KR102225894B1 - 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 - Google Patents
딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR102225894B1 KR102225894B1 KR1020180047497A KR20180047497A KR102225894B1 KR 102225894 B1 KR102225894 B1 KR 102225894B1 KR 1020180047497 A KR1020180047497 A KR 1020180047497A KR 20180047497 A KR20180047497 A KR 20180047497A KR 102225894 B1 KR102225894 B1 KR 102225894B1
- Authority
- KR
- South Korea
- Prior art keywords
- sequence
- learning model
- record
- disease prognosis
- disease
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 89
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 89
- 238000004393 prognosis Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000003814 drug Substances 0.000 claims description 42
- 229940079593 drug Drugs 0.000 claims description 42
- 238000003745 diagnosis Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 16
- 208000019553 vascular disease Diseases 0.000 description 13
- 230000002457 bidirectional effect Effects 0.000 description 9
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 208000026106 cerebrovascular disease Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 241000288105 Grus Species 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000024891 symptom Diseases 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
- G16H50/20—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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템이 개시된다. 질병 예후 예측 방법은, 환자의 의료 기록에 포함된 정보를 정보 유형 별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 생성하는 단계; 및 상기 정보 유형 별 시퀀스 데이터에 대해 각각 분리된, 어텐션 네트워크(attention network)를 이용한 학습 모델을 사용하여 해당 환자의 질병 예후를 예측하는 단계를 포함한다.
Description
아래의 설명은 질병 예후를 예측하는 기술에 관한 것이다.
고혈압(HBP), 당뇨, 고지혈증 등과 같은 성인병들은 전세계적으로 중년들에게 매우 흔하게 나타나고 있는 질병 중 하나이다. 비록 성인병 그 자체가 건강에 치명적이지는 않더라도 이는 심각한 합병증을 유발시킬 수 있다.
특히, 성인병은 사망의 주요 원인인 심장, 뇌, 혈관 질병과 같은 고위험 질병과 관련성이 매우 높다는 점이 지속적으로 보고되고 있다. 따라서, 성인병 환자의 고위험 예후를 예측하는 것은 의료 분야 및 바이오 기술 분야에서 매우 중요한 문제라고 할 수 있다.
고위험 예후 예측을 위해 연령, 성별, 현재 상태, 가족력 등의 정보를 이용한다거나, 바이오마커 유전자 발현량, CT 등의 의료 이미지, 혈액분석 등을 이용한 다양한 방법이 사용되고 있다.
예컨대, 한국공개특허 제10-2014-0098561호(공개일 2014년 08월 08일)에는 분석 대상 질병에 관련된 단일염기다형성(single nucleotide polymorphism, SNP) 조합을 기초로 사용자의 질병 발생 위험도를 예측하는 기술이 개시되어 있다.
고위험 예후 예측을 위한 기존 방법에서 사용되는 데이터들은 종류도 다양할 뿐 아니라 전처리 등의 데이터 처리 과정이 복잡하기 때문에 필요한 데이터를 확보하는데 많은 시간과 노력, 비용을 필요로 한다.
환자의 상징적인 병력 시퀀스와 의약 코드만으로 고위험 질병의 발병을 예측할 수 있는 어텐션 모델(Medical History-based Prediction using Attention Network (MeHPAN))을 제공한다.
진단, 투약, 임상에 대해 각각 분리된 RNN(Recurrent Neural Networks) 혹은 CNN(Convolutional Neural Networks) 모델을 적용하고 중요한 역할을 하는 인자를 명확히 식별하기 위해 어텐션(attention) 모델을 적용한다.
질병 예후 예측을 위한 모델 구조를 개선하기 위해 진단/투약의 기간 정보를 명시적으로 모델에 반영한다.
컴퓨터로 구현되는 질병 예후 예측 방법에 있어서, 환자의 의료 기록에 포함된 정보를 정보 유형 별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 생성하는 단계; 및 상기 정보 유형 별 시퀀스 데이터에 대해 각각 분리된, 어텐션 네트워크(attention network)를 이용한 학습 모델을 사용하여 해당 환자의 질병 예후를 예측하는 단계를 포함하는 질병 예후 예측 방법을 제공한다.
일 측면에 따르면, 상기 환자의 의료 기록은 진단 기록과 투약 기록을 포함하고, 상기 생성하는 단계는, 상기 진단 기록에 대해 진단 코드 시퀀스, 진단 기간 시퀀스, 방문 종류 시퀀스를 생성하고, 상기 투약 기록에 대해 투약 코드 시퀀스, 투약 기간 시퀀스, 투약 유형 시퀀스를 생성한 후 상기 학습 모델에 입력 가능하도록 임베딩할 수 있다.
다른 측면에 따르면, 상기 학습 모델은 RNN(Recurrent Neural Networks) 혹은 CNN(Convolutional Neural Networks) 모델로서 상기 시퀀스 데이터의 연속 패턴을 학습할 수 있다.
또 다른 측면에 따르면, 상기 학습 모델은 상기 시퀀스 데이터의 연속 패턴을 학습하는 GRU(Gated Recurrent Unit)와, 상기 GRU의 출력을 이용하여 컨텍스트 벡터를 계산하는 어텐션을 포함할 수 있다.
또 다른 측면에 따르면, 상기 학습 모델은 상기 시퀀스 데이터의 연속 패턴을 학습하는 1차원 컨볼루션(1D convolution)과, 상기 1차원 컨볼루션의 출력을 이용하여 컨텍스트 벡터를 계산하는 어텐션을 포함할 수 있다.
또 다른 측면에 따르면, 상기 어텐션은 2단 FFN(feed forward network)을 이용하여 구성될 수 있다.
또 다른 측면에 따르면, 상기 학습 모델은 상기 컨텍스트 벡터를 이용한 다중 작업 학습(Multi-task learning)으로서 질병이 있는지 여부를 분류하는 이진 분류(Binary output)와 복수 개의 질병으로 분류하는 다중 분류(Multi-class output)를 동시에 수행할 수 있다.
또 다른 측면에 따르면, 상기 학습 모델은 한번의 시간 단계(time step)로 두 개의 1차원 컨볼루션을 사용할 수 있다.
또 다른 측면에 따르면, 상기 학습 모델은 상기 어텐션에서 상기 컨텍스트 벡터를 계산하기 위해 상기 1차원 컨볼루션의 3차원 출력을 2차원 출력으로 변환할 수 있다.
또 다른 측면에 따르면, 상기 학습 모델은 상기 어텐션에서 상기 컨텍스트 벡터를 계산하기 위해 시간 간격 축에 따라 3차원 출력을 합산하는 방식, 나중 시간 단계(later time step)에서 더 큰 가중치를 갖는 가중치 벡터를 사용하여 가중치 합을 계산하는 방식, 마지막 시간 단계 값(last time step value)을 사용하는 방식 중 어느 하나의 방식을 통해 상기 1차원 컨볼루션의 3차원 출력을 2차원 출력으로 변환할 수 있다.
컴퓨터와 결합되어 상기 질병 예후 예측 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.
상기 질병 예후 예측 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체를 제공한다.
컴퓨터로 구현되는 질병 예후 예측 시스템에 있어서, 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 환자의 의료 기록에 포함된 정보를 정보 유형 별로 각각 시퀀스 형태로 표현함으로써 시퀀스 데이터를 생성하는 시퀀스 생성부; 및 상기 정보 유형 별 시퀀스 데이터에 대해 각각 분리된, 어텐션 네트워크를 이용한 학습 모델을 사용하여 해당 환자의 질병 예후를 예측하는 예후 예측부를 포함하는 질병 예후 예측 시스템을 제공한다.
본 발명의 실시예들에 따르면, 환자의 상징적인 병력 시퀀스와 의약 코드만으로 고위험 질병의 발병을 예측할 수 있는 어텐션 모델(MeHPAN)을 구현할 수 있다.
본 발명의 실시예들에 따르면, 진단, 투약, 임상에 대해 각각 분리된 RNN 혹은 CNN 모델을 이용하고 중요한 역할을 하는 인자를 명확히 식별하기 위해 어텐션 모델을 적용함으로써 보다 정확한 예후를 예측할 수 있다.
본 발명의 실시예들에 따르면, 진단/투약의 기간 정보를 명시적으로 모델에 반영함으로써 질병 예후 예측 모델의 구조를 더욱 개선하여 명확한 예측 결과를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 있어서 컴퓨터 시스템의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 컴퓨터 시스템이 수행할 수 있는 질병 예후 예측 방법의 예를 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 있어서 RNN 기반 어텐션 모델(R-MeHPAN)의 구조를 도시한 것이다.
도 5는 본 발명의 일 실시예에 있어서 어텐션 구조의 일례를 도시한 것이다.
도 6은 본 발명의 일 실시예에 있어서 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)의 구조를 도시한 것이다.
도 7은 본 발명의 일 실시예에 있어서 1차원 컨볼루션 구조의 일례를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 컴퓨터 시스템이 수행할 수 있는 질병 예후 예측 방법의 예를 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 있어서 RNN 기반 어텐션 모델(R-MeHPAN)의 구조를 도시한 것이다.
도 5는 본 발명의 일 실시예에 있어서 어텐션 구조의 일례를 도시한 것이다.
도 6은 본 발명의 일 실시예에 있어서 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)의 구조를 도시한 것이다.
도 7은 본 발명의 일 실시예에 있어서 1차원 컨볼루션 구조의 일례를 도시한 것이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 질병 예후를 예측하는 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 환자 의료 기록으로부터 환자의 질병 예후를 예측할 수 있고 이를 통해 효율성, 정확성, 신속성, 비용 절감 등의 측면에 있어서 상당한 장점들을 달성한다.
도 1은 본 발명의 일 실시예에 있어서 컴퓨터 시스템의 내부 구성의 일례를 설명하기 위한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 질병 예후 예측 시스템이 도 1의 컴퓨터 시스템(100)을 통해 구현될 수 있다. 도 1에 도시한 바와 같이, 컴퓨터 시스템(100)은 질병 예후 예측 방법을 실행하기 위한 구성요소로서 프로세서(110), 메모리(120), 영구 저장 장치(130), 버스(140), 입출력 인터페이스(150) 및 네트워크 인터페이스(160)를 포함할 수 있다.
프로세서(110)는 환자 의료 기록으로부터 고위험 예후를 예측하기 위한 구성요소로서 명령어들의 시퀀스를 처리할 수 있는 임의의 장치를 포함하거나 그의 일부일 수 있다. 프로세서(110)는 예를 들어 컴퓨터 프로세서, 이동 장치 또는 다른 전자 장치 내의 프로세서 및/또는 디지털 프로세서를 포함할 수 있다. 프로세서(110)는 예를 들어, 서버 컴퓨팅 디바이스, 서버 컴퓨터, 일련의 서버 컴퓨터들, 서버 팜, 클라우드 컴퓨터, 컨텐츠 플랫폼 등에 포함될 수 있다. 프로세서(110)는 버스(140)를 통해 메모리(120)에 접속될 수 있다.
메모리(120)는 컴퓨터 시스템(100)에 의해 사용되거나 그에 의해 출력되는 정보를 저장하기 위한 휘발성 메모리, 영구, 가상 또는 기타 메모리를 포함할 수 있다. 메모리(120)는 예를 들어 랜덤 액세스 메모리(RAM: random access memory) 및/또는 다이내믹 RAM(DRAM: dynamic RAM)을 포함할 수 있다. 메모리(120)는 컴퓨터 시스템(100)의 상태 정보와 같은 임의의 정보를 저장하는 데 사용될 수 있다. 메모리(120)는 예를 들어 질병 예후 예측을 위한 명령어들을 포함하는 컴퓨터 시스템(100)의 명령어들을 저장하는 데에도 사용될 수 있다. 컴퓨터 시스템(100)은 필요에 따라 또는 적절한 경우에 하나 이상의 프로세서(110)를 포함할 수 있다.
버스(140)는 컴퓨터 시스템(100)의 다양한 컴포넌트들 사이의 상호작용을 가능하게 하는 통신 기반 구조를 포함할 수 있다. 버스(140)는 예를 들어 컴퓨터 시스템(100)의 컴포넌트들 사이에, 예를 들어 프로세서(110)와 메모리(120) 사이에 데이터를 운반할 수 있다. 버스(140)는 컴퓨터 시스템(100)의 컴포넌트들 간의 무선 및/또는 유선 통신 매체를 포함할 수 있으며, 병렬, 직렬 또는 다른 토폴로지 배열들을 포함할 수 있다.
영구 저장 장치(130)는 (예를 들어, 메모리(120)에 비해) 소정의 연장된 기간 동안 데이터를 저장하기 위해 컴퓨터 시스템(100)에 의해 사용되는 바와 같은 메모리 또는 다른 영구 저장 장치와 같은 컴포넌트들을 포함할 수 있다. 영구 저장 장치(130)는 컴퓨터 시스템(100) 내의 프로세서(110)에 의해 사용되는 바와 같은 비휘발성 메인 메모리를 포함할 수 있다. 영구 저장 장치(130)는 예를 들어 플래시 메모리, 하드 디스크, 광 디스크 또는 다른 컴퓨터 판독 가능 매체를 포함할 수 있다.
입출력 인터페이스(150)는 키보드, 마우스, 음성 명령 입력, 디스플레이 또는 다른 입력 또는 출력 장치에 대한 인터페이스들을 포함할 수 있다. 구성 명령들 및/또는 질병 예후 예측을 위한 입력이 입출력 인터페이스(150)를 통해 수신될 수 있다.
네트워크 인터페이스(160)는 근거리 네트워크 또는 인터넷과 같은 네트워크들에 대한 하나 이상의 인터페이스를 포함할 수 있다. 네트워크 인터페이스(160)는 유선 또는 무선 접속들에 대한 인터페이스들을 포함할 수 있다. 구성 명령들 및/또는 질병 예후 예측을 위한 입력이 네트워크 인터페이스(160)를 통해 수신될 수 있다.
또한, 다른 실시예들에서 컴퓨터 시스템(100)은 도 1의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 시스템(100)은 상술한 입출력 인터페이스(150)와 연결되는 입출력 장치들 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
본 발명에서는 딥 러닝 기법인 RNN 또는 CNN 기반의 어텐션 모델을 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 기술을 제공한다.
진단, 투약, 임상 등과 관련된 의료 기록은 의사가 환자의 질병을 진단할 때 중요한 데이터가 된다. 환자 의료 기록은 환자의 현재 상태와 질병 진행을 특성화한다. 대부분의 질병 진단 방법은 주로 병리학적 및 방사선학적 측정뿐만 아니라 환자의 현재 상태 및 예후를 예측하기 위한 임상 정보에 초점을 맞추고 있다. 그러나, 측정 기반의 진단 방법들은 일반적으로 시간과 비용이 많이 소모되는 문제가 있다.
한편, 딥 러닝은 음성 신호 처리, 자연 언어 처리, 비전 처리 등과 같은 다양한 기술 분야에 이용되고 있다. 최근에는 질병 예측이나 유전자 시퀀싱 등을 포함한 생물 의학 영역에서도 딥 러닝을 이용한 성공적인 연구가 보고되고 있다.
본 발명에서는 환자의 병력을 분석하기 위해 어텐션 메커니즘을 이용한 딥 러닝 알고리즘(MeHPAN)을 사용하여 질병 예후를 예측할 수 있다.
본 명세서에서는 심혈관 질병과 뇌혈관 질병을 사망을 유발하는 고위험 질병의 대표적인 예로 하여 설명하나, 이에 한정되는 것은 아니다. 그리고, 의사가 결정한 진단 기록과 치료를 위한 투약 기록을 환자 의료 기록의 대표적인 예로 하여 설명하나, 이 또한 이에 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 컴퓨터 시스템이 수행할 수 있는 질병 예후 예측 방법의 예를 도시한 순서도이다.
도 2에 도시된 바와 같이, 프로세서(110)는 시퀀스 생성부(210), 및 예후 예측부(220)를 포함할 수 있다. 이러한 프로세서(110)의 구성요소들은 적어도 하나의 프로그램 코드에 의해 제공되는 제어 명령에 따라 프로세서(110)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 프로세서(110)가 시퀀스 데이터를 생성하도록 컴퓨터 시스템(100)을 제어하기 위해 동작하는 기능적 표현으로서 시퀀스 생성부(210)가 사용될 수 있다. 프로세서(110) 및 프로세서(110)의 구성요소들은 도 3의 질병 예후 예측 방법이 포함하는 단계들(S310 내지 S330)을 수행할 수 있다. 예를 들어, 프로세서(110) 및 프로세서(110)의 구성요소들은 메모리(120)가 포함하는 운영체제의 코드와 상술한 적어도 하나의 프로그램 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 적어도 하나의 프로그램 코드는 질병 예후 예측 방법을 처리하기 위해 구현된 프로그램의 코드에 대응될 수 있다.
질병 예후 예측 방법은 도시된 순서대로 발생하지 않을 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
단계(S310)에서 프로세서(110)는 질병 예후 예측 방법을 위한 프로그램 파일에 저장된 프로그램 코드를 메모리(120)에 로딩할 수 있다. 예를 들어, 질병 예후 예측 방법을 위한 프로그램 파일은 도 1을 통해 설명한 영구 저장 장치(130)에 저장되어 있을 수 있고, 프로세서(110)는 버스를 통해 영구 저장 장치(130)에 저장된 프로그램 파일로부터 프로그램 코드가 메모리(120)에 로딩되도록 컴퓨터 시스템(110)을 제어할 수 있다. 이때, 프로세서(110) 및 프로세서(110)가 포함하는 시퀀스 생성부(210), 및 예후 예측부(220) 각각은 메모리(120)에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(S320 내지 S330)을 실행하기 위한 프로세서(110)의 서로 다른 기능적 표현들일 수 있다. 단계들(S320 내지 S330)의 실행을 위해, 프로세서(110) 및 프로세서(110)의 구성요소들은 직접 제어 명령에 따른 연산을 처리하거나 또는 컴퓨터 시스템(100)을 제어할 수 있다.
단계(S320)에서 시퀀스 생성부(210)는 환자의 의료 기록을 시퀀스 형태의 피처로 표현함으로써 해당 환자에 대한 시퀀스 데이터를 생성할 수 있다.
혈관 질병(심혈관 질병과 뇌혈관 질병)의 예후를 예측하기 위해 실제 병원에서 수집한 전자 의료 데이터로서, 혈관 질병을 가지고 있지 않은 환자, 심혈관 질병을 가지고 있는 환자, 뇌혈관 질병을 가지고 있는 환자의 의료 기록을 사용할 수 있다.
전자 의료 데이터로는 환자의 질병과 증상 등을 분류하는 코드, 일례로 국제 통계 분류 10차 개정판인 ICD-10으로 표현된 진단 분류 코드를 이용할 수 있다. 의료 데이터로 사용되는 ICD-10 코드는 총 6,667개이며, 이들 코드 전체를 사용하거나 혹은 환자들에게서 일정 횟수 이상 나타나는 일부 코드들을 선택적으로 사용하는 것 또한 가능하다.
일례로, 환자 의료 기록은 진단 기록과 투약 기록을 포함할 수 있으며, 이외에도 혈압, 콜레스테롤 등과 같은 생체 측정 정보는 물론이고, 날짜나 환자 상태 정보, 그리고 나이나 성별 등과 같은 환자 임상 정보 또한 활용 가능하다. 이하에서는 진단 기록과 투약 기록을 환자 의료 기록의 일 예로 하여 구체적인 실시예를 설명하고 있으나, 이러한 것으로만 한정되는 것은 아니며 전자 의료 기록에 포함된 환자의 모든 정보를 활용할 수 있음은 당연하다.
시퀀스 생성부(210)는 환자의 의료 기록에 포함된 정보를 정보가 분류되는 유형 별로 각각 시퀀스 데이터를 생성한 후 학습 모델에 입력 가능하도록 임베딩할 수 있다.
먼저, 진단 기록은 진단 코드 시퀀스, 진단 기간 시퀀스, 방문 종류 시퀀스로 구성될 수 있다.
진단 코드 시퀀스는 의사의 진단 결과에 해당하는 코드로 구성될 수 있으며, 이 코드에는 ICD-10으로 표현된 6,667가지의 유형이 존재한다.
진단 기간 시퀀스는 환자가 병원에 방문한 날짜를 이용하여 계산할 수 있으며, 일례로 수학식 1을 통해 환자의 질병 지속 기간(DURi)을 계산함으로써 진단 기간 시퀀스를 얻을 수 있다.
[수학식 1]
여기서, Tlast는 환자가 병원을 방문한 마지막 날짜이고, Ti는 i번째 질병 코드가 진단된 날짜이다.
방문 종류 시퀀스는 환자가 병원을 방문한 유형으로, 외래 환자, 입원 환자, 응급 환자 등으로 구분될 수 있다.
다음, 투약 기록은 투약 코드 시퀀스, 투약 기간 시퀀스, 투약 유형 시퀀스로 구성될 수 있다.
투약 코드 시퀀스는 의사에 의해 처방된 약물 정보를 포함한다.
투약 기간 시퀀스는 일례로 수학식 2를 통해 약물 처방 기간(MD_DURi)을 계산함으로써 투약 기간 시퀀스를 얻을 수 있다.
[수학식 2]
여기서, periodi는 i번째 처방약의 기간을 의미한다.
투약 유형 시퀀스는 약물 투약 유형으로, 알약, 주사 등으로 구분될 수 있다.
단계(S330)에서 예후 예측부(220)는 단계(S320)에서 생성된 시퀀스 데이터에 대해 RNN 또는 CNN 기반 어텐션 모델을 이용한 시퀀스 학습 데이터를 이용하여 해당 환자의 질병 예후, 즉 혈관 질병을 예측할 수 있다. 예후 예측부(220)는 질병 상태의 진행에 대한 순차적인 정보로부터 특징을 명확하게 학습할 수 있도록 하여 주어진 환자 의료 기록으로부터 고위험 예후를 예측할 수 있다.
이하에서는 GRU(Gated Recurrent Unit)를 이용한 어텐션 모델(R-MeHPAN)과 1차원 컨볼루션 모델을 이용한 어텐션 모델(C-MeHPAN)을 설명한다. 고위험 예후를 예측하기 위해 어텐션은 모델들이 입력 시퀀스의 중요한 진단 기록과 투약 기록에 집중하도록 하며 모델을 보다 정확하게 트레이닝시킬 수 있게 한다.
도 4는 본 발명의 일 실시예에 있어서 RNN 기반 어텐션 모델(R-MeHPAN)의 구조를 도시한 것이다.
GRU는 LSTM(Long Short Term Memory)와 유사한 게이트 접근 방식을 사용하는 재귀 신경망(Recurrent Neural Network: RNN) 이다. GRU는 LSTM과 달리 메모리 셀을 이용하지 않아 비교적 단순한 구조를 가지며 시퀀스 학습이 LSTM보다 효율적인 장점이 있다.
본 발명에서는 질병 예후를 예측하기 위한 학습 모델에 대해 어텐션과 함께 양방향 GRU(Bidirectional GRU), LSTM 등 RNN의 개선된 모델들을 사용한다.
도 4를 참조하면, RNN 기반 어텐션 모델(R-MeHPAN)(400)은 GRU 전용 모듈인 진단 모듈(410)과 투약 모듈(420)을 포함할 수 있다.
진단 모듈(410)에서는 진단 코드 시퀀스를 나타내는 CODE와 진단 기간 시퀀스를 나타내는 DUR이 상호 연관성을 위해 함께 임베딩된 후 이들 임베딩 벡터가 양방향 GRU(411-1)의 입력이 된다. 방문 종류 시퀀스를 나타내는 KIND는 진단 코드 시퀀스, 진단 기간 시퀀스와는 별도로 임베딩되어 다른 양방향 GRU(411-2)로 입력된다. KIND는 외래 환자, 입원 환자, 응급 환자 중 어느 하나를 나타내는 값이 될 수 있다. 양방향 GRU(411-1, 411-2)는 진단 기록(CODE, DUR, KIND)의 연속 패턴을 학습한다.
진단 모듈(410)에서 어텐션(412)은 중요한 정보에 초점을 맞추기 위해 적용된 것이다. 어텐션(412)은 양방향 GRU(411-1, 411-2)의 출력을 이용하여 컨텍스트 벡터(context vector)를 획득할 수 있다. 다시 말해, 진단 모듈(410)에서는 진단 기록(CODE, DUR, KIND)에 대한 어텐션을 수행하여 컨텍스트 벡터를 계산할 수 있다.
도 5는 어텐션 구조의 일례를 도시한 것이다.
도 5에 도시한 바와 같이, 본 발명에서는 2단 FFN(feed forward network)을 이용하여 어텐션(412)을 구현할 수 있다. 어텐션(412)은 임베딩 벡터와 GRU 출력의 엘리먼트 별 곱을 통해 컨텍스트 벡터를 생성할 수 있다.
다시 도 4에서, 투약 모듈(420)에서는 입력을 제외하고는 진단 모듈(410)과 유사하다. 투약 코드 시퀀스를 나타내는 MD_CODE와 투약 기간 시퀀스를 나타내는 MD_DUR은 함께 임베딩되어 양방향 GRU(421-1)의 입력이 된다. 투약 유형 시퀀스를 나타내는 TYPE는 별도로 임베딩되어 다른 양방향 GRU(421-2)로 입력된다. 양방향 GRU(421-1, 421-2)는 투약 기록(MD_CODE, MD_DUR, TYPE)의 연속 패턴을 학습한다.
투약 모듈(420)에서도 마찬가지로 진단 모듈(410)과 동일한 메커니즘의 어텐션(422)(도 5)을 사용하여 투약 기록에 대한 컨텍스트 벡터를 얻을 수 있다. 따라서, 투약 모듈(420)에서는 투약 기록(MD_CODE, MD_DUR, TYPE)에 대한 어텐션을 수행하여 컨텍스트 벡터를 계산할 수 있다.
진단 모듈(410)과 투약 모듈(420)에서 생성된 4개의 컨텍스트 벡터는 병합(concatenate) 레이어(430)를 통해 병합된 후 두 개의 밀집(dense, Fully Connected) 레이어(440)를 거쳐 각 질병의 발생 확률을 계산하기 위해 출력 레이어(450, 460)로 전달된다.
RNN 기반 어텐션 모델(R-MeHPAN)(400)에서는 다중 작업 학습(Multi-task learning)을 적용하여 관련 작업에 대해 모델을 동시에 트레이닝하고 해당 모델에 추가 정보를 제공할 수 있다. 일례로, 이진 분류(Binary output)와 다중 분류(Multi-class output)를 동시에 수행할 수 있으며, 이진 분류 레이어(Binary output layer)(450)를 통해 혈관 질병이 있는지 여부(Vascular disease, Non vascular disease)를 분류하고, 다중 분류 레이어(Multi-class output layer)(460)를 통해 심혈관 질병(Cardiovascular disease), 뇌혈관 질병(Cerebrovascular disease), 비혈관 질병(Non vascular disease)으로 분류할 수 있다.
질병 예후 예측을 위한 학습 모델은 상기한 다중 작업 학습 구조를 통해 혈관 질병 간의 오류 정보를 사용할 수 있다.
도 6은 본 발명의 일 실시예에 있어서 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)의 구조를 도시한 것이다.
도 6을 참조하면, 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)은 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 마찬가지로 진단 모듈(610)과 투약 모듈(620)을 포함할 수 있다.
RNN 기반 어텐션 모델(R-MeHPAN)(400)과 유사하게, 진단 기록(CODE, DUR, KIND)이 진단 모듈(610)의 입력이 되고 투약 기록(MD_CODE, MD_DUR, TYPE)이 투약 모듈(620)의 입력이 된다.
1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)이 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 다른 점은 양방향 GRU(411-1, 411-2, 421-1, 421-2) 대신 1차원 컨볼루션(611, 621)을 사용하는 것이다.
도 7은 1차원 컨볼루션(611, 621) 구조의 일례를 도시한 것이다.
도 7에 도시한 바와 같이, 본 발명에서 1차원 컨볼루션(611, 621)은 1차원 커널을 사용한 컨볼루션 계산이다.
1차원 컨볼루션(611, 621)에서는 의료 기록(진단 기록, 투약 기록)이 시계열 데이터와 같은 단일 차원의 데이터로 사용될 수 있다. 이러한 1차원 컨볼루션(611, 621)은 GRU와 같은 이전 시간 단계의 계산에 의존하지 않는다. 따라서, 병렬 처리에서 더 효율적이고 GRU보다 빠른 속도를 보장할 수 있다.
1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)에서는 한번의 시간 단계(time step)로 두 개의 1차원 컨볼루션을 사용한다. 도 7에 도시한 바와 같이, 하나의 컨볼루션은 A를 계산하고 다른 하나는 GLU(Gated Linear Unit)에 대해 B를 계산한다.
다시 도 6에서, 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)에서도 마찬가지로 중요한 정보에 초점을 맞추기 위해 어텐션을 적용한다. RNN 기반 어텐션 모델(R-MeHPAN)(400)과 동일하게 2단 FFN을 이용한 어텐션 모델(도 5)을 적용할 수 있다.
어텐션을 수행하기 위해 세 가지 방법으로 1차원 컨볼루션(611, 621)의 3차원 출력을 2차원 출력으로 변환할 수 있다. 첫 번째, 시간 간격 축에 따라 3차원 출력을 합산하는 방식이다(Sum). 두 번째, 나중 시간 단계(later time step)에서 더 큰 가중치를 갖는 가중치 벡터를 사용하여 가중치 합을 계산하는 방식이다(Weighted sum). 세 번째, 1차원 컨볼루션 출력의 마지막 시간 단계 값(last time step value)을 사용하는 방식이다(Last time step).
진단 모듈(610)과 투약 모듈(620)에서는 상기한 세 가지 방식 중 하나를 사용하여 어텐션을 계산한 다음, 컨텍스트 벡터를 얻을 수 있다.
다시 말해, 진단 모듈(610)에서 진단 기록(CODE, DUR, KIND)에 대한 어텐션을 수행하여 컨텍스트 벡터를 계산할 수 있고 투약 모듈(620)에서 투약 기록(MD_CODE, MD_DUR, TYPE)에 대한 어텐션을 수행하여 컨텍스트 벡터를 계산할 수 있다.
1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)에서는 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 동일하게 4개의 컨텍스트 벡터를 얻을 수 있고, 4개의 컨텍스트 벡터를 병합하고 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 같은 구조의 다중 작업 학습을 수행할 수 있다.
본 발명에 따른 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)에서는 진단 기록(CODE, DUR, KIND)과 투약 기록(MD_CODE, MD_DUR, TYPE)으로부터 질병 예후 예측을 위해 각각 분리된 학습 모델(RNN 또는 CNN)을 이용하고 더욱이 입력 시퀀스의 중요한 진단 기록과 투약 기록에 집중하도록 어텐션 모델을 적용할 수 있다. 진단 기록과 투약 기록 이외에도 병리학적 측정 데이터에 해당되는 임상 기록에 대해 개별 학습 모델을 더 추가하여 학습하는 것 또한 가능하다.
특히, 본 발명에 따른 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)에서는 진단 기록과 투약 기록의 기간 정보(진단 기간 시퀀스, 투약 기간 시퀀스)를 명시적으로 반영함으로써 기간 정보를 고려하여 차별화된 학습 모델을 구축할 수 있다. 예를 들어, 두통을 1년 앓은 환자와 1개월 앓은 환자의 차이를 모델링 하는 것이 가능하다.
그리고, 본 발명에 따른 RNN 기반 어텐션 모델(R-MeHPAN)(400)과 1차원 컨볼루션 기반 어텐션 모델(C-MeHPAN)(600)은 두 개의 개별 출력 레이어를 활용하여 다중 작업 학습을 수행할 수 있고, 이때 이진 분류 레이어(Binary output layer)를 통해 혈관 질병이 있는지 여부(Vascular disease, Non vascular disease)를 분류할 수 있고, 동시에 다중 분류 레이어(Multi-class output layer)를 통해 심혈관 질병(Cardiovascular disease), 뇌혈관 질병(Cerebrovascular disease), 비혈관 질병(Non vascular disease)을 분류할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (20)
- 컴퓨터 시스템에서 수행되는 질병 예후 예측 방법에 있어서,
상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는 상기 질병 예후 예측 방법을 수행하기 위한 구성요소로서 시퀀스 생성부 및 예후 예측부를 포함하고,
상기 질병 예후 예측 방법은,
상기 시퀀스 생성부에서, 환자의 의료 기록에 포함된 정보를 정보 유형 별로 각각 시퀀스(sequence) 형태로 표현함으로써 시퀀스 데이터를 생성하는 단계; 및
상기 예후 예측부에서, 상기 정보 유형 별 시퀀스 데이터에 대해 각각 분리된, 어텐션 네트워크(attention network)를 이용한 학습 모델을 사용하여 해당 환자의 질병 예후를 예측하는 단계
를 포함하고,
상기 환자의 의료 기록은 진단 기록과 투약 기록을 포함하고,
상기 진단 기록은 상기 환자의 질병 지속 기간에 대한 정보를 포함하고
상기 투약 기록은 상기 환자의 약물 처방 기간에 대한 정보를 포함하고,
상기 생성하는 단계는,
상기 환자의 질병 지속 기간을 이용하여 진단 기간 시퀀스를 생성하고,
상기 환자의 약물 처방 기간을 이용하여 투약 기간 시퀀스를 생성하고,
상기 예측하는 단계는,
상기 진단 기록과 상기 투약 기록에 대해 각각 분리되어 상기 진단 기록과 상기 투약 기록의 기간 정보가 반영된 학습 모델로서 각각의 기간 정보인 상기 진단 기록의 진단 기간 시퀀스와 상기 투약 기록의 투약 기간 시퀀스가 각각 포함된 시퀀스 데이터를 입력으로 하는 어텐션 모델을 이용하여 상기 환자의 질병 예후를 예측하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제1항에 있어서,
상기 생성하는 단계는,
상기 진단 기록에 대해 상기 진단 기간 시퀀스와 함께, 진단 코드 시퀀스, 방문 종류 시퀀스를 생성하고,
상기 투약 기록에 대해 상기 투약 기간 시퀀스와 함께, 투약 코드 시퀀스, 투약 유형 시퀀스를 생성하고,
상기 진단 기간 시퀀스는 상기 진단 코드 시퀀스와 함께 임베딩되어 제1 학습 모델로 입력되고,
상기 방문 종류 시퀀스는 상기 진단 코드 시퀀스 및 상기 진단 기간 시퀀스와는 별도로 임베딩되어 제2 학습 모델로 입력되고,
상기 투약 기간 시퀀스는 상기 투약 코드 시퀀스와 함께 임베딩되어 제3 학습 모델로 입력되고,
상기 투약 유형 시퀀스는 상기 투약 코드 시퀀스 및 상기 투약 기간 시퀀스와는 별도로 임베딩되어 제4 학습 모델로 입력되는 것
을 특징으로 하는 질병 예후 예측 방법. - 제1항에 있어서,
상기 학습 모델은 RNN(Recurrent Neural Networks) 혹은 CNN(Convolutional Neural Networks) 모델로서 상기 시퀀스 데이터의 연속 패턴을 학습하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제1항에 있어서,
상기 학습 모델은 상기 시퀀스 데이터의 연속 패턴을 학습하는 GRU(Gated Recurrent Unit)와, 상기 GRU의 출력을 이용하여 컨텍스트 벡터를 계산하는 어텐션을 포함하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제1항에 있어서,
상기 학습 모델은 상기 시퀀스 데이터의 연속 패턴을 학습하는 1차원 컨볼루션(1D convolution)과, 상기 1차원 컨볼루션의 출력을 이용하여 컨텍스트 벡터를 계산하는 어텐션을 포함하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제4항 또는 제5항에 있어서,
상기 어텐션은 2단 FFN(feed forward network)을 이용하여 구성되는 것
을 특징으로 하는 질병 예후 예측 방법. - 제4항 또는 제5항에 있어서,
상기 학습 모델은 상기 컨텍스트 벡터를 이용한 다중 작업 학습(Multi-task learning)으로서 질병이 있는지 여부를 분류하는 이진 분류(Binary output)와 복수 개의 질병으로 분류하는 다중 분류(Multi-class output)를 동시에 수행하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제5항에 있어서,
상기 학습 모델은 한번의 시간 단계(time step)로 두 개의 1차원 컨볼루션을 사용하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제5항에 있어서,
상기 학습 모델은 상기 어텐션에서 상기 컨텍스트 벡터를 계산하기 위해 상기 1차원 컨볼루션의 3차원 출력을 2차원 출력으로 변환하는 것
을 특징으로 하는 질병 예후 예측 방법. - 제5항에 있어서,
상기 학습 모델은 상기 어텐션에서 상기 컨텍스트 벡터를 계산하기 위해 시간 간격 축에 따라 3차원 출력을 합산하는 방식, 나중 시간 단계(later time step)에서 더 큰 가중치를 갖는 가중치 벡터를 사용하여 가중치 합을 계산하는 방식, 마지막 시간 단계 값(last time step value)을 사용하는 방식 중 어느 하나의 방식을 통해 상기 1차원 컨볼루션의 3차원 출력을 2차원 출력으로 변환하는 것
을 특징으로 하는 질병 예후 예측 방법. - 컴퓨터와 결합되어 제1항 내지 제10항 중 어느 한 항의 질병 예후 예측 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 제1항 내지 제10항 중 어느 한 항의 질병 예후 예측 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체.
- 컴퓨터로 구현되는 질병 예후 예측 시스템에 있어서,
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
환자의 의료 기록에 포함된 정보를 정보 유형 별로 각각 시퀀스 형태로 표현함으로써 시퀀스 데이터를 생성하는 시퀀스 생성부; 및
상기 정보 유형 별 시퀀스 데이터에 대해 각각 분리된, 어텐션 네트워크를 이용한 학습 모델을 사용하여 해당 환자의 질병 예후를 예측하는 예후 예측부
를 포함하고,
상기 환자의 의료 기록은 진단 기록과 투약 기록을 포함하고,
상기 진단 기록은 상기 환자의 질병 지속 기간에 대한 정보를 포함하고
상기 투약 기록은 상기 환자의 약물 처방 기간에 대한 정보를 포함하고,
상기 시퀀스 생성부는,
상기 환자의 질병 지속 기간을 이용하여 진단 기간 시퀀스를 생성하고,
상기 환자의 약물 처방 기간을 이용하여 투약 기간 시퀀스를 생성하고,
상기 예후 예측부는,
상기 진단 기록과 상기 투약 기록에 대해 각각 분리되어 상기 진단 기록과 상기 투약 기록의 기간 정보가 반영된 학습 모델로서 각각의 기간 정보인 상기 진단 기록의 진단 기간 시퀀스와 상기 투약 기록의 투약 기간 시퀀스가 각각 포함된 시퀀스 데이터를 입력으로 하는 어텐션 모델을 이용하여 상기 환자의 질병 예후를 예측하는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제13항에 있어서,
상기 시퀀스 생성부는,
상기 진단 기록에 대해 상기 진단 기간 시퀀스와 함께, 진단 코드 시퀀스, 방문 종류 시퀀스를 생성하고,
상기 투약 기록에 대해 상기 투약 기간 시퀀스와 함께, 투약 코드 시퀀스, 투약 유형 시퀀스를 생성하고,
상기 진단 기간 시퀀스는 상기 진단 코드 시퀀스와 함께 임베딩되어 제1 학습 모델로 입력되고,
상기 방문 종류 시퀀스는 상기 진단 코드 시퀀스 및 상기 진단 기간 시퀀스와는 별도로 임베딩되어 제2 학습 모델로 입력되고,
상기 투약 기간 시퀀스는 상기 투약 코드 시퀀스와 함께 임베딩되어 제3 학습 모델로 입력되고,
상기 투약 유형 시퀀스는 상기 투약 코드 시퀀스 및 상기 투약 기간 시퀀스와는 별도로 임베딩되어 제4 학습 모델로 입력되는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제13항에 있어서,
상기 학습 모델은 RNN 혹은 CNN 모델로서 상기 시퀀스 데이터의 연속 패턴을 학습하는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제13항에 있어서,
상기 학습 모델은 상기 시퀀스 데이터의 연속 패턴을 학습하는 GRU와, 상기 GRU의 출력을 이용하여 컨텍스트 벡터를 계산하는 어텐션을 포함하는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제13항에 있어서,
상기 학습 모델은 상기 시퀀스 데이터의 연속 패턴을 학습하는 1차원 컨볼루션과, 상기 1차원 컨볼루션의 출력을 이용하여 컨텍스트 벡터를 계산하는 어텐션을 포함하는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제16항 또는 제17항에 있어서,
상기 학습 모델은 상기 컨텍스트 벡터를 이용한 다중 작업 학습으로서 질병이 있는지 여부를 분류하는 이진 분류와 복수 개의 질병으로 분류하는 다중 분류를 동시에 수행하는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제17항에 있어서,
상기 학습 모델은 한번의 시간 단계로 두 개의 1차원 컨볼루션을 사용하는 것
을 특징으로 하는 질병 예후 예측 시스템. - 제17항에 있어서,
상기 학습 모델은 상기 어텐션에서 상기 컨텍스트 벡터를 계산하기 위해 시간 간격 축에 따라 3차원 출력을 합산하는 방식, 나중 시간 단계에서 더 큰 가중치를 갖는 가중치 벡터를 사용하여 가중치 합을 계산하는 방식, 마지막 시간 단계 값을 사용하는 방식 중 어느 하나의 방식을 통해 상기 1차원 컨볼루션의 3차원 출력을 2차원 출력으로 변환하는 것
을 특징으로 하는 질병 예후 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180047497A KR102225894B1 (ko) | 2018-04-24 | 2018-04-24 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180047497A KR102225894B1 (ko) | 2018-04-24 | 2018-04-24 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200029989A Division KR20200029425A (ko) | 2020-03-11 | 2020-03-11 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190123609A KR20190123609A (ko) | 2019-11-01 |
| KR102225894B1 true KR102225894B1 (ko) | 2021-03-11 |
Family
ID=68535732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180047497A KR102225894B1 (ko) | 2018-04-24 | 2018-04-24 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102225894B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023191564A1 (ko) * | 2022-03-30 | 2023-10-05 | 중앙대학교 산학협력단 | 심층신경망 기반의 관심질병 예측 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102292041B1 (ko) * | 2019-11-05 | 2021-08-24 | 사회복지법인 삼성생명공익재단 | 질병 발병 예측을 위한 시구간 단위 데이터 세트 구성 방법 및 그 장치 |
| KR102561318B1 (ko) | 2020-07-27 | 2023-07-31 | 재단법인 아산사회복지재단 | 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 |
| CN112102950B (zh) * | 2020-11-04 | 2021-02-12 | 平安科技（深圳）有限公司 | 一种数据处理系统、方法、装置及存储介质 |
| CN113358993B (zh) * | 2021-05-13 | 2022-10-04 | 武汉大学 | 一种多电平变换器igbt的在线故障诊断方法及系统 |
| KR102417448B1 (ko) * | 2021-05-20 | 2022-07-06 | 한국과학기술정보연구원 | 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치 |
| CN113314206B (zh) * | 2021-06-08 | 2024-04-26 | 北京大数医达科技有限公司 | 图像显示方法、装置和终端设备 |
| CN113628759A (zh) * | 2021-07-22 | 2021-11-09 | 中国科学院重庆绿色智能技术研究院 | 一种基于大数据的传染病疫情安全区域预测方法 |
| KR102588270B1 (ko) * | 2021-11-24 | 2023-10-12 | 한국과학기술원 | 의료 데이터 임베딩 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 |
| KR102611011B1 (ko) * | 2022-04-19 | 2023-12-07 | 주식회사 에이아이트릭스 | 전자 건강 기록 데이터 분석 장치 및 방법 |
| KR102518520B1 (ko) * | 2022-07-19 | 2023-04-05 | 주식회사 엠브이아이 | 시각장애인의 디지털 정보격차를 해소하기 위한 클라우드 기반의 경영 관리 시스템 |
| KR20240067148A (ko) * | 2022-11-01 | 2024-05-16 | 재단법인 아산사회복지재단 | 의료 인공지능 모델 동작 방법 및 이를 수행하는 전자 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9336482B1 (en) * | 2015-07-27 | 2016-05-10 | Google Inc. | Predicting likelihoods of conditions being satisfied using recurrent neural networks |
-
2018
- 2018-04-24 KR KR1020180047497A patent/KR102225894B1/ko active IP Right Grant
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023191564A1 (ko) * | 2022-03-30 | 2023-10-05 | 중앙대학교 산학협력단 | 심층신경망 기반의 관심질병 예측 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램 |
| KR20230140788A (ko) * | 2022-03-30 | 2023-10-10 | 중앙대학교 산학협력단 | 심층신경망 기반의 관심질병 예측 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램 |
| KR102646783B1 (ko) * | 2022-03-30 | 2024-03-13 | 중앙대학교 산학협력단 | 심층신경망 기반의 관심질병 예측 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190123609A (ko) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102225894B1 (ko) | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 | |
| KR102216689B1 (ko) | 시계열 의료 데이터를 통한 질병 예후 예측을 위한 딥 뉴럴 네트워크의 분류 결과 시각화 방법 및 시스템 | |
| KR101869438B1 (ko) | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 | |
| Baytas et al. | Patient subtyping via time-aware LSTM networks | |
| US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
| CN113825440B (zh) | 用于对患者进行筛查、诊断和分层的系统和方法 | |
| JP2023502983A (ja) | 心臓のビデオを使用して患者のエンドポイントの予測を強化するためのディープニューラルネットワークのためのシステムおよび方法 | |
| KR20200029425A (ko) | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 | |
| US20220122253A1 (en) | Information processing device, program, trained model, diagnostic support device, learning device, and prediction model generation method | |
| Chantamit-O-Pas et al. | Long short-term memory recurrent neural network for stroke prediction | |
| US11386563B2 (en) | Anatomical and functional assessment of coronary artery disease using machine learning | |
| KR102460442B1 (ko) | 시계열 데이터 처리 장치, 이를 포함하는 건강 예측 시스템, 및 시계열 데이터 처리 장치의 동작 방법 | |
| CN110310740B (zh) | 基于交叉注意神经网络的再就医信息预测方法及系统 | |
| JP2022534567A (ja) | プロトコル構成を決定するための統合ニューラルネットワーク | |
| Gong et al. | Prognosis analysis of heart failure based on recurrent attention model | |
| US20210158909A1 (en) | Precision cohort analytics for public health management | |
| Patnaik | Intelligent decision support system in healthcare using machine learning models | |
| Sharma et al. | Classification of heart disease from MRI images using convolutional neural network | |
| US20230058548A1 (en) | System and method for predicting blood-glucose concentration | |
| Ebada et al. | Applying cloud based machine learning on biosensors streaming data for health status prediction | |
| Saif et al. | Deep-kidney: an effective deep learning framework for chronic kidney disease prediction | |
| Nazlı et al. | Classification of Coronary Artery Disease Using Different Machine Learning Algorithms | |
| Yasnitsky et al. | Robot-doctor: what can it be? | |
| Noori et al. | A comparative analysis for diabetic prediction based on machine learning techniques | |
| Yee et al. | Hospital data analytics system for tracking and predicting obese patients' lifestyle habits |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| A107 | Divisional application of patent | ||
| J201 | Request for trial against refusal decision | ||
| J301 | Trial decision |
Free format text: TRIAL NUMBER: 2020101000732; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20200311 Effective date: 20210121 |
|
| GRNO | Decision to grant (after opposition) |