KR102202810B1 - 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템 - Google Patents
수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템 Download PDFInfo
- Publication number
- KR102202810B1 KR102202810B1 KR1020200121013A KR20200121013A KR102202810B1 KR 102202810 B1 KR102202810 B1 KR 102202810B1 KR 1020200121013 A KR1020200121013 A KR 1020200121013A KR 20200121013 A KR20200121013 A KR 20200121013A KR 102202810 B1 KR102202810 B1 KR 102202810B1
- Authority
- KR
- South Korea
- Prior art keywords
- livestock
- knowledge
- rdr
- module
- diagnosis
- Prior art date
Links
- 244000144972 livestock Species 0.000 title claims abstract description 206
- 238000003745 diagnosis Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 claims description 34
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 11
- 238000003058 natural language processing Methods 0.000 claims description 11
- 238000007418 data mining Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000003862 health status Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 230000009193 crawling Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229960005486 vaccine Drugs 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000384 rearing effect Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000006052 feed supplement Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009612 semen analysis Methods 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에 관한 것으로서, 보다 구체적으로는 가축 진단을 위한 자동 소견생성 시스템으로서, RDR(Ripple-Down Rules) 기반 데이터 마이닝 기술을 이용해 사례 문서로부터 축산전문가의 수의 경험지식을 추출하되, 상기 수의 경험지식을 표현하는 RDR 규칙을 구축하는 사례 학습부, 및 진단 대상 농장에 대해 수집된 데이터로부터, 상기 사례 학습부에서 구축된 RDR 규칙을 이용해 가축 진단 결과를 자동으로 추론하는 진단 추론부를 포함하여, 수의 경험지식을 이용해 가축 진단 결과를 추론하는 가축 진단 추론부; 전문 정보가 저장된 서술적 지식 DB 모듈에서 상기 추론된 가축 진단 결과와 관련된 근거 자료를 탐색하는 전문 정보 탐색부; 및 상기 가축 진단 결과에 상기 전문 정보 탐색부에서 탐색한 근거 자료를 첨부하여 자동 소견을 생성하는 소견 생성부를 포함하며, 상기 전문 정보 탐색부는, 상기 가축 진단 결과의 추론에 사용된 RDR 규칙을 구성하는 핵심 단어를 질의어로 입력받고, 입력받은 질의어를 이용해 상기 근거 자료를 탐색하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에 따르면, RDR 기반 데이터 마이닝 기술을 이용해 절차적 지식화된 축산전문가의 수의 경험지식으로부터 진단 대상 농장에 대한 가축 진단 결과를 자동으로 추론하고, 지식 구조화된 서술적 지식인 전문 정보를 이용해 가축 진단 결과에 대한 근거 자료를 첨부하여 자동 소견을 생성함으로써, 축산전문가의 다양한 수의 경험지식을 가축 진단에 활용하고, 근거 자료를 첨부하여 가축 진단 결과에 대한 신뢰도를 확보하며, 농장 또는 수의사에게 근거 자료가 첨부된 가축 진단 결과를 제공해 농장 관리를 위한 의사결정, 수의사의 최종 판단 등에 도움을 줄 수 있다.
본 발명에서 제안하고 있는 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에 따르면, RDR 기반 데이터 마이닝 기술을 이용해 절차적 지식화된 축산전문가의 수의 경험지식으로부터 진단 대상 농장에 대한 가축 진단 결과를 자동으로 추론하고, 지식 구조화된 서술적 지식인 전문 정보를 이용해 가축 진단 결과에 대한 근거 자료를 첨부하여 자동 소견을 생성함으로써, 축산전문가의 다양한 수의 경험지식을 가축 진단에 활용하고, 근거 자료를 첨부하여 가축 진단 결과에 대한 신뢰도를 확보하며, 농장 또는 수의사에게 근거 자료가 첨부된 가축 진단 결과를 제공해 농장 관리를 위한 의사결정, 수의사의 최종 판단 등에 도움을 줄 수 있다.
Description
본 발명은 가축 진단을 위한 자동 소견생성 시스템에 관한 것으로서, 보다 구체적으로는 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에 관한 것이다.
농가에서 축사를 경영하기 위해서는, 가축의 건강 상태는 물론, 소비되는 물품 등을 관리해야 할 뿐 아니라, 가축의 구매부터 출하까지 교배와 분만, 육성 등의 다양한 과정이 필요하며, 이를 위하여 가축을 이동시키고 분리하여 관리하는 등 수많은 이벤트가 발생하게 된다.
이와 같이 관리가 필요한 관리 항목 및 이벤트가 매우 많음에도 불구하고, 기존 농가의 축사 경영 관리는 열악한 실정이다. 한돈협회에서는 생산성 관리 권장 소프트웨어를 제공하고 있으나, 이를 실제로 활용하는 양돈 농가는 10% 미만인 것으로 파악되고 있으며, 체계적이지 못한 축사 경영으로 인하여 건강 관리 또한 원활하게 이루어지지 않아, 질병 발생 시 초기 대처가 어렵고 잦은 전염성 바이러스가 발발하게 되는 원인이 되고 있다.
일반적으로, 가축 질병 관리는 축사에 사육 중인 소, 돼지 등의 가축의 건강 상태를 농장주 또는 관리인이 개체별로 일일이 가축의 발육상태, 체온, 맥박 및 호흡수 등을 직접 측정한 후, 측정된 정보를 전문 기관에 의뢰하여 분석함으로써, 가축에 대한 질병 여부를 판단하였다.
특히, 이러한 측정된 정보를 바탕으로 경험적 지식을 통해 최종적으로 수의사가 진단하고 적절한 처방을 하게 된다. 그러나 수의사가 진단해야 하는 가축의 수는 매우 많지만 진단할 수 있는 양은 한정되어 있고, 실제 농장을 방문하여 진단해야 할 때는 더욱 한정될 수밖에 없다. 또한, 수의사는 농장주의 요청으로 진단을 하는 것이므로, 적절한 진단 시점은 이미 지났거나 예방적 처방은 불가능할 수 있다.
따라서, 위와 같은 문제점을 해결하고자, 종래에는 가축 질병을 초기에 진단하기 위한 시스템을 구축하여 왔다. 이와 관련된 선행특허로서, 한국등록특허 제10-1213252호(발명의 명칭: 가축 온도 감지 장치 및 이를 이용한 원격으로 이루어지는 가축의 질병 진단 시스템 및 이의 방법) 등이 개시된 바 있다.
그러나 수의사의 진단은 여러 경험적 지식과 전문 지식을 바탕으로 이루어지는 것이므로, 단순히 가축의 체온정보만으로 진단하는 것은 수의사의 진단과는 큰 차이가 있을 수밖에 없다. 따라서 수의사의 경험적 지식과 전문 지식을 이용해 체계적으로 가축 진단을 도와줄 수 있는 기술의 개발이 필요한 실정이다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, RDR 기반 데이터 마이닝 기술을 이용해 절차적 지식화된 축산전문가의 수의 경험지식으로부터 진단 대상 농장에 대한 가축 진단 결과를 자동으로 추론하고, 지식 구조화된 서술적 지식인 전문 정보를 이용해 가축 진단 결과에 대한 근거 자료를 첨부하여 자동 소견을 생성함으로써, 축산전문가의 다양한 수의 경험지식을 가축 진단에 활용하고, 근거 자료를 첨부하여 가축 진단 결과에 대한 신뢰도를 확보하며, 농장 또는 수의사에게 근거 자료가 첨부된 가축 진단 결과를 제공해 농장 관리를 위한 의사결정, 수의사의 최종 판단 등에 도움을 줄 수 있는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템은,
가축 진단을 위한 자동 소견생성 시스템으로서,
RDR(Ripple-Down Rules) 기반 데이터 마이닝 기술을 이용해 사례 문서로부터 축산전문가의 수의 경험지식을 추출하되, 상기 수의 경험지식을 표현하는 RDR 규칙을 구축하는 사례 학습부, 및 진단 대상 농장에 대해 수집된 데이터로부터, 상기 사례 학습부에서 구축된 RDR 규칙을 이용해 가축 진단 결과를 자동으로 추론하는 진단 추론부를 포함하여, 수의 경험지식을 이용해 가축 진단 결과를 추론하는 가축 진단 추론부;
전문 정보가 저장된 서술적 지식 DB 모듈에서 상기 추론된 가축 진단 결과와 관련된 근거 자료를 탐색하는 전문 정보 탐색부; 및
상기 가축 진단 결과에 상기 전문 정보 탐색부에서 탐색한 근거 자료를 첨부하여 자동 소견을 생성하는 소견 생성부를 포함하며,
상기 전문 정보 탐색부는,
상기 가축 진단 결과의 추론에 사용된 RDR 규칙을 구성하는 핵심 단어를 질의어로 입력받고, 입력받은 질의어를 이용해 상기 근거 자료를 탐색하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 사례 학습부는,
축산 분야의 사례 문서를 저장하는 사례 DB 모듈;
상기 사례 문서로부터 축산전문가의 수의 경험지식을 절차적으로 표현하는 RDR 규칙을 구축해 지식을 획득하는 RDR 엔진 모듈; 및
상기 RDR 엔진 모듈에서 획득된 지식을 RDR 규칙으로 저장하는 지식 베이스 모듈을 포함할 수 있다.
더욱 바람직하게는, 상기 지식 베이스 모듈은,
상기 RDR 규칙의 구조, 규칙 조건 및 결론 정보를 포함하여 RDR 규칙 셋(Rule Set)으로 저장할 수 있다.
더더욱 바람직하게는, 상기 RDR 규칙 셋은,
상기 RDR 규칙의 연결에 의해 결정되는 규칙 경로(Rule Path)에 따라 상기 축산전문가의 경험지식을 절차적으로 표현할 수 있다.
바람직하게는, 상기 전문 정보 탐색부는,
수의 전문 정보와 관련된 서술적 지식을 수집하고, 상기 수집된 서술적 지식을 인덱싱하여 저장하는 전문 정보 DB 모듈;
입력되는 질의어에 따라 상기 전문 정보 DB 모듈에서 근거 자료를 탐색하는 지식 탐색 모듈; 및
질의어 확장을 위한 온톨로지를 관리하는 관리 모듈을 포함할 수 있다.
더욱 바람직하게는, 상기 전문 정보 DB 모듈은,
상기 수의 전문 정보와 관련된 서술적 지식이 포함하고 있는 핵심 정보와 상기 핵심 정보 사이의 연관 관계를 나타내는 지식구조 형태로 상기 서술적 지식을 저장할 수 있다.
더욱 바람직하게는, 상기 지식 탐색 모듈은,
자연어 처리(Natural Language Processing, NLP)를 이용해 상기 가축 진단 결과 및 RDR 규칙으로부터 핵심 단어를 추출하는 단어 추출기;
상기 단어 추출기에서 추출한 핵심 단어로부터, 상기 관리 모듈이 관리하는 온톨로지를 이용해 연관 단어 탐색 및 유의어 확장을 통해 확장된 질의어를 생성하는 질의어 확장기; 및
상기 질의어 확장기에서 생성한 질의어를 이용해 상기 전문 정보 DB 모듈에서 근거 자료를 탐색하는 질의 탐색기를 포함할 수 있다.
바람직하게는,
상기 진단 대상 농장에서 관리되는 군집 단위로 바이오 데이터 및 센싱 데이터를 수집 및 매칭하는 데이터 수집부를 더 포함하며,
상기 가축 진단 추론부의 진단 추론부는,
상기 데이터 수집부에서 수집 및 매칭된 바이오 데이터 및 센싱 데이터를 상기 입력 데이터로 하여, 상기 군집 단위로 가축 진단 결과를 추론할 수 있다.
본 발명에서 제안하고 있는 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에 따르면, RDR 기반 데이터 마이닝 기술을 이용해 절차적 지식화된 축산전문가의 수의 경험지식으로부터 진단 대상 농장에 대한 가축 진단 결과를 자동으로 추론하고, 지식 구조화된 서술적 지식인 전문 정보를 이용해 가축 진단 결과에 대한 근거 자료를 첨부하여 자동 소견을 생성함으로써, 축산전문가의 다양한 수의 경험지식을 가축 진단에 활용하고, 근거 자료를 첨부하여 가축 진단 결과에 대한 신뢰도를 확보하며, 농장 또는 수의사에게 근거 자료가 첨부된 가축 진단 결과를 제공해 농장 관리를 위한 의사결정, 수의사의 최종 판단 등에 도움을 줄 수 있다.
도 1은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 단말기 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 세부적인 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 가축 진단 추론부에서, 사례 문서로부터 추출되는 지식 획득 과정을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 사례 DB 모듈에 저장되는 사례 문서를 예를 들어 도시한 도면.
도 5는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 사례 DB 모듈에 저장되는 사례 문서의 분석 과정을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부가 지식을 획득하여 지식 베이스를 구축하는 과정을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부에서 구축된 RDR 규칙 셋에 의한 자동 추론 알고리즘을 설명하기 위해 도시한 도면.
도 8은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 진단 추론부에 의한 가축 진단 결과 정확도 측정 실험 결과를 나타낸 도면.
도 9는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 전문 정보 DB 모듈에 저장된 저널에 따른 논문을 예를 들어 표시한 도면.
도 10은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 지식 탐색 모듈이 근거 자료를 탐색하는 과정을 도시한 도면.
도 11은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 데이터 수집부에서 수집되는 군집 단위 데이터를 설명하기 위해 도시한 도면.
도 12는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 바이오 데이터와 센싱 데이터 매칭을 설명하기 위해 도시한 도면.
도 2는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 세부적인 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 가축 진단 추론부에서, 사례 문서로부터 추출되는 지식 획득 과정을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 사례 DB 모듈에 저장되는 사례 문서를 예를 들어 도시한 도면.
도 5는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 사례 DB 모듈에 저장되는 사례 문서의 분석 과정을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부가 지식을 획득하여 지식 베이스를 구축하는 과정을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부에서 구축된 RDR 규칙 셋에 의한 자동 추론 알고리즘을 설명하기 위해 도시한 도면.
도 8은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 진단 추론부에 의한 가축 진단 결과 정확도 측정 실험 결과를 나타낸 도면.
도 9는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 전문 정보 DB 모듈에 저장된 저널에 따른 논문을 예를 들어 표시한 도면.
도 10은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 지식 탐색 모듈이 근거 자료를 탐색하는 과정을 도시한 도면.
도 11은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 데이터 수집부에서 수집되는 군집 단위 데이터를 설명하기 위해 도시한 도면.
도 12는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 바이오 데이터와 센싱 데이터 매칭을 설명하기 위해 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 단말기 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템은, 서비스 서버(10)를 포함하여 구성될 수 있으며, 농장 단말기(20) 및 축산전문가 단말기(30)를 더 포함하여 구성될 수 있다.
서비스 서버(10)는, 농장 단말기(20) 및/또는 축산전문가 단말기(30)와 네트워크를 통해 각종 신호 및 데이터를 송수신하고, 수의 경험지식을 기반으로 하는 가축 진단 결과와 이와 관련된 축산 관련 전문 정보를 근거 자료로 하여 자동으로 소견을 생성해 제공할 수 있다. 여기서, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network), 위성 통신망, 블루투스(Bluetooth), Wibro(Wireless Broadband Internet), HSDPA(High Speed Downlink Packet Access), LTE(Long Term Evolution), 5G(5th Generation Mobile Telecommunication) 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
보다 구체적으로, 서비스 서버(10)는, 사육 중인 가축이나 가금의 혈액 분석 데이터, 정액 분석 데이터, 분변 검사 데이터, 백신 투여 데이터 등 각종 바이오 데이터나, 농장에 설치된 CCTV, 온습도계, 체온 센서, 화학 센서, 소리 감지 센서, 움직임 센서 등 각종 센서로부터 수집된 센싱 데이터 등을 이용해, 가축이나 가금의 건강 상태, 의심 질병, 처방 등을 가축 진단 결과로 자동으로 생성할 수 있다. 이때, 바이오 데이터나 센싱 데이터는, 농장 단말기(20)나 축산전문가 단말기(30) 등으로부터 제공받을 수 있다.
또한, 전문 정보에 해당하는 서술적 지식을 지식 구조화하여 저장하고, 지식 구조화된 서술적 지식을 이용해 가축 진단 결과에 대한 근거 자료를 첨부하여 제공함으로써, 자동으로 생성된 가축 진단 결과에 대한 신뢰도를 확보하고, 수의사 등 축산전문가가 최종적으로 진단을 하거나 소견을 작성하는 등의 의사결정에 도움을 줄 수 있다.
실시예에 따라서, 서비스 서버(10)에서 생성된 자동 소견은 진단 대상 농장에 제공되어 현 상태를 파악하고, 축산 농장의 관리 계획을 수립하는 데에 활용할 수 있으며, 실시예에 따라서는 진단 결과에 따라 맞춤형 솔루션을 도출해 제공할 수도 있다.
농장 단말기(20)는, 축산 농장의 각종 정보를 관리하고 서비스 서버(10)에 정보를 제공하는 단말기일 수 있다. 농장 단말기(20)에는, 사육 형태, 사용하는 사료, 사료 보조제, 분뇨 처리 방법, 백신이나 항생제 처치 종류 및 주기 등 각종 정보를 입력 및 관리하며, 농장에 설치된 CCTV나 센서 등에서 수집된 정보를 모니터링 할 수 있는 애플리케이션 프로그램을 설치하여, 축산 농장의 관리에 필요한 다양한 정보를 입력해 관리하면서, 서비스 서버(10)에 정보를 제공할 수 있다.
축산전문가 단말기(30)는, 수의사 등 가축 진단이나 검사 결과 분석 등을 전문으로 하는 축산전문가의 단말기로서, 서비스 서버(10)에 진단 결과, 소견 정보, 검사 결과 등을 제공하여 수의 경험지식을 절차적 지식화하고, 절차적 지식으로 구조화된 수의 경험지식이 업데이트되도록 새로운 진단 결과 등을 제공할 수 있다. 또한, 서비스 서버(10)가 생성해 제공하는 자동 소견을 참고하여, 좀 더 신속하고 정확하게 최종 진단이나 처방 등을 포함하는 최종 소견을 작성할 수 있다.
한편, 농장 단말기(20) 및 축산전문가 단말기(30)는, 각종 전자 장치로 구현될 수 있다. 여기서, 전자 장치는 스마트폰, 태블릿(tablet) PC(personal computer), 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑(desktop) PC, 랩탑(laptop) PC, 넷북(netbook) 컴퓨터, 워크스테이션(workstation), 서버(server), PDA(personal digital assistant), 미디어 박스, 게임 콘솔, 전자사전 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있으며, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트렌즈, 또는 머리착용형 장치(HMD, head-mounted-device), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형 회로(implantable circuit) 중 적어도 하나를 포함할 수 있다. 다양한 실시예들에서, 전자 장치는 전술한 기기들에 한정되지는 않으며, 전술한 다양한 장치 중 둘 이상의 조합일 수 있다.
도 2는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 세부적인 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템은, 가축 진단 추론부(100), 전문 정보 탐색부(200) 및 소견 생성부(300)를 포함하여 구성될 수 있으며, 데이터 수집부(400)를 더 포함하여 구성될 수 있다.
가축 진단 추론부(100)는, RDR(Ripple-Down Rules) 기반 데이터 마이닝 기술을 이용해 사례 문서로부터 축산전문가의 수의 경험지식을 추출하되, 수의 경험지식을 표현하는 RDR 규칙을 구축하는 사례 학습부(110), 및 진단 대상 농장에 대해 수집된 데이터로부터, 사례 학습부(110)에서 구축된 RDR 규칙을 이용해 가축 진단 결과를 자동으로 추론하는 진단 추론부(120)를 포함하여, 수의 경험지식을 이용해 가축 진단 결과를 추론할 수 있다. 여기서, 가축 진단 추론부(100)는, 축산전문가의 수의 경험지식을 절차적으로 표현하는 RDR 규칙으로 절차적 지식을 획득하고, 절차적 지식을 통해 축산전문가가 현장에서 수행했던 절차와 유사하게 가축 진단 결과를 추론할 수 있다.
전문 정보 탐색부(200)는, 전문 정보가 저장된 서술적 지식 DB 모듈에서 추론된 가축 진단 결과와 관련된 근거 자료를 탐색할 수 있다. 보다 구체적으로, 전문 정보 탐색부(200)는, 가축 진단 결과의 추론에 사용된 RDR 규칙을 구성하는 핵심 단어를 질의어로 입력받고, 입력받은 질의어를 이용해 근거 자료를 탐색할 수 있다. 여기서, 전문 정보 탐색부(200)는, 다양한 전문 정보를 웹 크롤링 등을 통해 수집하고, 수집된 전문 정보를 탐색 가능한 형태로 지식 구조화하여 획득한 서술적 지식을 저장하고, 질의어 검색을 통해 서술적 지식으로부터 근거 자료를 탐색할 수 있다.
소견 생성부(300)는, 가축 진단 결과에 전문 정보 탐색부(200)에서 탐색한 근거 자료를 첨부하여 자동 소견을 생성할 수 있다. 즉, 소견 생성부(300)는, 수의 경험지식으로부터 획득한 절차적 지식과 전문 정보로부터 획득한 서술적 지식을 모두 사용해, 축산전문가의 경험과 전문 지식이 모두 반영된 자동 소견을 생성할 수 있다. 이때, 소견 생성부(300)는, 자연어 처리 과정(NLP)을 통해 자연스러운 문장 형태로 자동 소견을 생성함으로써, 축산전문가 등이 추가적인 처리를 하지 않고서도 자동 소견을 그대로 활용할 수 있다.
이하에서는, 도 2를 참고하여 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템을 구성하는 각 구성요소에 대해 상세히 설명하도록 한다.
가축 진단 추론부(100)는, 사례 학습부(110) 및 진단 추론부(120)를 포함하여 구성될 수 있다.
사례 학습부(110)는, RDR(Ripple-Down Rules) 기반 데이터 마이닝 기술을 이용해 사례 문서로부터 축산전문가의 수의 경험지식을 추출하되, 수의 경험지식을 표현하는 RDR 규칙을 구축할 수 있다. 도 2에 도시된 바와 같이, 사례 학습부(110)는 축산 분야의 사례 문서를 저장하는 사례 DB 모듈(111), 사례 문서로부터 축산전문가의 수의 경험지식을 절차적으로 표현하는 RDR 규칙을 구축해 지식을 획득하는 RDR 엔진 모듈(112), 및 RDR 엔진 모듈(112)에서 획득된 지식을 RDR 규칙으로 저장하는 지식 베이스 모듈(113)을 포함하여 구성될 수 있다.
전문가 시스템을 구축하기 위해서는, 전문가의 지식을 시스템이 이해할 수 있는 형식으로 추출하는 과정이 선행되어야 한다. 이전에는 지식 베이스를 구축한 후 새로운 지식을 반영하기 위해 지속적인 지식 공학자의 개입이 필요했다. 이를 개선하기 위해 RDR(Ripple-Down rules)이 제시되었는데, 이 방법은 체계적인 접근 방법을 제공해 지식 공학자의 개입 없이 도메인 전문가가 직접 지식 베이스를 수정할 수 있도록 했다.
본 발명에서는, 이와 같은 RDR 기반 데이터 마이닝 기술을 이용하는 RDR 엔진 모듈(112)을 이용해 축산전문가의 수의 경험지식을 지식 베이스 모듈(113)에 저장해, RDR 규칙으로 구성되는 지식 베이스를 구축하였다. 전술한 바와 같이, RDR 기반으로 구축된 지식 베이스는 지식 공학자의 개입 없이 도메인 전문가 즉, 축산전문가가 직접 수정할 수 있으므로, 새로운 축산 경험지식을 지식 베이스 모듈(113)에 쉽게 추가하고 수정 및 업데이트할 수 있는 장점이 있다.
본 발명에서는, RDR에서 N항 트리 구조인 RDR 규칙 베이스를 사용해 결론을 추론할 수 있다. 즉, 최상위 노드에서 시작해서, 만약 현재 노드에 정의된 조건을 만족한다면(True) 다음 노드로 추론을 계속 진행한다. 만약 만족하지 않을 경우(False), 추론을 중단하고 마지막으로 만족했던 노드의 결론을 결과물로 반환한다. RDR에서 지식 베이스의 모든 검증 및 수정은 전문가에 의해 수행될 수 있다. 즉, 입력에 대한 추론을 모두 완료한 뒤, 전문가는 추론된 결론을 검증하고, 만약 결론에 오류가 있다면 전문가는 추론에 사용된 규칙을 수정하여, 지식 베이스를 구축할 수 있다.
본 발명에서는, 사례 DB 모듈(111)에 축산 분야의 사례 문서를 저장하고, RDR 엔진 모듈(112)이 사례 문서로부터 RDR 규칙을 구축해 지식을 획득하며, RDR 규칙을 지식 베이스 모듈(113)에 저장하여 축산 분야의 수의 경험지식을 절차적으로 표현하는 지식 베이스를 구축하였다. 보다 구체적으로, Induct RDR을 적용해 지식 베이스를 구축할 수 있다.
도 3은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 가축 진단 추론부(100)에서, 사례 문서로부터 추출되는 지식 획득 과정을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 가축 진단 추론부(100)에서는, 지식 획득 과정을 사례 중심(case-driven) 지식 획득 과정과 지식 중심(Knowledge-driven) 지식 획득 과정으로 분류하여, 각 종류에 따라 필요한 형태로 지식 획득을 가능하게 하였다.
도 4는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 사례 DB 모듈(111)에 저장되는 사례 문서를 예를 들어 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 DB 모듈(111)은, 사례 구조 동기화, 사례 변환 작업으로 범용화 과정을 거친 사례 문서를 저장할 수 있다. 즉, 사례 문서는, 축산전문가의 경험지식을 정형화한 문서로써, 언어학적 전처리, 규칙 자동 추출 등을 통해 정형화된 것일 수 있다.
보다 구체적으로, 사례 문서는, 스마트축사 데이터, 전자처방 시스템에서 수집된 데이터, 사양관리 데이터, 가축 건강 데이터 및 가축 질병 데이터 중 적어도 하나 이상을 사례화 한 축산 분야의 진단 사례 문서일 수 있다. 서비스 서버(10)는 농장 단말기(20)와 통신하여 농장 관리 서비스를 제공하면서, 농장 및 가축 진단과 관련된 다양한 정보를 도 4에 도시된 바와 같은 사례 문서로 저장 및 축적하고, 이를 이용해 축산전문가의 경험지식을 도출할 수 있다.
또한, 사례 DB 모듈(111)은, 수의사 등의 축산전문가가 실질적으로 마주하게 되는 사례들에 대해, 사례 구조, 사례 ID, 항목, 유형, 카테고리 값(Categorical Value) 등을 저장 및 관리할 수 있다. 보다 구체적으로, 사례 DB 모듈(111)은, 축산 분야의 진단 사례 문서가 포함하고 있는 핵심 정보와 핵심 정보 사이의 연관 관계를 나타내는 지식구조 형태로 사례 문서를 저장할 수 있다.
도 5는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 사례 DB 모듈(111)에 저장되는 사례 문서의 분석 과정을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서는, 진단 사례 문서로부터 키워드를 추출하고, 빈도(Frequency) 등을 이용해 키워드 중에서 핵심 정보를 추출할 수 있다. 이때, 자연어 처리(Natural Language Processing, NLP) 기술을 더 이용해 분석할 수 있다. 그 다음, 핵심 정보 사이의 연관 관계를 호응(co-occurrence) 등을 이용해 파악해 연관성 행렬을 생성할 수 있다. 핵심 정보가 노드의 역할을 하고, 각 노드를 연결하는 변(Edge)을 통해 핵심 정보 사이의 연관 관계를 나타내는 지식구조를 생성할 수 있다. 본 발명에서는, 축산 분야의 진단 사례 문서를 이와 같은 지식구조 형태로 구성하고, 이를 사례 문서로 저장할 수 있다.
도 6은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부(110)가 지식을 획득하여 지식 베이스를 구축하는 과정을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부(110)에서는, 사례 DB 모듈(111)에 저장된 사례 문서를 이용해 RDR 엔진 모듈(112)에 입력할 입력 데이터와 출력 데이터를 획득하고, 이를 이용해 RDR 엔진 모듈(112)이 축산 경험지식을 나타내는 RDR 규칙을 획득하여 지식 베이스 모듈(113)에 저장할 수 있다.
여기서, 사례 문서는 JSON 또는 ARFF 파일 형태로 RDR 엔진 모듈(112)에 입력될 수 있고, 축산 도메인에 대한 정보를 도메인명, RDR 유형, 생성 및 수정 일시, 사례 구조 등을 ARFF 파일로 작성하여 지식 베이스 모듈(113)을 초기화할 수 있다.
지식 베이스 모듈(113)은, RDR 규칙의 구조(부모/자식(Parent/Child) 관계), 규칙 조건 및 결론 정보를 포함하여 RDR 규칙 셋(Rule Set)으로 저장할 수 있고, RDR 규칙 셋은, RDR 규칙의 연결에 의해 결정되는 규칙 경로(Rule Path)에 따라 축산전문가의 경험지식을 절차적으로 표현할 수 있다.
즉, RDR 엔진 모듈(112)은, 사례 DB 모듈(111)에 저장된 사례 문서를 이용해, 판단의 근거가 되는 바이오 데이터, 센싱 데이터 등을 입력 데이터로 하고, 가축 진단 결과를 출력 데이터로 하도록, 입력 데이터와 출력 데이터 사이의 공통된 규칙을 자동으로 추출해 RDR 규칙으로 지식 베이스 모듈(113)에 구축할 수 있다. RDR 규칙은 If, then 형식일 수 있다.
도 7은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 사례 학습부(110)에서 구축된 RDR 규칙 셋에 의한 자동 추론 알고리즘을 설명하기 위해 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서는, 지식 베이스 모듈(113)의 RDR 규칙들이 트리 구조를 이룰 수 있으며, 규칙 경로에 따라 수의 경험지식을 추론할 수 있다.
진단 추론부(120)는, 진단 대상 농장에 대해 수집된 데이터로부터, 사례 학습부(110)에서 구축된 RDR 규칙을 이용해 가축 진단 결과를 자동으로 추론하여 제공할 수 있다. 도 2에 도시된 바와 같이, 진단 추론부(120)는, 진단 대상 농장에 대해 수집된 데이터를 사례 DB 모듈(111)에 저장된 사례 문서의 형태로 변환하여 입력 데이터를 생성하는 전처리 모듈(121), 입력 데이터를 사례 DB 모듈(111)에 저장된 사례 문서와 비교해 입력 데이터에 대응되는 대응 사례를 검색하는 사례 비교 모듈(122), 규칙 베이스 모듈에 검색된 대응 사례의 RDR 규칙을 이용해 입력 데이터에 대한 가축 진단 결과를 자동으로 추론하는 결과 추론 모듈(123)을 포함하여 구성될 수 있다.
전처리 모듈(121)은, 진단 대상 농장에 대해 농장 단말기(20) 등으로부터 수집한 데이터를 RDR 규칙에 적용 가능한 형태로 처리해 입력 데이터를 생성할 수 있다.
사례 비교 모듈(122)은, 사례 DB 모듈(111)에 저장된 사례 문서와 비교해서 유사한 대응 사례를 검색할 수 있다. 대응 사례가 없으면 새로운 사례로 인식하고, 사례 학습부(110)에 전달하여 새로운 사례에 대한 RDR 규칙을 구축할 수 있다.
결과 추론 모듈(123)은, 사례 학습부(110)에서 구축된 지식 베이스 모듈(113)을 이용해 가축 진단 결과를 추론할 수 있다. 보다 구체적으로, 사례 비교 모듈(122)에서 검색된 대응 사례의 RDR 규칙을 적용해 축산전문가가 과거 수행했던 절차와 동일하게 결론(가축 진단 결과)을 추론할 수 있다.
보다 구체적으로, 도 7에 도시된 바와 같이, 결과 추론 모듈(123)은, 전처리 모듈(121)에서 생성된 입력 데이터를, 지식 베이스 모듈(113)에 구축된 RDR 규칙 셋의 트리를 구성하는 모든 RDR 규칙에 적용해 테스트하는데, 이때, 부모 규칙이 False이면 자식 규칙에 대해서는 테스트하지 않는다. 테스트 결과에 따라 규칙 경로를 획득하게 되고, 규칙 경로에 따른 결론을 입력 데이터에 대한 가축 진단 결과로 추론할 수 있다. 여기서, 규칙 경로는 루트(root)부터 True인 각 RDR 규칙까지를 추적한 것일 수 있다. 즉, 도 7에 도시된 바와 같은 예에서, 녹색으로 표시된 RDR 규칙이 True이므로, 규칙 경로는 Rule 0, 2, 6으로 구성되는 것과, Rule 0, 2, 10으로 구성되는 것의 2개의 규칙 경로를 획득할 수 있다.
한편, 결과 추론 모듈(123)은, MCRDR (Multiple Classification Ripple Down Rules) 또는 SCRDR (Single Classification Ripple Down Rules)을 통해, 복수 또는 하나의 가축 진단 결과를 추론할 수 있다. MCRDR은 복수 개의 결론을 제시하는 방법이고, SCRDR은 한 개의 결론을 제시하는 방법으로써, 결과 추론 모듈(123)은 관리자 또는 사용자의 설정에 따라 복수 또는 하나의 가축 진단 결과를 제시할 수 있다.
MCRDR은 루트의 RDR 규칙에서 시작하여, True인 규칙이 있으면 하위 단계로 내려가며, True인 규칙이 없으면 같은 레벨의 다른 규칙을 검토하는 방식으로 추론을 할 수 있다. SCRDR은 기본적인 탐색 절차는 MCRDR과 동일하나, True인 규칙이 존재하면 탐색을 종료하고 해당 결론을 추론 결과로 제시할 수 있다.
도 8은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 진단 추론부(120)에 의한 가축 진단 결과 정확도 측정 실험 결과를 나타낸 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 진단 추론부(120)에 의한 가축 진단 결과의 정확도를 테스트한 결과, 96.45%의 높은 정확도를 나타냈다. 따라서 매우 신뢰도 높은 가축 진단 결과를 자동으로 생성해 제공할 수 있음을 확인할 수 있다.
전문 정보 탐색부(200)는, 전문 정보가 저장된 서술적 지식 DB 모듈에서 추론된 가축 진단 결과와 관련된 근거 자료를 탐색하며, 도 2에 도시된 바와 같이, 전문 정보 DB 모듈(210), 지식 탐색 모듈(220) 및 관리 모듈(230)을 포함하여 구성될 수 있다.
전문 정보 DB 모듈(210)은, 수의 전문 정보와 관련된 서술적 지식을 수집하고, 수집된 서술적 지식을 인덱싱하여 저장할 수 있다. 즉, 웹 크롤링, 데이터 크롤링 등을 통해 수의 전문 정보를 수집하고, 자연어 처리 기술을 이용해 수집한 정보를 처리하여 전문 정보 DB 모듈(210)을 구축할 수 있다. 이때, 의학 저널 문헌들을 모아둔 PMC의 API를 활용해 수의학 분야의 접근 가능한 저널로부터 서술적 지식을 수집할 수 있다. 수집된 서술적 지식은, pmc id, 저널명, 저자 제목, 초록, URL 등의 메타 데이터를 추출하여 전문 정보 DB 모듈(210)에 저장될 수 있다. 전문 정보 DB 모듈(210)은, 인덱싱된 서술적 지식을 저장할 수 있는데, 인덱스 작업은 오픈 소스 검색엔진인 Lucene을 활용해 수행될 수 있다.
도 9는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 전문 정보 DB 모듈(210)에 저장된 저널에 따른 논문을 예를 들어 표시한 도면이다. 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서는, 약 30여 개의 수의학 관련 저널로부터 총 4854개의 논문을 수집하고, 이를 인덱싱하여 전문 정보 DB 모듈(210)을 구축하였다.
보다 구체적으로, 전문 정보 DB 모듈(210)은, 수의 전문 정보와 관련된 서술적 지식이 포함하고 있는 핵심 정보와 핵심 정보 사이의 연관 관계를 나타내는 지식구조 형태로 서술적 지식을 저장할 수 있다. 지식구조 형태로 서술적 지식을 저장하는 구체적인 방법은 도 5에서 상세히 설명한 바 있다.
지식 탐색 모듈(220)은, 입력되는 질의어에 따라 전문 정보 DB 모듈(210)에서 근거 자료를 탐색할 수 있다. 도 2에 도시된 바와 같이, 지식 탐색 모듈(220)은, 자연어 처리(Natural Language Processing, NLP)를 이용해 가축 진단 결과 및 RDR 규칙으로부터 핵심 단어를 추출하는 단어 추출기(221), 단어 추출기(221)에서 추출한 핵심 단어로부터, 관리 모듈(230)이 관리하는 온톨로지를 이용해 연관 단어 탐색 및 유의어 확장을 통해 확장된 질의어를 생성하는 질의어 확장기(222) 및 질의어 확장기(222)에서 생성한 질의어를 이용해 전문 정보 DB 모듈(210)에서 근거 자료를 탐색하는 질의 탐색기(223)를 포함하여 구성될 수 있다.
관리 모듈(230)은, 질의어 확장을 위한 온톨로지를 관리할 수 있다.
도 10은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 지식 탐색 모듈(220)이 근거 자료를 탐색하는 과정을 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 지식 탐색 모듈(220)은, 단어 추출기(221)가 가축 진단 결과 및 RDR 규칙으로부터 핵심 단어를 추출하고, 추출한 핵심 단어를 초기 질의어로 하여 질의어 확장기(222)가 확장된 질의어를 생성할 수 있다. 이때, 질의어 확장기(222)는 관리 모듈(230)에서 관리하는 온톨로지를 이용할 수 있으며, 핵심 단어를 번역하여 번역된 핵심 단어 및 이의 연관 단어와 유의어도 확장된 질의어에 포함될 수 있다. 확장된 질의어의 검색순위 재정렬 과정을 거쳐, 탐색된 근거 자료를 소견 생성부(300)에 전달할 수 있다.
구체적인 적용 기술은, 등록특허 제10-2059743호(발명의 명칭: 딥러닝 기반의 지식 구조 생성 방법을 활용한 의료 문헌 구절 검색 방법 및 시스템), 등록특허 제10-1899250호(발명의 명칭: 환자의 혈액종합검사 결과를 활용한 환자별 개인화 자동 문서 검색 시스템)에 개시된 기술을 참고할 수 있다.
한편, 소견 생성부(300)에 전달되는 근거 자료는, 가축 진단 결과와 연동할 수 있도록 JSON 형태로 출력될 수 있다. 또한, 가축 진단 추론부(100)는 API로 근거 자료에 접근 가능하도록 구현될 수 있으며, 보다 구체적으로는 rest API로 구현될 수 있다.
한편, 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템은, 진단 대상 농장에서 관리되는 군집 단위로 바이오 데이터 및 센싱 데이터를 수집 및 매칭하는 데이터 수집부(400)를 더 포함하여 구성될 수 있다. 가축 진단 추론부(100)의 진단 추론부(120)는, 데이터 수집부(400)에서 수집 및 매칭된 바이오 데이터 및 센싱 데이터를 입력 데이터로 하여, 군집 단위로 가축 진단 결과를 추론하고, 소견 생성부(300)는 군집 단위로 자동 소견을 생성해 농장 단말기(20) 또는 축산전문가 단말기(30)로 제공할 수 있다.
도 11은 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템의 데이터 수집부(400)에서 수집되는 군집 단위 데이터를 설명하기 위해 도시한 도면이고, 도 12는 본 발명의 일실시예에 따른 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에서, 바이오 데이터와 센싱 데이터 매칭을 설명하기 위해 도시한 도면이다.
도 11에 도시된 바와 같이, 진단 대상 농장에서는 바이오 데이터를 군집 단위로 수집 및 관리할 수 있다. 즉, 축산 농장에서는, 서로 관계있는 복수의 가축을 그룹화하고, 그룹화한 군집 단위로 관리를 할 수 있다. 여기서, 서로 관계있는 복수의 가축은, 동일한 날 출생, 모체가 동일, 함께 관리되는 모체 그룹에서 미리 정해진 기간 내에 출생한 가축 등일 수 있다. 이와 같이 출생일이 유사하거나 모체가 동일한 복수의 가축을 그룹화하여 군집 단위로 식별정보를 할당하여 관리함으로써, 개별 관리의 어려움을 해소하면서도 군집 단위로 군집의 출생일, 군집의 모체 등의 추적이 가능하도록 할 수 있다. 또한, 축산 농가에서는 군집 별로 동일한 축사를 사용하도록 하고, 동일한 사료를 제공하며, 동일자에 동일한 백신을 투여하는 등 군집 별로 관리를 할 수 있다.
한편, 도 12에 도시된 바와 같이, CCTV나 각종 센서를 이용해 가축 개체를 인식하고, 각 개체에 대한 바이오 데이터 및 센싱 데이터를 매칭하여 수집할 수도 있다.
이와 같이, 데이터 수집부(400)에서 수집된 군집 단위 또는 개체 단위의 바이오 데이터 및 센싱 데이터를 이용해, 진단 추론부(120)가 수의 경험지식을 기반으로 각 군집 또는 개체에 대한 가축 진단 결과를 제공함으로써, 군집 또는 개체 단위로 가축의 건강 상태나 필요한 조치를 빠르고 쉽게 파악하고 실행할 수 있다. 특히, 상시로 수집되는 센싱 데이터를 이용하여 예방적 진단을 할 수 있으며, 수의사는 가축 진단 결과를 활용해 더 정확한 최종 진단을 내릴 수 있다.
전술한 바와 같이, 본 발명에서 제안하고 있는 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템에 따르면, RDR 기반 데이터 마이닝 기술을 이용해 절차적 지식화된 축산전문가의 수의 경험지식으로부터 진단 대상 농장에 대한 가축 진단 결과를 자동으로 추론하고, 지식 구조화된 서술적 지식인 전문 정보를 이용해 가축 진단 결과에 대한 근거 자료를 첨부하여 자동 소견을 생성함으로써, 축산전문가의 다양한 수의 경험지식을 가축 진단에 활용하고, 근거 자료를 첨부하여 가축 진단 결과에 대한 신뢰도를 확보하며, 농장 또는 수의사에게 근거 자료가 첨부된 가축 진단 결과를 제공해 농장 관리를 위한 의사결정, 수의사의 최종 판단 등에 도움을 줄 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
10: 서비스 서버
20: 농장 단말기
30: 축산전문가 단말기
100: 가축 진단 추론부
110: 사례 학습부
111: 사례 DB 모듈
112: RDR 엔진 모듈
113: 지식 베이스 모듈
120: 진단 추론부
121: 전처리 모듈
122: 사례 비교 모듈
123: 결과 추론 모듈
200: 전문 정보 탐색부
210: 전문 정보 DB 모듈
220: 지식 탐색 모듈
221: 단어 추출기
222: 질의어 확장기
223: 질의 탐색기
230: 관리 모듈
300: 소견 생성부
400: 데이터 수집부
20: 농장 단말기
30: 축산전문가 단말기
100: 가축 진단 추론부
110: 사례 학습부
111: 사례 DB 모듈
112: RDR 엔진 모듈
113: 지식 베이스 모듈
120: 진단 추론부
121: 전처리 모듈
122: 사례 비교 모듈
123: 결과 추론 모듈
200: 전문 정보 탐색부
210: 전문 정보 DB 모듈
220: 지식 탐색 모듈
221: 단어 추출기
222: 질의어 확장기
223: 질의 탐색기
230: 관리 모듈
300: 소견 생성부
400: 데이터 수집부
Claims (8)
- 가축 진단을 위한 자동 소견생성 시스템으로서,
RDR(Ripple-Down Rules) 기반 데이터 마이닝 기술을 이용해 사례 문서로부터 축산전문가의 수의 경험지식을 추출하되, 상기 수의 경험지식을 표현하는 RDR 규칙을 구축하는 사례 학습부(110), 및 진단 대상 농장에 대해 수집된 데이터로부터, 상기 사례 학습부(110)에서 구축된 RDR 규칙을 이용해 가축 진단 결과를 자동으로 추론하는 진단 추론부(120)를 포함하여, 수의 경험지식을 이용해 가축 진단 결과를 추론하는 가축 진단 추론부(100);
전문 정보가 저장된 서술적 지식 DB 모듈에서 상기 추론된 가축 진단 결과와 관련된 근거 자료를 탐색하는 전문 정보 탐색부(200); 및
상기 가축 진단 결과에 상기 전문 정보 탐색부(200)에서 탐색한 근거 자료를 첨부하여 자동 소견을 생성하는 소견 생성부(300)를 포함하며,
상기 전문 정보 탐색부(200)는,
상기 가축 진단 결과의 추론에 사용된 RDR 규칙을 구성하는 핵심 단어를 질의어로 입력받고, 입력받은 질의어를 이용해 상기 근거 자료를 탐색하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제1항에 있어서, 상기 사례 학습부(110)는,
축산 분야의 사례 문서를 저장하는 사례 DB 모듈(111);
상기 사례 문서로부터 축산전문가의 수의 경험지식을 절차적으로 표현하는 RDR 규칙을 구축해 지식을 획득하는 RDR 엔진 모듈(112); 및
상기 RDR 엔진 모듈(112)에서 획득된 지식을 RDR 규칙으로 저장하는 지식 베이스 모듈(113)을 포함하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제2항에 있어서, 상기 지식 베이스 모듈(113)은,
상기 RDR 규칙의 구조, 규칙 조건 및 결론 정보를 포함하여 RDR 규칙 셋(Rule Set)으로 저장하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제3항에 있어서, 상기 RDR 규칙 셋은,
상기 RDR 규칙의 연결에 의해 결정되는 규칙 경로(Rule Path)에 따라 상기 축산전문가의 경험지식을 절차적으로 표현하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제1항에 있어서, 상기 전문 정보 탐색부(200)는,
수의 전문 정보와 관련된 서술적 지식을 수집하고, 상기 수집된 서술적 지식을 인덱싱하여 저장하는 전문 정보 DB 모듈(210);
입력되는 질의어에 따라 상기 전문 정보 DB 모듈(210)에서 근거 자료를 탐색하는 지식 탐색 모듈(220); 및
질의어 확장을 위한 온톨로지를 관리하는 관리 모듈(230)을 포함하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제5항에 있어서, 상기 전문 정보 DB 모듈(210)은,
상기 수의 전문 정보와 관련된 서술적 지식이 포함하고 있는 핵심 정보와 상기 핵심 정보 사이의 연관 관계를 나타내는 지식구조 형태로 상기 서술적 지식을 저장하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제5항에 있어서, 상기 지식 탐색 모듈(220)은,
자연어 처리(Natural Language Processing, NLP)를 이용해 상기 가축 진단 결과 및 RDR 규칙으로부터 핵심 단어를 추출하는 단어 추출기(221);
상기 단어 추출기(221)에서 추출한 핵심 단어로부터, 상기 관리 모듈(230)이 관리하는 온톨로지를 이용해 연관 단어 탐색 및 유의어 확장을 통해 확장된 질의어를 생성하는 질의어 확장기(222); 및
상기 질의어 확장기(222)에서 생성한 질의어를 이용해 상기 전문 정보 DB 모듈(210)에서 근거 자료를 탐색하는 질의 탐색기(223)를 포함하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
- 제1항에 있어서,
상기 진단 대상 농장에서 관리되는 군집 단위로 바이오 데이터 및 센싱 데이터를 수집 및 매칭하는 데이터 수집부(400)를 더 포함하며,
상기 가축 진단 추론부(100)의 진단 추론부(120)는,
상기 데이터 수집부(400)에서 수집 및 매칭된 바이오 데이터 및 센싱 데이터를 입력 데이터로 하여, 상기 군집 단위로 가축 진단 결과를 추론하는 것을 특징으로 하는, 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200121013A KR102202810B1 (ko) | 2020-09-19 | 2020-09-19 | 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200121013A KR102202810B1 (ko) | 2020-09-19 | 2020-09-19 | 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR102202810B1 true KR102202810B1 (ko) | 2021-01-14 |
KR102202810B9 KR102202810B9 (ko) | 2021-09-17 |
Family
ID=74142030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200121013A KR102202810B1 (ko) | 2020-09-19 | 2020-09-19 | 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102202810B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023036057A1 (en) * | 2021-09-08 | 2023-03-16 | International Business Machines Corporation | Disaster prediction and proactive mitigation |
KR20230114553A (ko) * | 2022-01-25 | 2023-08-01 | 리앤킴 주식회사 | 임상 의사 결정을 지원하기 위한 통합 지식 베이스를 제공하는 방법 및 장치 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100137966A (ko) * | 2009-06-24 | 2010-12-31 | 숭실대학교산학협력단 | 전문가 시스템을 이용한 인터넷 중독 진단장치, 치료방안 추론장치 및 치료시스템 |
KR20170122146A (ko) * | 2016-04-26 | 2017-11-03 | 한국과학기술원 | 규칙 최적화를 통한 임상 병리 검사에 대한 전문가 경험 지식 학습 및 소견 생성 방법 |
KR20190135238A (ko) * | 2018-05-28 | 2019-12-06 | 한국과학기술원 | 새로운 사례의 분석을 통한 단일 분류 도메인의 전문가 경험 지식의 점진적 학습 방법 및 시스템 |
KR20200013127A (ko) * | 2018-07-12 | 2020-02-06 | 이창우 | 빅데이터 기술을 이용한 가축관리시스템 및 빅데이터 기술을 이용한 가축관리방법 |
-
2020
- 2020-09-19 KR KR1020200121013A patent/KR102202810B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100137966A (ko) * | 2009-06-24 | 2010-12-31 | 숭실대학교산학협력단 | 전문가 시스템을 이용한 인터넷 중독 진단장치, 치료방안 추론장치 및 치료시스템 |
KR20170122146A (ko) * | 2016-04-26 | 2017-11-03 | 한국과학기술원 | 규칙 최적화를 통한 임상 병리 검사에 대한 전문가 경험 지식 학습 및 소견 생성 방법 |
KR20190135238A (ko) * | 2018-05-28 | 2019-12-06 | 한국과학기술원 | 새로운 사례의 분석을 통한 단일 분류 도메인의 전문가 경험 지식의 점진적 학습 방법 및 시스템 |
KR20200013127A (ko) * | 2018-07-12 | 2020-02-06 | 이창우 | 빅데이터 기술을 이용한 가축관리시스템 및 빅데이터 기술을 이용한 가축관리방법 |
Non-Patent Citations (1)
Title |
---|
김도형 외 2인. "의료 도메인을 위한 점진적 지식획득방법". 정보와 통신. 제35권, 제2호, pp33-41, 2018.01.31. 공개 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023036057A1 (en) * | 2021-09-08 | 2023-03-16 | International Business Machines Corporation | Disaster prediction and proactive mitigation |
KR20230114553A (ko) * | 2022-01-25 | 2023-08-01 | 리앤킴 주식회사 | 임상 의사 결정을 지원하기 위한 통합 지식 베이스를 제공하는 방법 및 장치 |
KR102652935B1 (ko) | 2022-01-25 | 2024-04-01 | 경희대학교 산학협력단 | 임상 의사 결정을 지원하기 위한 통합 지식 베이스를 제공하는 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR102202810B9 (ko) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drury et al. | A survey of semantic web technology for agriculture | |
US20210233658A1 (en) | Identifying Relevant Medical Data for Facilitating Accurate Medical Diagnosis | |
Altaf et al. | Applications of association rule mining in health informatics: a survey | |
Drury et al. | A survey of the applications of text mining for agriculture | |
US10885150B2 (en) | System and a method for assessing patient treatment risk using open data and clinician input | |
US8156062B2 (en) | Method for constructing database to deduce disease and providing U-health service using a subset of ontologies | |
CN104636430B (zh) | 案例知识库表示及案例相似度获取方法及系统 | |
US11464455B2 (en) | Method and apparatus of context-based patient similarity | |
US20090083231A1 (en) | System and method for analyzing electronic data records | |
CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
KR102202810B1 (ko) | 수의 경험지식 및 전문 정보를 이용한 가축 진단을 위한 자동 소견생성 시스템 | |
KR20210001199A (ko) | 빅데이터를 이용한 반려동물 건강관리 서비스방법 | |
KR20200022113A (ko) | 한방 진단 처방 및 건강 코디네이터 서비스 시스템 및 방법 | |
EP3458986A1 (en) | Clinical report retrieval and/or comparison | |
CN113724815A (zh) | 基于决策分群模型的信息推送方法及装置 | |
Rabie et al. | A decision support system for diagnosing diabetes using deep neural network | |
CN111540461A (zh) | 一种具有问题理解的智能医疗系统及其诊断方法 | |
CN112259243B (zh) | 一种基于双向GRUs的单病种临床路径构建方法及系统 | |
US20230316095A1 (en) | Systems and methods for automated scribes based on knowledge graphs of clinical information | |
Gomes et al. | Deriving experiments from E-SECO software ecosystem in the technology transfer process for the livestock domain | |
Douibi et al. | An analysis of ambulatory blood pressure monitoring using multi-label classification | |
KR102248586B1 (ko) | 수의 경험지식을 이용한 가축 진단 지원 시스템 | |
CN113724823B (zh) | 医疗健康服务的线上管理方法、装置、设备及存储介质 | |
Radwan et al. | Thyroid diagnosis based technique on rough sets with modified similarity relation | |
Juarez et al. | T‐CARE: temporal case retrieval system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
G170 | Publication of correction |