행할 수 있다. 합성곱 신경망 모델은 이 전처리된 데이터를 학습한다. 진료비 영수증 정보가 입력된 기간계 데이터는 값이 있는 컬럼 보다 값이 없는 컬럼 즉, 값이 0이 컬럼이 많은 경향을 가지는 특징이 있다. 따라서, 기간계 데이터로부터 변환된 2차원 데이터 역시 0을 많이 포함하게 된다. 인공신경망 학습에 있어서, 신호를 전달하지 못하는 0이 많이 포함된 데이터로 학습을 하게 되면 0이 아닌 항목들에 의해 과적합(overfitting)될 위험성이 있을 수 있다. 데이터 전처리부는 이러한 위험을 줄이기 위해 기간계 데이터를 2차원 데이터로 변환하며 값을 Z-스코어로 정규화할 수 있다. Z-스코어는 정규화의 방법 중 하나로 해당 값이 평균값에서 표준편차의 몇 배 정도 떨어져 있는지를 평가하는 수치로 아래의 <수학식1>로 계산된다.
Figure 112020074825215-pat00001
Z는 Z-스코어, μ는 평균값, σ는 표준편차
데이터 전처리부는 Z-스코어를 산출하기 위해 변환된 2차원 데이터의 각 항목 별로 평균값과 표준편차를 먼저 산출하여 저장한다. 데이터 전처리부는 기간계 데이터를 2차원 데이터로 변환한 후 전체 학습데이터를 대상으로 각 항목 별로 평균값과 표준편차를 구하고, 각 레코드에 대하여 항목 별 Z-스코어로 정규화할 수 있다. 영수증 각 항목별로 Z-스코어를 산출함으로써 특정 사고에 대한 진료시 영수증 항목별로 평균적으로 얼마의 납부금액이 소요되는지를 파악할 수 있는 효과가 발생된다. 또한, 각 레코드는 Z-스코어로 정규화됨으로써 값이 0인 항목이 대부분 없어지게 되는 효과가 있다.
데이터 전처리부는 보상제외 예측을 위하여 입력된 기간계 데이터를 2차원 데이터로 변환한 후 각 항목에 대하여 저장된 각 항목 별 평균값과 표준편차를 이용하여 Z-스코어로 정규화하는 전처리를 한 후 합성곱 신경망 모델의 입력데이터로 전달할 수 있다.
또 다른 양상으로, 데이터 전처리부는 변환된 2차원 데이터에 대하여 일부 항목의 값을 조합하여 확장된 2차원 데이터를 생성하고, 확장된 전체 2차원 데이터의 각 항목 별로 각각 평균값과 표준편차를 산출하여 저장하고, 확장된 2차원 데이터의 각 항목의 값을 Z-스코어로 정규화할 수 있다.
진료비 영수증 정보로부터 생성되는 기간계 데이터로부터 변환된 2차원 데이터는 항목의 수가 비교적 적어 이를 이미지 데이터로 간주하여 처리하는 경우 패턴이 단조로워져 과적합될 수 있다. 또한, 보험업계에서 진료비 영수증 항목들을 일부 조합하여 지급심사를 위한 비즈니스 룰에 활용하는 경향이 있다. 이러한 점을 고려하여 데이터 전처리부는 변환된 2차원 데이터의 일부 항목을 조합하여 새로운 항목을 추가하는 확장을 수행하여 확장된 2차원 데이터를 생성한다. 예를 들어, 진료비 영수증의 진찰료 본인부담 항목과 진찰료 공단부담 항목을 결합하여 새로운 항목을 생성할 수 있다. 이러한 조합의 수는 제한이 없으며 하나의 항목에 몇 개의 항목을 조합할 지도 제한이 없다.
확장된 2차원 데이터 또한 값이 있는 컬럼 보다 값이 없는 컬럼 즉, 값이 0이 컬럼이 많은 경향을 가지는 특징이 있다. 인공신경망 학습에 있어서, 신호를 전달하지 못하는 0이 많이 포함된 데이터로 학습을 하게 되면 0이 아닌 항목들에 의해 과적합(overfitting)될 수 있어, 데이터 전처리부는 이러한 위험을 줄이기 위해 확장된 2차원 데이터의 각 항목의 값을 Z-스코어로 정규화하여 전처리할 수 있다. Z-스코어는 <수학식1>로 계산된다.
영수증 각 항목별로 Z-스코어를 산출함으로써 특정 사고에 대해 진료시 영수증 항목별로 평균적으로 얼마의 납부금액이 소요되는지를 파악할 수 있는 효과가 발생된다. 또한, 각 레코드는 Z-스코어로 정규화됨으로써 값이 0인 항목이 대부분 없어지게 되는 효과가 있다.
데이터 전처리부는 보상제외 예측을 위하여 입력된 기간계 데이터를 2차원 데이터로 변환한 후 먼저 학습데이터의 2차원 데이터를 확장하는 것과 동일한 방식으로 일부 항목들을 조합하여 확장하고, 확장된 2차원 데이터에 대하여 저장된 각 항목 별 평균값과 표준편차를 이용하여 Z-스코어로 정규화하는 전처리를 한 후 합성곱 신경망 모델의 입력데이터로 전달할 수 있다.
합성곱 신경망 모델은 영상 즉, 이미지 데이터를 학습데이터로 하여 보상제외 확률을 예측하도록 학습된 모델이다. 제2 보상제외 예측부(130)의 학습데이터는 병원 영수증 정보가 입력된 데이터베이스인 기간계 데이터로부터 생성된다. 제1 보상제외 예측부(110)는 지도학습 방식으로 보상제외 여부가 정답으로 표시된 학습데이터로부터 학습되며, 배치학습 방식으로 학습될 수 있다. 제2 보상제외 예측부(130)는 영상 기반 예측 모델이기 때문에 영상 즉, 이미지 데이터를 입력 받아 학습한다. 제2 보상제외 예측부(130)는 1차원 기간계 데이터로부터 변환된 2차원 데이터를 이미지 데이터로 간주하여 보상제외 확률을 예측하도록 학습된다. 학습된 제2 보상제외 예측부(130)는 데이터 전처리부가 보상제외 예측을 위해 입력자에 의해 입력된 진료비 영수증 정보의 기간계 데이터로부터 생성한 2차원 데이터를 이미지 데이터로 간주하여 입력 받아 보상제외 확률을 예측하여 출력한다.
제2 보상제외 예측부(130)는 기여도 산출부(150)가 산출한 각 항목의 기여도를 합성곱 신경망의 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력한다.
본 발명의 또 다른 양상에 따르면, 기여도 산출부(150)는 청구정보와 계약정보의 항목들의 조합을 변경하며 제1 보상제외 예측부(110)를 반복 수행시키며 새플리 값(Shapley value)을 각 항목의 기여도로 산출할 수 있다. 새플리 값은 게임이론(여러 주제가 서로 영향을 미지는 상황에서 서로가 어떤 의사결정이나 행동을 하는지에 대하여 이론화한 것)을 바탕으로 하나의 특성에 대한 중요도를 알기 위해 여러 특성들의 조합을 구성하고 해당 특성의 유무에 따른 평균적인 변화를 구하여 산출한 값이다. 이 양상은 새플리 값을 딥러닝에 적용하여 각 학습변수가 모델의 결정에 기여한 정도를 산출하도록 한 것이다. 앞서 설명한 것과 같이 기여도 산출부(150)가 산출한 각 항목의 기여도는 합성곱 신경망의 완전 연결층에 입력된다. 이때, 학습변수들은 청구정보 및 계약정보의 범주형 데이터일 수 있으며, 이들 범주형 데이터를 종래 기술처럼 더미화 변수로 변환하여 차원 확대함과 동시에 0 또는 1의 값으로만 변경하지 않고, 범주형 데이터를 수치 데이터로 변환함에 있어 차원 확대를 하지 않으면서 변환된 값이 0과 1의 값만 가지는 것이 아니라 인공신경망 학습에 적합한 특정한 분포를 갖는 값들로 변환될 수 있다.
도 2는 범주형 변수를 변환하는 종래 기술과 새플리 값을 이용한 변환의 예를 도시하고 있다. 본 발명에 의하면 범주형 변수를 더미 변수로 변환하여 차원을 확대시키지 하고 범주형 변수를 그대로 수치형 데이터로 전환할 수 있다. 도 2에 도시된 (a) 범주형 변수의 더미화의 예는 종래의 원-핫 인코딩과 같은 더미화 예를 나타낸다. 도시된 예와 같이 범주형 변수의 더미화는 변수의 차원을 급격하게 증가시켜 메모리 문제와, 학습에 소요되는 시간이 크게 증가하는 등의 문제를 발생시킨다. 예를 들어, 도 2의 (a)의 실손유의질병 구분코드는 더미화를 수행하면 실손유의질병 구분코드_101, 실손유의질병 구분코드_111, 실손유의질병 구분코드_201, 실손유의질병 구분코드_302와 같이 구분코드의 개수만큼 차원이 확대된다. 또한, 범주형 변수의 더미화의 경우 확대된 차원의 각 항목의 값은 0 또는 1의 값만 갖게 된다. 인공신경망 학습에 있어, 1의 값은 신호가 입력되는 것으로 처리되고, 0은 신호가 입력되지 않지 않는 것으로 처리되므로 이와 같이 범주형 변수를 0과 1로만 변환하면 학습이 잘 수행되지 않을 수 있다. 본 발명은 새플리 값을 이용하여 범주형 변수를 차원 확대 없이 수치형 데이터로 변환함으로써 이러한 문제들을 해결하고 있다. 또한, 본 발명은 범주형 변수들에 대하여 특정한 분포를 갖는 값으로 산출하는 새플리 값을 사용함으로써 범주형 변수를 0과 1의 값으로만 사용하는 더미화와는 달리 범주형 변수들이 의미있는 신호로 변환될 수 있다. 예를 들어, 도 2에 도시된 (b) Shapley value를 이용한 수치화의 예에서, 더미화의 예와 달리 실손유의질병 구분코드를 수치로 변환함에 있어 차원확대가 발생되지 않으며, 그 값 또한 0 또는 1의 값만 갖는 더미화와 달리 특정한 분포를 갖는 값으로 변환됨을 알 수 있다.
도 3은 청구정보, 계약정보 및 영수증 정보를 통해 보상제외 확률을 산출하는 인공신경망의 개념을 도시한 것이다. 제1 보상제외 예측부(110)는 청구정보와 계약정보로부터 보상제외 여부를 출력하도록 부스팅 기법으로 학습한다. 기여도 산출부(150)는 학습데이터의 각 항목의 조합과 값을 변경하며 제1 보상제외 예측부(110)를 반복 실행하여 각 항목이 보상제외 여부 예측에 기여한 정보를 새플리 값으로 산출한다. 제2 보상제외 예측부(130)는 영수증 정보를 전처리하여 생성한 2차원 데이터를 이미지 데이터로 간주하여 영상 처리 기반의 합성곱 신경망을 통해 보상제외 확률을 예측한다. 이때, 합성곱 신경망의 완전 연결층은 합성곱 층의 출력과 기여도 산출부(150)가 산출한 새플리 값으로 구성된 벡터가 하나의 벡터로 연결된 벡터를 입력으로 받아들여 최종적으로 보상 제외 확률을 예측한다.
심사결정부(170)는 제2 보상제외 예측부(130)가 출력한 보상제외 확률을 미리 설정된 임계값과 비교하여 보상제외 확률이 임계값보다 작거나 같으면 심사자의 심사를 거치지 않고 보험금의 즉시 지급을 결정하고, 보상제외 확률이 임계값보다 크면 수동 심사를 위하여 심사자에게 해당 건의 심사 업무를 배당할 것을 결정한다. 이때 미리 설정되는 임계값은 테스트 데이터 셋을 통해 산출되는 재무적 효과에 근거하여 경험적으로 설정될 수 있다.
도 4는 보상제외 확률을 예측하는 인공신경망의 학습 방법에 대한 절차를 도시하고 있다. 본 발명의 일 양상에 따르면, 보험금 자동지급심사 시스템(100)의 보상제외 확률을 예측하기 위해 인공신경망 모델을 학습시키는 방법은 부스팅 결정트리 모델을 통해 청구정보와 계약정보를 학습하여 보상제외 여부 예측하는 단계(S2000)와, 청구정보와 계약정보로 구성되는 학습데이터를 변경하며 부스팅 결정트리 모델을 반복 실행하여 새플리 값 산출하는 단계(S2020)와, 보상제외 여부에 대한 정답이 결정되어 저장된 기간계 데이터가 저장된 데이터베이스(190)에서 학습데이터를 선택하여 추출하는 단계(S2040)와, 학습데이터로 선택된 기간계 데이터를 2차원 데이터로 변환하는 단계(S2060), 영상 기반의 합성곱 신경망 모델의 합성곱 층이 변환된 2차원 데이터로부터 보상제외 확률을 예측하도록 2차원 데이터를 이미지 데이터처럼 학습하여 특징맵 데이터를 산출하는 단계(S2080) 및 새플리 값을 산출하는 단계에서 산출된 새플리 데이터와 합성곱 신경망 모델의 합성곱 층의 출력인 특징맵 데이터를 결합한 1차원 데이터를 완전연결 층의 입력으로 사용하여 보상제외 확률을 예측하도록 학습하는 단계(S2100)를 포함한다.
본 발명의 일 실시 예에 따르는 보험금 자동지급심사 시스템(100)의 보상제외 여부 판단 방법은 제1 보상제외 예측 단계와, 기여도 산출 단계와, 전처리 단계와, 제2 보상제외 예측 단계를 포함하여, 입력된 청구정보, 계약정보, 병원 영수증 정보에 기초하여 보상제외 여부를 판단한다.
제1 보상제외 예측 단계는 부스팅 결정트리에 기반하여 학습된 모델을 통해 청구정보와 계약정보로부터 보상제외 확률을 예측한다. 부스팅 결정트리 모델은 여러 개의 결정트리를 결합하여 하나의 결정트리보다 더 좋은 결과를 출력하도록 하는 머신러닝 기법이며, 결정트리는 분류와 회귀가 모두 가능한 지도학습 모델 중 하나로, 리프 노드를 제외한 각 노드 들이 분류기준으로 데이터를 구분하는 모델이다. 결정트리 모델은 배깅(bagging)과 부스팅(boosting) 모델로 분류되며, 부스팅 모델을 사용하는 것이 바람직하며, 특히 범주형 데이터를 원-핫 인코딩과 같이 더미화하지 않고 사용할 수 있는 모델을 사용하는 것이 바람직하다. 부스팅 모델로 범주형 변수를 더미 변수로 변환하지 않고 사용할 수 있는 LGBM(Light Gradient Boosting Machine) 또는 CatBoost(Categorical Boost) 기법 중 어느 하나의 기법이 사용될 수 있다.
기여도 산출 단계는 청구정보 및 계약정보의 각 항목이 제1 보상제외 예측 단계의 결정트리 모델의 예측에 기여한 기여도를 산출한다. 기여도 산출 단계는 학습데이터와, 제1 보상제외 예측 단계의 부스팅 결정트리 모델을 이용하여, 학습데이터의 조합과 그 값의 변경을 반복하며 각 항목이 예측 결과 도출에 미치는 기여도를 수치로 산출한다.
본 발명의 또 다른 양상에 따르면, 기여도 산출 단계는 청구정보와 계약정보의 항목들의 조합을 변경하며 제1 보상제외 예측 단계의 부스팅 결정트리 모델을 반복 수행시키며 새플리 값(Shapley value)을 각 항목의 기여도로 산출할 수 있다. 본 발명에 의하면 청구정보와 계약정보의 항목 중 범주형 데이터를 종래 기술처럼 더미화 변수로 변환하여 차원 확대함과 동시에 0 또는 1의 값으로만 변경하지 않고, 범주형 데이터를 수치 데이터로 변환함에 있어 차원 확대를 하지 않으면서 변환된 값이 0과 1의 값만 가지는 것이 아니라 인공신경망 학습에 적합한 특정한 분포를 갖는 값들로 변환할 수 있다.
전처리 단계는 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원 변환하고 전처리하여 2차원 데이터를 생성한다. 전처리 단계는 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원 데이터로 변환하여 입력데이터를 생성한다. 종래기술의 기계학습 모델들과 달리 보험금 자동지급심사 시스템(100)의 인공신경망 모델은 이 데이터를 사용하여 각 항목 별로 가중치를 학습하여 보상제외 확률을 예측하지 않고 숫자로 이루어진 표 형식의 데이터를 이미지 데이터처럼 처리하여 학습한다. 이는, 진료비 영수증의 항목(예, 진찰료)들이 공통적으로 본인부담, 공단부담, 전액본인부담으로 구성되는 급여와 선택진료료, 선택진료료외로 구성되는 비급여로 세분화되므로 1차원 기간계 데이터를 실제 병원 진료비 영수증과 유사한 2차원 데이터 형태로 변환할 수 있고 이 2차원 데이터의 열과 행을 이미지 데이터의 XY 좌표로 간주하고, 해당 위치의 값을 명암으로 간주하면 이미지 데이터처럼 처리할 수 있기 때문이다.
다른 양상으로 전처리 단계는 1차원 기간계 데이터를 2차원 데이터로 변환하고, 변환된 전체 2차원 데이터의 각 항목의 값을 Z-스코어로 정규화하는 단계일 수 있다. Z-스코어를 산출하기 위해 학습데이터인 1차원 기간계 데이터로부터 변환된 2차원 데이터의 각 항목 별로 각각 평균값과 표준편차를 산출하여 저장한다. 저장된 각 항목 별 평균값과 표준편차를 이용하여 2차원 데이터의 각 항목의 값을 Z-스코어로 정규화한다. Z-스코어는 정규화의 방법 중 하나로 해당 값이 평균값에서 표준편차의 몇 배 정도 떨어져 있는지를 평가하는 수치로 <수학식1>로 계산된다. 전처리 단계에서 Z-스코어로 정규화된 2차원 데이터가 합성곱 신경망 모델의 입력데이터로 사용될 수 있다.
또 다른 양상에 따르면, 전처리 단계는 입력된 1차원 기간계 데이터를 먼저 2차원 데이터로 변환하고 변환된 2차원 데이터의 일부 항목의 값을 조합하여 확장된 2차원 데이터를 생성하는 단계와, 확장된 2차원 데이터의 각 항목의 값을 Z-스코어로 정규화하는 단계를 포함할 수 있다. 2차원 데이터를 확장하는 과정은 학습과정에서도 동일하게 수행된다. 학습과정에서 먼저 1차원 기간계 데이터를 2차원 데이터로 변환하고 변환된 2차원 데이터에 대하여 일부 항목의 값을 조합하여 확장된 2차원 데이터를 생성한다. 또한 학습과정에서 학습데이터의 확장된 2차원 데이터에 대하여 각 항목 별 평균값과 표준편차를 산출하여 저장한다. Z-스코어로 정규화하는 단계는 확장된 2차원 데이터의 각 항목 별로 산출된 평균값과 표준편차를 이용하여 Z-스코어로 정규화한다.
제2 보상제외 예측 단계는 전처리 단계에서 생성된 2차원 데이터와, 기여도 산출 단계에서 산출된 기여도로부터 합성곱 신경망 모델을 통해 보상제외 확률을 예측하여 출력한다. 제2 보상제외 예측 단계는 생성된 2차원 입력데이터를 이미지 데이터처럼 입력 받아 영상 처리를 기반으로 하는 합성곱 신경망 모델을 통해 보상제외 확률을 예측하여 출력한다. 제2 보상제외 예측 단계의 합성곱 신경망 모델은 영상 처리를 기반으로 하여 영상 즉, 이미지 데이터를 학습데이터로 하여 보상제외 확률을 예측하도록 학습된 모델이다. 보상제외 예측 단계의 학습데이터는 병원 영수증 정보가 입력된 데이터베이스인 기간계 데이터로부터 생성되어 학습된다. 합성곱 신경망 모델은 지도학습 방식으로 보상제외 여부가 정답으로 표시된 학습데이터로부터 학습되며, 배치학습 방식으로 학습될 수 있다. 제2 보상제외 예측 단계의 합성곱 신경망 모델은 입력자에 의해 입력된 진료비 영수증 정보의 기간계 데이터로부터 생성한 2차원 데이터를 이미지 데이터로 간주하여 입력 받아 보상제외 확률을 예측하여 출력한다. 이때, 제2 보상제외 예측 단계의 합성곱 신경망 모델은 기여도 산출 단계에서 산출한 각 항목의 기여도를 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력한다.
도 5는 일 실시 예에 따른 보상제외 여부 판단 방법의 절차를 도시한 절차도이다. 보험금 자동지급심사 시스템(100)의 보상제외 여부 판단 방법은 결정트리 모델을 통해 청구정보와 계약정보를 학습하여 보상제외 여부를 예측하고(S3000), 청구정보와 계약정보로 구성되는 학습데이터를 변경하며 부스팅 결정트리 모델을 반복 실행하여 새플리 값 산출하고(S3020), 진료비 영수증 정보를 기초로 입력된 기간계 데이터를 변환하여 2차원 데이터를 생성하고(S3040), 2차원 데이터의 일부 항목을 조합하여 확장한 확장된 2차원 데이터를 생성하고(S3060), 확장된 2차원 데이터의 각 항목 별로 저장된 평균값과 표준편차를 이용하여 Z-스코어로 정규화하고(S3080), 영상 기반의 합성곱 신경망 모델의 합성곱 층이 정규화된 2차원 데이터로부터 보상제외 확률을 예측하도록 2차원 데이터를 이미지 데이터처럼 학습하여 특징맵 데이터를 산출하고(S3100), 새플리 값을 산출하는 단계에서 산출된 새플리 데이터와 합성곱 신경망 모델의 합성곱 층의 출력인 특징맵 데이터를 결합한 1차원 데이터를 완전연결 층의 입력으로 사용하여 보상제외 확률을 예측한다(S3120).
이상에서 본 발명을 첨부된 도면을 참조하는 실시 예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형 예들을 포괄하도록 해석되어야 한다. 특허청구범위는 이러한 변형 예들을 포괄하도록 의도되었다.
100 : 보험금 자동지급심사 시스템
110 : 제1 보상제외 예측부
130 : 제2 보상제외 예측부
150 : 기여도 산출부
170 : 심사결정부
190 : 데이터베이스

Claims (6)

  1. 입력된 청구정보, 계약정보, 병원 영수증 정보에 기초하여 보험금을 산출하고, 보상제외 여부를 판단하여 보험금의 자동지급심사를 수행하는 시스템에 있어서,
    부스팅 결정트리에 기반한 모델 구조를 가지며, 청구정보와 계약정보로부터 보상제외 확률을 예측하는 제1 보상제외 예측부;
    청구정보 및 계약정보의 각 항목이 제1 보상제외 예측부의 예측에 기여한 기여도를 산출하는 기여도 산출부; 및
    합성곱 신경망(Convolutional Neural Network) 모델 구조를 가지며, 병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원으로 변환하고 전처리하여 획득한 2차원 데이터로부터 보상제외 확률을 예측하여 출력하는 제2 보상제외 예측부;
    를 포함하되,
    기여도 산출부는 청구정보와 계약정보의 항목들의 조합을 변경하며 제1 보상제외 예측부를 반복 수행시키며 새플리 값(Shapley value)을 각 항목의 기여도로 산출하고,
    제2 보상제외 예측부는 기여도 산출부가 산출한 각 항목의 기여도를 합성곱 신경망의 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력하는 인공신경망 기반 보험금 자동지급심사 시스템.
  2. 제 1 항에 있어서,
    제1 보상제외 예측부는 범주형 변수를 더미변수로 변환하지 않고 사용할 수 있는 LGBM(Light Gradient Boosting Machine) 또는 CatBoost(Categorical Boost) 기법 중 어느 하나의 부스팅(Boosting) 기법을 사용하는 인공신경망 기반 보험금 자동지급심사 시스템.
  3. 삭제
  4. 입력된 청구정보, 계약정보, 병원 영수증 정보에 기초하여 보상제외 여부를 판단하는 보험금 자동지급심사 시스템이 보상제외 여부를 판단하는 방법에 있어서,
    부스팅 결정트리에 기반하여 학습된 모델을 통해 청구정보와 계약정보로부터 보상제외 확률을 예측하는 제1 보상제외 예측 단계;
    청구정보 및 계약정보의 각 항목이 제1 보상제외 예측 단계의 결정트리 모델의 예측에 기여한 기여도를 산출하는 기여도 산출 단계;
    병원 영수증 정보의 항목과 금액이 입력된 1차원 기간계 데이터를 2차원으로 변환하고 전처리하여 2차원 데이터를 생성하는 전처리 단계; 및
    전처리 단계에서 생성된 2차원 데이터와, 기여도 산출 단계에서 산출된 기여도로부터 합성곱 신경망 모델을 통해 보상제외 확률을 예측하여 출력하는 제2 보상제외 예측 단계;
    를 포함하되,
    기여도 산출 단계는 청구정보와 계약정보의 항목들의 조합을 변경하며 제1 보상제외 예측 단계의 부스팅 결정트리 모델을 반복 수행시키며 새플리 값(Shapley value)을 각 항목의 기여도로 산출하고,
    제2 보상제외 예측 단계의 합성곱 신경망 모델은 기여도 산출 단계에서 산출한 각 항목의 기여도를 완전 연결층의 입력데이터에 추가하여 보상제외 확률을 예측하여 출력하는 보험금 자동지급심사 시스템의 보상제외 여부 판단 방법.
  5. 제 4 항에 있어서,
    제1 보상제외 예측 단계의 결정트리 모델은 범주형 변수를 더미변수로 변환하지 않고 사용할 수 있는 LGBM(Light Gradient Boosting Machine) 또는 CatBoost(Categorical Boost) 기법 중 어느 하나의 부스팅(Boosting) 기법을 사용하는 보험금 자동지급심사 시스템의 보상제외 여부 판단 방법.
  6. 삭제
KR1020200089024A 2020-07-17 2020-07-17 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법 KR102160447B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200089024A KR102160447B1 (ko) 2020-07-17 2020-07-17 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200089024A KR102160447B1 (ko) 2020-07-17 2020-07-17 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102160447B1 true KR102160447B1 (ko) 2020-09-28

Family

ID=72801083

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200089024A KR102160447B1 (ko) 2020-07-17 2020-07-17 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102160447B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288334A (zh) * 2020-11-27 2021-01-29 上海评驾科技有限公司 一种基于lightgbm的车联网风险因子的提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101603725B1 (ko) * 2014-05-16 2016-03-16 삼성생명보험주식회사 보험사기를 사전 감지하기 위한 장치 및 컴퓨터-판독가능 매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101603725B1 (ko) * 2014-05-16 2016-03-16 삼성생명보험주식회사 보험사기를 사전 감지하기 위한 장치 및 컴퓨터-판독가능 매체

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288334A (zh) * 2020-11-27 2021-01-29 上海评驾科技有限公司 一种基于lightgbm的车联网风险因子的提取方法
CN112288334B (zh) * 2020-11-27 2024-04-16 上海评驾科技有限公司 一种基于lightgbm的车联网风险因子的提取方法

Similar Documents

Publication Publication Date Title
de La Torre et al. A deep learning interpretable classifier for diabetic retinopathy disease grading
US11120509B2 (en) Predictive model segmentation platform
CN110334843B (zh) 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置
Alsubai et al. Ensemble deep learning for brain tumor detection
CN110796542A (zh) 金融风险控制方法、金融风险控制装置和电子设备
WO2020144627A1 (en) Automated generation of codes
CN113656558B (zh) 基于机器学习对关联规则进行评估的方法及装置
Ansari et al. A prediction of heart disease using machine learning algorithms
Kaya Optimization of SVM Parameters with Hybrid CS‐PSO Algorithms for Parkinson’s Disease in LabVIEW Environment
Alfifi et al. Enhanced artificial intelligence system for diagnosing and predicting breast cancer using deep learning
CN117557331A (zh) 一种产品推荐方法、装置、计算机设备及存储介质
KR102160447B1 (ko) 새플리 값을 이용한 실손보험금 자동지급심사 시스템 및 그 방법
Rai et al. LSTM-based adaptive whale optimization model for classification of fused multimodality medical image
Khan et al. Mixed data imputation using generative adversarial networks
Balan et al. An intelligent human age and gender forecasting framework using deep learning algorithms
KR102160444B1 (ko) 실손보험금 자동지급심사 시스템 및 그 방법
Ding et al. Bone age estimation from carpal radiography images using deep learning
Ngan et al. Medical diagnosis from images with intuitionistic fuzzy distance measures
Shanthakumari et al. Deep Convolutional Neural Network Model for Classifying Alzheimer’s Disease
Hilali-Jaghdam et al. Towards COVID-19 detection and classification using optimal efficient Densenet model on chest X-ray images
Alsadoon et al. Deep learning models for human age prediction to prevent, treat and extend life expectancy: DCPV taxonomy
Ahmed et al. Detection of Brain Tumour Using Deep Learning
Gomes et al. A Survey of Explainable AI and Proposal for a Discipline of Explanation Engineering
Ginjupalli et al. Digitization of Prior Authorization in Healthcare Management Using Machine Learning
WO2024216763A1 (zh) 图像处理方法、装置、电子设备及存储介质

Legal Events

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