KR102230660B1 - 의료 데이터를 분석하기 위한 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 인공 신경망을 이용하여 의료 데이터를 분석하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 동작; 상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 동작; 및 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 동작을 포함할 수 있다.

Description

의료 데이터를 분석하기 위한 방법{METHOD TO ANALYZE MEDICAL DATA}

본 개시는 의료 데이터를 분석하기 위한 것으로, 보다 구체적으로 하나 이상의 환자들에 대한 의료 데이터를 인공 신경망으로 분석하는 방법에 관한 것이다.

생명 과학 및 의료 연구 분야에 있어서 DNA microarray 및 차세대염기서열분석 (next-generation sequencing, NGS) 기술의 급속한 발전과 보급은 가설을 세우고 연구에 들어가는 기존의 연구방법(hypothesis-driven approach)에서 벗어나, 전체 현상을 보고 가설을 정하는 접근 방법(hypothesis-generating approach)을 가능하게 했다. NGS는 게놈(genome) 및 연관된 분자들에 대한 분자지도(molecular map)를 만드는 기술이다. 이에 따라, 인간 및 다른 생명체들의 게놈(human genome)에 존재하는 모든 DNA elements 발굴 및 기능 유추를 목적으로 현재까지도 유전체 데이터를 분석하는 연구가 활발히 진행되고 있다. 특히, 인간의 질병 발현에 있어서 유전체 데이터는 의료 연구에 있어서 병리학적으로도 중요한 데이터가 된다.

하나의 질병에 대한 여러 명의 환자들에 대한 의료 데이터, 특히 유전체 데이터와 같은 의료 데이터의 경우 변수가 매우 많고, 데이터 크기가 커서 데이터 전처리 및 분석에 어려움이 있다.

이에 따라, 유전체 데이터와 같은 복잡한 의료 데이터의 분석하기 위해 딥러닝 기술에 대한 수요가 증가하고 있다.

한국 등록 특허 제 10-2071491호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공 신경망을 이용하여 의료 데이터를 분석하는 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 동작; 상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 동작; 및 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 동작을 포함할 수 있다.

대안적으로, 상기 예측 모델의 학습을 위해 상기 단말기로부터 하나의 질병에 대한 하나 이상의 학습 의료 데이터들을 수신하는 동작; 상기 학습 의료 데이터들에 포함된 종속 변수 및 하나 이상의 독립 변수들을 식별하는 동작; 상기 하나 이상의 학습 의료 데이터들에 기초하여 학습 데이터 세트를 생성하는 동작; 및 상기 예측 모델을 학습시키기 위해 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 동작을 더 포함할 수 있다.

대안적으로, 상기 예측 모델을 학습시키기 위해 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 동작은 상기 학습 의료 데이터들에 포함된 상기 독립 변수들과 상기 종속 변수의 관계를 학습하도록 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 동작을 포함하고, 그리고 상기 종속 변수는 상기 질병의 발병 여부에 대한 변수이며, 상기 독립 변수는 상기 질병의 발병 원인에 대한 하나 이상의 변수들일 수 있다.

대안적으로, 상기 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 동작은 상기 하나 이상의 환자들에 대한 의료 데이터에 포함된 하나 이상의 의료 변수들을 식별하는 동작; 식별된 상기 의료 변수들 각각에 대한 변수 타입을 결정하는 동작; 및 결정된 상기 변수 타입에서 사전결정된 변수 타입으로 변환하여 상기 의료 데이터에 포함된 상기 의료 변수들을 전처리 하는 동작을 포함할 수 있다.

대안적으로, 상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 동작은 상기 단말기로부터 수신된 입력 신호에 기초하여 타깃 질병을 결정하는 동작; 상기 전처리 된 의료 데이터를 상기 예측 모델에 입력하는 경우, 상기 타깃 질병을 상기 예측 모델에 입력하는 동작; 및 상기 예측 모델을 이용하여 상기 타깃 질병과 관련된 상기 예측 결과 정보를 획득하는 동작을 더 포함할 수 있다.

대안적으로, 상기 예측 결과 정보는 상기 환자들 각각에 대해 상기 타깃 질병을 보유하고 있을 확률인 예측값을 포함할 수 있다.

대안적으로, 상기 결과 해석 정보는 상기 예측 결과 정보를 해석하여 환자의 유병 상태와 관련된 의료 변수들에 대한 정보로서, 사전결정된 유병 기준값을 초과하는 예측값에 대응하는 의료 변수들의 영향도; 및 상기 영향도에 기초하여 상기 의료 변수들을 나타내는 시각화 데이터를 포함할 수 있다.

대안적으로, 상기 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 동작은 상기 결과 해석 정보 및 상기 예측 결과 정보를 상기 단말기로 전송하는 동작을 더 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에서 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 방법이 개시된다. 상기 방법은 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 단계; 상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 단계; 및 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 단계를 포함할 수 있다.

본 개시의 또 다른 일 실시예에 따라, 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 서버가 개시된다. 상기 서버는 하나 이상의 프로세서; 네트워크부; 및 상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는, 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하고; 상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하고, 그리고 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득할 수 있다.

본 개시는 인공 신경망을 이용하여 의료 데이터를 분석하기 위한 컴퓨팅 장치를 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예에 따라 의료 데이터를 분석하기 위한 서버의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예에 따라 하나 이상의 환자들에 대한 의료 데이터를 분석하는 동작을 수행하는 예시적인 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예에 따라 전처리를 위해 식별된 의료 데이터를 단말기에 표시하는 것에 대한 예시적인 도면이다.
도 4는 본 개시의 일 실시예에 따라 전처리 된 의료 데이터를 분석하는 과정에 대해 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따라 획득된 예측 결과 정보의 예시를 도시한 예시도이다.
도 6은 본 개시의 일 실시예에 따라 획득된 결과 해석 정보의 시각화 데이터의 예시를 도시한 예시도이다.
도 7은 본 개시의 일 실시예에 따라 입력된 의료 데이터를 분석하는 인공 신경망에 대해 예시적으로 나타낸 개략도이다.
도 8은 본 개시의 일 실시예에 따라 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 순서도이다.
도 9는 본 개시의 일 실시예에 따라 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 모듈을 도시한 블록 구성도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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

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

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

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

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

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

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

도 1은 본 개시의 일 실시예에 따라 의료 데이터를 분석하기 위한 서버의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.

본 개시의 일 실시예에 따른 시스템은 의료 데이터 분석 서버(100), 단말기(200) 및 네트워크를 포함할 수 있다. 본 개시의 실시예들에 따른 의료 데이터 분석 서버(100) 및 단말기(200)는 네트워크를 통해 데이터 및 정보를 상호 송수신할 수 있다.

본 개시의 일 실시예에 따르면, 의료 데이터 분석 서버(100)는 임의의 정보/데이터를 데이터베이스 또는 컴퓨터 판독가능 매체 등에 저장할 수 있다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체에 및 컴퓨터 판독가능 통신 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 컴퓨터 시스템에 의해서 판독될 수 있도록 프로그램 및 데이터가 저장되는 모든 종류의 저장 매체를 포함할 수 있다. 본 개시의 일 양상에 따르면, 이러한 컴퓨터 판독가능 저장 매체에는 ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터 판독가능 통신 매체는, 또한 캐리어 웨이브(예컨대, 인터넷을 통한 전송)의 형태로 구현되는 것 또한 포함할 수 있다. 추가적으로, 이러한 매체는 네트워크로 연결된 시스템에 분산되어, 분산 방식으로 컴퓨터가 판독가능한 코드들 및/또는 명령들을 저장할 수도 있다. 본 개시의 의료 데이터 분석 서버(100)의 구체적인 구성 및 각 구성에 대한 기술적 특징들은 하기의 도 2를 참조하여 자세히 후술하도록 한다.

본 개시의 일 실시예에 따르면, 단말기(200)는, 사용자가 서비스를 이용하도록 하는 적어도 하나의 단말일 수 있다. 또한, 단말기(200)는 의료 데이터 분석 서버(100)로 전송하기 위한 하나 이상의 환자들에 대한 의료 데이터를 디스플레이 하거나, 의료 데이터 분석 서버(100)로부터 수신한 분석 정보들(예컨대, 예측 결과 정보 및 결과 해석 정보 등)을 디스플레이 할 수 있다. 단말기(200)가 디스플레이 하는 데이터 및 정보에 관해서는 도 3, 도 5 내지 7을 통해 이후에 자세히 설명한다.

단말기(200)는 의료 데이터 분석 서버(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 단말기(200)는 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 단말기(200)는 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 단말기(200)는 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.

본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN:Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN:Personal Area Network), 근거리 통신망(WAN:Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW:World Wide Web)일 수 있으며, 적외선(IrDA:Infrared Data Assoication) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 의료 데이터는 의료 분야에 있어서 적어도 하나의 질병과 관련된 변수를 포함하는 정량적 데이터일 수 있다. 예를 들어, 의료 데이터는 유전체 데이터, 보건의료 공공데이터 및 병원의 임상데이터(EMR, 설문조사 등) 중 적어도 하나일 수 있다. 예를 들어, 의료기관의 임상자료는 특정 질병정보 및 환자별 특성에 대한 데이터일 수 있고, 보건의료분야 공공자료원은 건강보험공단 표본 코호트, 건강보험심사평가원 청구자료, 지역사회건강조사자료, 국민건강영양조사 자료, 의료패널 자료 등일 수 있다. 전술한 의료기관의 임상자료 및 보건의료분야 공공자료원은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

이후에 설명되는 본 개시의 하나 이상의 환자들에 대한 의료 데이터는 적어도 하나의 환자에 대하여 하나의 공통적인 질병과 관련된 변수들을 포함하는 유전체 데이터로 예시적으로 설명된다. 다만, 본 개시는 하나 이상의 환자들에 대한 의료 데이터가 유전체 데이터로 제한되지 않는다. 예를 들어, 하나 이상의 환자들에 대한 의료 데이터는 공통적인 하나의 질병과 관련된 변수를 하나 이상 포함하는 임상 시험 데이터일 수도 있다.

또한, 이후에 설명되는 본 개시의 하나 이상의 환자들에 대한 의료 데이터 분석 방법은 빅데이터 분석 플랫폼에서 활용될 수도 있다. 구체적으로, 단말기(200)로부터 수신한 의료 데이터가 빅데이터일 수 있다. 이에 따라, 빅데이터 분석 플랫폼을 통해 빅데이터를 저장할 수 있으면서 수신한 빅데이터 중에서 의미 있는 데이터를 검색하여 시각화하고 이를 바탕으로 예측 및 분석을 수행할 수 있다. 전술한 빅데이터 분석 플랫폼은 빅데이터 분석 기술을 적용 및 활용할 수 있는 인터넷 상의 전산 환경을 의미하며, 빅데이터 분석은 획득, 저장, 정제, 분석, 예측, 활용의 6 단계로 진행될 수 있다.

이와 같이 인터넷을 통해 서비스되는 본 개시의 빅데이터 분석 플랫폼은 별도의 설치가 필요 없으며, 연구 데이터 분석에 있어서 사용자의 접근이 용이하고 신뢰성이 높은 분석 환경을 제공할 수 있다.

도 2는 본 개시의 일 실시예에 따라 하나 이상의 환자들에 대한 의료 데이터를 분석하는 동작을 수행하는 예시적인 컴퓨팅 장치의 블록 구성도를 도시한다.

도 2에 도시된 의료 데이터 분석 서버(100)의 구성은 간략화 하여 나타낸 예시이다. 본 개시의 일 실시예에서 의료 데이터 분석 서버(100)는 컴퓨팅 장치의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 의료 데이터 분석 서버(100)를 구성할 수도 있다.

본 개시의 일 실시예에 따르면 의료 데이터 분석 서버(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

본 개시의 프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

이후에는 의료 데이터 분석을 위해 학습 의료 데이터들에 기초하여 예측 모델을 학습시키는 방법에 대해 설명한다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 예측 모델의 학습을 위해 단말기로부터 하나의 질병에 대한 하나 이상의 학습 의료 데이터들을 수신할 수 있다.

구체적으로, 프로세서(120)는 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위해 예측 모델의 학습을 위한 학습 의료 데이터를 단말기로부터 수신할 수 있다. 학습 의료 데이터는 예측 모델의 학습에 사용되는 의료 데이터이며, 전술한 의료 데이터의 예시들 중 적어도 하나일 수 있다.

또한, 프로세서(120)는 학습 의료 데이터들에 포함된 종속 변수 및 하나 이상의 독립 변수들을 식별할 수 있다. 구체적으로, 종속 변수는 질병의 발병 여부에 대한 변수이며, 독립 변수는 질병의 발병 원인에 대한 하나 이상의 변수들이다. 예를 들어, 종속 변수는 고혈압 여부일 수 있으며, 하나 이상의 독립 변수들은 고혈압의 원인과 관련된 변수로서, 성별, BMI, 키, 몸무게, 콜레스테롤, 운동 여부 및 흡연 여부 등일 수 있다. 전술한 종속 변수 및 하나 이상의 독립 변수들은 예시일 뿐, 본 개시의 학습 의료 데이터의 종속 변수 및 독립 변수들이 제한되어 해석되지 않아야 할 것이다.

또한, 프로세서(120)는 종속 변수에 대한 단말기의 입력 신호에 기초하여 학습 의료 데이터들 각각에 포함된 변수들에 대해 종속 변수 및 하나 이상의 독립 변수들을 결정할 수도 있다. 구체적으로, 프로세서(120)는 단말기로부터 학습 의료 데이터들을 수신하고, 추가적으로 예측 모델의 학습 목표로서 종속 변수에 대한 입력 신호를 수신할 수도 있다.

이에 따라, 프로세서(120)는 학습 의료 데이터들에 포함된 변수들 중 종속 변수에 대한 입력 신호에 기초하여 종속 변수를 결정하고, 나머지 변수들을 독립 변수로 결정할 수도 있다.

종속 변수에 대한 입력 신호는 학습 의료 데이터에 포함된 변수들 중 하나의 변수를 종속 변수로 결정하는 것에 대한 신호일 수 있다. 종속 변수에 대한 입력 신호에 대한 예를 들면, 고혈압 여부를 종속 변수로서 결정하는 것에 대한 입력 신호일 수 있다. 이에 따라, 학습 의료 데이터에 심근경색 질환 보유 여부 및 당뇨 질환 보유 여부 등과 같이 고혈압 외의 다른 질병의 발병 여부와 관련된 변수들을 포함하는 경우에도 종속 변수는 고혈압 여부와 관련된 변수로 결정될 수 있다.

전술한 종속 변수 결정에 대한 입력 신호 및 학습 의료 데이터의 변수들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 하나 이상의 학습 의료 데이터들에 기초하여 학습 데이터 세트를 생성할 수 있다. 구체적으로, 프로세서(120)는 하나 이상의 학습 의료 데이터들 각각에 공통되는 종속 변수가 식별되는 경우, 공통적인 종속 변수를 포함하는 하나 이상의 학습 의료 데이터들을 하나의 학습 데이터 세트로 생성할 수 있다. 즉, 프로세서(120)는 하나의 질병 보유 여부에 대한 예측이 가능하도록 예측 모델을 학습시키기 위해 학습 데이터 세트를 생성할 수 있다.

예를 들어, 프로세서(120)는 제 1 학습 의료 데이터, 제 2 학습 의료 데이터, 제 3 학습 의료 데이터 및 제 4 학습 의료 데이터를 수신할 수 있다. 프로세서(120)를 통해 제 1 학습 의료 데이터 및 제 2 학습 의료 데이터 각각에서 식별된 종속 변수는 공통적으로 고혈압 여부 관련 종속 변수일 수 있다. 또한, 프로세서(120)를 통해 제 3 학습 의료 데이터 및 제 4 학습 의료 데이터 각각에서 식별된 공통적인 종속 변수는 당뇨병 여부 관련 종속 변수일 수 있다. 이 경우, 프로세서(120)는 제 1 학습 의료 데이터 및 제 2 학습 의료 데이터를 제 1 학습 데이터 세트로 생성할 수 있다. 또한, 프로세서(120)는 제 3 학습 의료 데이터 및 제 4 학습 의료 데이터를 제 2 학습 데이터 세트로 생성할 수 있다.

즉, 프로세서(120)는 고혈압 여부에 대해 예측 모델을 학습시키기 위한 제 1 학습 데이터 세트를 생성하고, 당뇨병 여부에 대해 예측 모델을 학습시키기 위한 제 2 학습 데이터 세트를 생성할 수 있다.

전술한 학습 의료 데이터들 및 학습 데이터 세트에 대한 설명은 예시일 뿐, 전술한 예시들로 인해 본 개시가 제한되어 해석되지 않아야 할 것이다.

또한, 프로세서(120)는 학습 의료 데이터들에 대해 식별된 공통적인 종속 변수가 하나 이상인 경우, 학습 데이터 세트를 하나 이상 생성할 수도 있다. 이 경우, 학습 데이터 세트들은 서로 상이한 질병의 여부에 대해 예측 모델을 학습시키는 상이한 종속 변수에 대한 데이터 세트일 수 있다.

예를 들어, 제 1 학습 데이터 및 제 2 학습 데이터는 고혈압 여부 및 심근경색 질환 보유 여부 각각에 대한 종속 변수들을 공통적으로 포함할 수도 있다. 이 경우, 프로세서(120)는 고혈압 여부를 제 1 종속 변수로 결정하고 심근경색 질환 보유 여부 및 당뇨 질환 보유 여부를 포함하는 나머지 변수들은 제 1 독립 변수들로 결정할 수도 있다.

또한, 프로세서(120)는 심근경색 질환 보유 여부를 제 2 종속 변수로 결정하고 나머지 고혈압 여부 및 당뇨 질환 보유 여부를 포함하는 나머지 변수들을 제 2 독립 변수들로 결정할 수도 있다.

따라서, 단말기로부터 수신한 제 1 학습 의료 데이터 및 제 2 학습 데이터에 기초하여 고혈압 여부에 관한 제 1 종속 변수에 대한 제 1 학습 데이터 세트 및 심근경색 질환 보유 여부에 관한 제 2 학습 데이터 세트를 생성할 수도 있다.

전술한 종속 변수 및 학습 데이터는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 하나의 질병 보유 여부에 대해 예측 모델을 학습시키기 위해 학습 데이터 세트를 예측 모델에 입력할 수 있다. 구체적으로, 프로세서(120)는 학습 의료 데이터들에 포함된 독립 변수들과 종속 변수의 관계를 학습하도록 학습 데이터 세트를 예측 모델에 입력할 수 있다.

본 개시의 프로세서(120)는 단말기로부터 수신한 하나 이상의 학습 의료 데이터들에 기초하여 생성된 하나 이상의 학습 데이터 세트들을 생성할 수 있다. 하나 이상의 학습 데이터 세트들은 상이한 종속 변수에 대한 데이터 세트들 일 수 있다. 이에 따라, 프로세서(120)는 독립 변수들에 기초하여 발병되는 하나의 질병 보유 여부에 대해 예측 모델을 학습시키기 위해 생성된 학습 데이터 세트들 중 하나의 학습 데이터 세트를 식별하여 예측 모델에 입력할 수 있다. 또한, 프로세서(120)는 다른 독립 변수들에 기초하여 발병되는 다른 질병 보유 여부에 대해 예측 모델을 학습시키기 위해 다른 학습 데이터 세트를 예측 모델에 입력시킬 수도 있다.

이후에는 학습 의료 데이터들에 기초하여 학습된 예측 모델을 이용하여 의료 데이터를 분석하는 방법에 대해 설명한다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 의료 데이터를 전처리 할 수 있다. 구체적으로, 하나의 환자들에 대한 의료 데이터는 환자들 각각에 대한 의료 변수들을 포함하는 데이터일 수 있다. 의료 변수들은 의료 데이터에 포함된 변수로서, 예를 들어, 생활 습관(음주, 흡연), 가족력, 나이, 성별, 콜레스테롤 수치, 유전자 관련 변수 등 질병과 관련된 변수들일 수 있다. 전술한 의료 변수들은 예시일 뿐, 전술한 예시로 인해 본 개시의 의료 데이터에 포함된 의료 변수들에 대해 제한되어 해석되지 않아야 할 것이다.

또한, 프로세서(120)는 하나의 환자들에 대한 의료 데이터에 포함된 하나 이상의 의료 변수들을 식별할 수 있다. 구체적으로, 프로세서(120)는 하나의 환자들에 대한 의료 데이터에 포함된 하나 이상의 의료 변수들 및 변수 값들을 식별할 수 있다. 또한, 프로세서(120)는 식별된 의료 변수들 각각에 대한 변수 타입을 결정할 수 있다. 이에 따라, 프로세서(120)는 식별된 의료 변수들에 대한 정보로서, 식별된 의료 변수들 및 변수 타입, 각 의료 변수들에 대한 변수 값들을 포함하는 변수 식별 정보를 생성할 수도 있다. 프로세서(120)는 의료 데이터의 전처리에 앞서 사용자가 의료 데이터의 식별된 변수들에 대해 확인할 수 있도록 변수 식별 정보를 단말기(200)에 전송할 수도 있다.

구체적으로, 단말기(200)에 표시되는 변수 식별 정보(300)에 대해 도 3을 참고하여 설명하면 다음과 같다. 도 3은 본 개시의 일 실시예에 따라 전처리를 위해 식별된 의료 데이터를 단말기에 표시하는 것에 대한 예시적인 도면이다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 의료 데이터를 수신하고 의료 변수들(310)을 식별하고 식별된 의료 변수들 각각의 변수 타입(320)을 결정할 수 있다. 또한, 의료 변수들(310) 각각에 대한 변수 값들(311)을 식별할 수 있다. 이에 따라, 프로세서(120)는 식별된 의료 변수들(310), 의료 변수들(310) 각각에 대한 변수 값들(311) 및 변수 타입(320)을 포함하는 식별 정보(300)를 생성하고 단말기에 전송할 수 있다.

이에 따라, 도 3에 도시된 의료 변수들(310)의 변수 타입(320)은 예시적으로"num"으로 표시되고 있는데, 이는 숫자형 변수 타입임을 나타낸다. 변수 타입(320)은 도 3에 도시된 바와 달리, 의료 변수들(310)마다 상이한 타입으로 식별될 수도 있다. 또한, 도 3에 도시되고 있는 의료 변수들(310), 변수 타입(320) 및 변수 값들(311)은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 결정된 변수 타입에서 사전결정된 변수 타입으로 변환하여 의료 데이터에 포함된 의료 변수들을 전처리 할 수 있다. 구체적으로, 사전결정된 변수 타입은 단말기의 사용자 입력에 기초하여 결정될 수도 있다. 예를 들어, 사전결정된 변수 타입은 범주형 변수 타입일 수 있으나, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 전처리 된 의료 데이터를 예측 모델에 입력하여 하나 이상의 환자들에 대한 예측 결과 정보를 획득할 수 있다. 보다 구체적인 설명을 위해 도 4를 참고하여 설명하면 다음과 같다.

도 4는 본 개시의 일 실시예에 따라 전처리 된 의료 데이터(410)를 분석하는 과정에 대해 예시적으로 도시한 도면이다.

구체적으로, 프로세서(120)는 단말기(200)로부터 수신된 입력 신호에 기초하여 타깃 질병(420)을 결정할 수 있다. 타깃 질병(420)은 예를 들어, 고혈압, 당뇨 등 예측 모델을 통해 사용자가 질병 보유 여부에 대한 예측값을 산출하고자 하는 질병일 수 있다. 또한, 프로세서(120)는 전처리 된 의료 데이터(410)를 예측 모델(430)에 입력하는 경우, 타깃 질병(420)을 예측 모델에 입력할 수 있다.

이에 따라, 프로세서(120)는 예측 모델(430)을 이용하여 타깃 질병(420)과 관련된 예측 결과 정보(440)를 획득할 수 있다. 구체적으로, 프로세서(120)는 전술한 바와 같이 학습 데이터 세트로 학습된 인공 신경망인 예측 모델(430)을 이용하여 타깃 질병(420)과 관련된 예측 결과 정보(440)를 획득할 수 있다. 예측 결과 정보(440)는 환자들 각각에 대해 타깃 질병(420)을 보유하고 있을 확률인 예측값을 포함할 수 있다. 타깃 질병(420)을 보유하고 있을 확률이란 현재 환자들 각각에 대해 이미 타깃 질병이 발병되어 유병 상태일 확률을 의미한다.

본 개시의 다른 일 실시예에 따르면, 프로세서(120)는 단말기(200)의 입력 신호에 기초하여 다른 통계분석 방법을 이용하여 수신된 의료 데이터에 대한 예측 결과 정보를 생성할 수도 있다. 구체적으로, 다른 통계분석 방법은 '기술통계, 독립표본 T검정(independent t-test), 대응표본 T검정(Paired t-test), 카이제곱 검정(Chi-squre test), 피셔의 정확검정(Fisher's exact test), 피어슨의 상관분석(Pearson's correlation test), 스피어만의 상관분석(Spearman's correlation test), 크루스칼왈리스 검정(kruskal wallis test), 분산분석(Analysis of Variance, ANOVA), 로지스틱 회귀분석(Logistic Regression Analysis), 선형 회귀분석(Linear Regression Analysis) 등일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 결과 해석 모델에 예측 결과 정보를 입력하여 하나 이상의 환자들에 대한 결과 해석 정보를 획득할 수 있다.

구체적으로, 도 4를 참고하여 설명하면 프로세서(120)는 예측 모델(430)에서 획득한 예측 결과 정보(440)를 결과 해석 모델(450)에 입력하여 환자들 각각의 상태에 관련된 결과 해석 정보(460)를 획득할 수도 있다.

이에 따라, 결과 해석 정보(460)는 예측 결과 정보를 해석하여 환자의 유병 상태와 관련된 의료 변수들에 대한 정보일 수 있다. 구체적으로, 결과 해석 정보는 사전결정된 유병 기준값을 초과하는 예측값에 대응하는 의료 변수들의 영향도를 포함할 수 있다. 환자의 상태는 환자에 대응하는 예측값이 사전결정된 유병 기준값을 초과하는지 여부에 기초하여 유병 상태로 결정될 수 있다. 이에 따라, 결과 해석 모델을 통해 유병 상태의 환자들 각각에 대한 예측값에 대응하는 의료 변수들의 영향도를 포함하는 결과 해석 정보를 획득할 수 있다.

구체적으로, 유병 상태는 하나의 질병이 과거에 발병되고 현재 유지되고 있는 상태를 의미할 수 있다. 의료 변수들의 영향도는 유병 상태인 환자들의 질병을 지금까지 유지하고 있을 확률인 예측값과 관련된 의료 변수들 각각의 영향에 대한 수치화 한 것일 수 있다. 이에 따라, 의료 변수들의 영향도는 하나의 질병이 유지되고 있는 유병 상태에 대해 의료 변수들의 영향도를 의미할 수 있다. 즉, 영향도가 가장 높은 의료 변수는 하나의 질병의 예측값에 가장 큰 영향을 주는 변수로 볼 수 있다.

의료 변수들의 영향도는 다른 변수들과 서로 비교가 가능한 수치로 표현되며, 백분율 또는 소수로 표현될 수 있으나, 본 개시는 이에 제한되지 않는다. 예를 들어, 유병 상태의 제 1 환자의 예측값에 대해 당뇨 여부에 대한 제 1 의료 변수의 영향도가 0.8이고, 콜레스테롤 수치에 대한 제 2 의료 변수의 영향도가 0.3으로 표현될 수도 있다. 전술한 영향도는 예시 일뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 사전결정된 유병 기준값 미만인 예측값에 대응하는 발병 확률 및 발병 확률에 대응하는 의료 변수들의 영향도를 포함하는 발병 예상과 관련된 추가 결과 해석 정보를 획득할 수도 있다. 전술한 바와 같이, 본 개시의 예측값은 예측 결과 모델을 통해 산출된 이미 발병된 질병을 보유하고 있을 확률이며, 사전결정된 유병 기준값 미만인 경우에 환자의 상태는 발병 예상 상태로 결정될 수 있다.

발병 예상 상태의 환자에 대한 발병 확률은 발병 예상 상태의 환자에게 타깃 질병(420)의 발병이 예상되는 확률을 의미하며, 이미 발병된 질병을 보유하고 있을 확률인 예측값과 상이한 값일 수 있다. 또한, 발병 확률에 대응하는 의료 변수들의 영향도는 예측값에 대응하는 의료 변수들의 영향도와 상이할 수 있다.

따라서, 본 개시의 프로세서(120)는 사전결정된 유병 기준값 미만인 예측값에 대응하는 발병 확률을 결과 해석 모델을 이용하여 획득할 수 있고, 발병 확률에 대응하는 의료 변수들의 영향도 및 발병 확률을 포함하는 추가 결과 해석 정보를 결과 해석 모델을 이용하여 획득할 수도 있다.

이와 같이, 본 개시의 결과 해석 정보는 유병 상태의 환자들에 대한 병리학적 정보로서 활용될 수 있으며, 추가 결과 해석 정보는 발병 예상 상태의 환자들에 대한 발병 예측 정보로서 활용될 수 있다. 이에 따라, 본 개시는 의료 데이터를 입력하여 현재 발병된 이후에 질병의 발병을 유지시키는데 있어서 영향을 미치는 의료 변수들뿐 아니라, 현재에는 발병되지 않았지만 이후 발병에 영향을 주는 의료 변수들에 대한 정보를 획득할 수 있다.

본 개시의 결과 해석 정보는 영향도에 기초하여 의료 변수들을 나타내는 시각화 데이터를 포함할 수 있다. 구체적으로, 시각화 데이터는 하나 이상의 환자들에 대한 의료 변수들의 영향도에 기초하여 가장 높은 영향도 순서대로 나열된 의료 변수들을 비교할 수 있도록 사전결정된 개수만큼 시각적으로 표시하는 데이터일 수 있다.

시각화 데이터에 대한 예를 들면, 가장 높은 영향도 순서대로 BMI 수치 관련 제 1 의료 변수, 콜레스테롤 수치 관련 제 2 의료 변수 및 흡연 여부 관련 제 3 의료 변수 등으로 나열될 수 있다. 또한, 사전결정된 개수가 3개인 경우, 제 1 의료 변수, 제 2 의료 변수 및 제 3 의료 변수 순서로 각각의 영향도를 비교할 수 있는 막대 그래프일 수 있다. 전술한 시각화 데이터 및 그래프 종류는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 결과 해석 정보 및 예측 결과 정보를 단말기(200)로 전송할 수 있다. 구체적으로, 프로세서(120)는 단말기(200)에 획득된 결과 해석 정보 및 예측 결과 정보가 표시되도록 네트워크부(110)를 통해 결과 해석 정보(460) 및 예측 결과 정보(440) 중 적어도 하나를 전송하도록 결정할 수 있다.

구체적으로, 단말기(200)에 표시되는 결과 해석 정보 및 예측 결과 정보에 대한 구체적인 설명을 위해 도 5 내지 도 7을 참고하여 설명하는 다음과 같다.

도 5는 본 개시의 일 실시예에 따라 획득된 예측 결과 정보(440)의 예시를 도시한 예시도이다. 본 개시의 예측 결과 정보(440)는 환자들 각각에 대해 타깃 질병을 보유하고 있을 확률인 예측값(441)을 포함할 수 있고, 예측 모델(430)에 입력된 전처리 된 의료 데이터(410)의 의료 변수들(442)을 포함할 수도 있다.

이에 따라, 예측값(441) 및 의료 변수들(442)을 포함하는 예측 결과 정보(440)가 단말기(200)로 전송되는 경우, 단말기(200)에 도 5에 도시된 바와 같이 예측 결과 정보(440)가 표시될 수 있다.

도 5에 도시된 예측 결과 정보(440)는 하나의 예시이며, 본 개시의 예측 결과 정보가 도 5에 도시된 본 개시의 예측 결과 정보로 제한되어 해석되지 않아야 할 것이다.

도 6은 본 개시의 일 실시예에 따라 획득된 결과 해석 정보의 시각화 데이터의 예시를 도시한 예시도이다.

본 개시의 일 실시예에 따르면, 단말기(200)에 전송되어 표시되는 결과 해석 정보(460)는 도 6에 도시된 바와 같이 시각화 데이터(461)를 포함할 수 있다. 도 6에 도시된 시각화 데이터(461)는 의료 변수들의 영향도에 대한 막대 그래프이다.

도 6에 도시된 바와 같이, HE_sbp, HE_chol, HE_BMI 등으로 표시된 의료 변수들 각각의 영향도는 가장 높은 영향도 순서대로 위에서부터 아래로 나열되어 있으며, 영향도는 소수로 표시되고 있다.

시각화 데이터(461)를 포함하는 결과 해석 정보(460)가 단말기(200)로 전송되는 경우, 단말기(200)에 도 6과 같이 표시될 수 있다.

도 6에 도시된 결과 해석 정보의 시각화 데이터는 하나의 예시이며, 본 개시의 결과 해석 정보의 시각화 데이터가 도 6에 도시된 본 개시의 시각화 데이터로 제한되어 해석되지 않아야 할 것이다.

도 7은 의료 데이터를 분석하는 인공 신경망에 대해 예시적으로 나타낸 개략도로서, 결과 해석 정보(460)의 시각화 데이터일 수도 있다. 구체적으로, 도 7에 도시된 바와 같이 의료 데이터를 분석한 인공 신경망에 대해 시각적으로 표시한 예시적인 시각화 데이터로 생성될 수 있다. 이와 같이 인공 신경망에 대한 시각화 데이터를 포함하는 결과 해석 정보(460)가 단말기(200)에 전송되는 경우, 도 7에 도시된 바와 같이 신경망의 개략도가 단말기(200)에 표시될 수도 있다.

본 개시의 예측 모델 및 결과 해석 모델의 인공 신경망 및 노드들에 대한 설명은 이후 도 7에 대한 설명에서 자세히 설명한다.

도 7은 본 개시의 일 실시예에 따라 입력된 의료 데이터를 분석하는 인공 신경망에 대해 예시적으로 나타낸 개략도이다.

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

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

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

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

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

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 예를 들어, 도 7에 도시된 바와 같이 본 개시에서 최초 입력 노드는 학습 의료 데이터에서 식별된 독립 변수들 및 의료 데이터들의 의료 변수들과 관련된 노드들일 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 예를 들어, 도 7에 도시된 바와 같이 본 개시에서 최종 출력 노드는 학습 의료 데이터에서 식별된 종속 변수 및 타깃 질병과 관련된 노드일 수 있다.

또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 예를 들어, 본 개시의 학습 의료 데이터 각각에 대해 종속 변수와 관련된 질병이 라벨링 될 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다.

다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

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

도 8은 본 개시의 일 실시예에 따라 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 순서도이다.

본 개시의 일 실시예에 따라, 의료 데이터 분석 서버(100)는 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리(710) 할 수 있다.

본 개시의 일 실시예에 따라, 의료 데이터 분석 서버(100)는 전처리 된 의료 데이터를 예측 모델에 입력하여 하나 이상의 환자들에 대한 예측 결과 정보를 획득 (720)할 수 있다.

본 개시의 일 실시예에 따라, 의료 데이터 분석 서버(100)는 결과 해석 모델에 예측 결과 정보를 입력하여 하나 이상의 환자들에 대한 결과 해석 정보를 획득(730)할 수 있다.

전술한 도 8에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 9는 본 개시의 일 실시예에 따라 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따르면 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 방법을 제공하기 위한 컴퓨터 프로그램은 다음과 같은 모듈들에 의해 구현될 수 있다.

구체적으로, 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리하기 위한 모듈(810); 전처리 된 의료 데이터를 예측 모델에 입력하여 하나 이상의 환자들에 대한 예측 결과 정보를 획득하기 위한 모듈(820); 및 의료 데이터 분석 서버(100)는 결과 해석 모델에 예측 결과 정보를 입력하여 하나 이상의 환자들에 대한 결과 해석 정보를 획득하기 위한 모듈(830)을 포함할 수 있다.

대안적으로, 상기 예측 모델의 학습을 위해 상기 단말기로부터 하나의 질병에 대한 하나 이상의 학습 의료 데이터들을 수신하는 모듈; 상기 학습 의료 데이터들에 포함된 종속 변수 및 하나 이상의 독립 변수들을 식별하는 모듈; 상기 하나 이상의 학습 의료 데이터들에 기초하여 학습 데이터 세트를 생성하는 모듈; 및 상기 예측 모델을 학습시키기 위해 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 모듈을 더 포함할 수 있다.

대안적으로, 상기 예측 모델을 학습시키기 위해 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 모듈은, 상기 학습 의료 데이터들에 포함된 상기 독립 변수들과 상기 종속 변수의 관계를 학습하도록 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 모듈을 포함하고, 그리고 상기 종속 변수는 상기 질병의 발병 여부에 대한 변수이며, 상기 독립 변수는 상기 질병의 발병 원인에 대한 하나 이상의 변수들일 수 있다.

대안적으로, 상기 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 모듈은 상기 하나 이상의 환자들에 대한 의료 데이터에 포함된 하나 이상의 의료 변수들을 식별하는 모듈; 식별된 상기 의료 변수들 각각에 대한 변수 타입을 결정하는 모듈; 및 결정된 상기 변수 타입에서 사전결정된 변수 타입으로 변환하여 상기 의료 데이터에 포함된 상기 의료 변수들을 전처리 하는 모듈을 포함할 수 있다.

대안적으로, 상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 모듈은 상기 단말기로부터 수신된 입력 신호에 기초하여 타깃 질병을 결정하는 모듈; 상기 전처리 된 의료 데이터를 상기 예측 모델에 입력하는 경우, 상기 타깃 질병을 상기 예측 모델에 입력하는 모듈; 및 상기 예측 모델을 이용하여 상기 타깃 질병과 관련된 상기 예측 결과 정보를 획득하는 모듈을 더 포함할 수 있다.

대안적으로, 상기 예측 결과 정보는 상기 환자들 각각에 대해 상기 타깃 질병을 보유하고 있을 확률인 예측값을 포함하는,

대안적으로, 상기 결과 해석 정보는, 상기 예측 결과 정보를 해석하여 환자의 유병 상태와 관련된 의료 변수들에 대한 정보로서, 사전결정된 유병 기준값을 초과하는 예측값에 대응하는 의료 변수들의 영향도; 및 상기 영향도에 기초하여 상기 의료 변수들을 나타내는 시각화 데이터를 포함할 수 있다.

대안적으로, 상기 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 모듈은 상기 결과 해석 정보 및 상기 예측 결과 정보를 상기 단말기로 전송하는 모듈을 더 포함할 수 있다.

본 개시의 일 실시예에 따르면 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

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

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

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

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

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

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

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

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

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

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

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

Claims (10)

1. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 동작;
   상기 단말기로부터 수신된 입력 신호에 기초하여 타깃 질병을 결정하는 동작;
   상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 동작; 및
   결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 동작;
   을 포함하고,
   상기 의료 데이터는 유전자 관련 변수들을 포함하는 하나 이상의 의료 변수들을 포함하고,
   상기 예측 결과 정보는,
   상기 환자들 각각에 대해 상기 타깃 질병을 보유하고 있을 확률인 예측값-상기 예측값은 상기 환자들 각각에 대해 상기 타깃 질병이 발병되어 유병 상태일 확률임-을 포함하고,
   상기 유병 상태는 상기 타깃 질병이 과거에 발병되어 현재 유지되고 있는 상태이고, 그리고
   상기 결과 해석 정보는 상기 예측 결과 정보를 해석하여 상기 유병 상태와 관련된 상기 의료 변수들에 대한 정보인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 예측 모델의 학습을 위해 상기 단말기로부터 하나의 질병에 대한 하나 이상의 학습 의료 데이터들을 수신하는 동작;
   상기 학습 의료 데이터들에 포함된 종속 변수 및 하나 이상의 독립 변수들을 식별하는 동작;
   상기 하나 이상의 학습 의료 데이터들에 기초하여 학습 데이터 세트를 생성하는 동작; 및
   상기 예측 모델을 학습시키기 위해 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
3. 제 2 항에 있어서,
   상기 예측 모델을 학습시키기 위해 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 동작은,
   상기 학습 의료 데이터들에 포함된 상기 독립 변수들과 상기 종속 변수의 관계를 학습하도록 상기 학습 데이터 세트를 상기 예측 모델에 입력하는 동작;
   을 포함하고, 그리고
   상기 종속 변수는 상기 질병의 발병 여부에 대한 변수이며, 상기 독립 변수는 상기 질병의 발병 원인에 대한 하나 이상의 변수들인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 동작은,
   상기 하나 이상의 환자들에 대한 의료 데이터에 포함된 상기 하나 이상의 의료 변수들을 식별하는 동작;
   식별된 상기 의료 변수들 각각에 대한 변수 타입을 결정하는 동작; 및
   결정된 상기 변수 타입에서 사전결정된 변수 타입으로 변환하여 상기 의료 데이터에 포함된 상기 의료 변수들을 전처리 하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 1 항에 있어서,
   상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 동작은,
   상기 전처리 된 의료 데이터를 상기 예측 모델에 입력하는 경우, 상기 타깃 질병을 상기 예측 모델에 입력하는 동작; 및
   상기 예측 모델을 이용하여 상기 타깃 질병과 관련된 상기 예측 결과 정보를 획득하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 삭제
7. 제 1 항에 있어서,
   상기 결과 해석 정보는,
   사전결정된 유병 기준값을 초과하는 예측값에 대응하는 상기 의료 변수들의 영향도; 및
   상기 영향도에 기초하여 상기 의료 변수들을 나타내는 시각화 데이터;
   를 포함하는
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 동작은,
   상기 결과 해석 정보 및 상기 예측 결과 정보를 상기 단말기로 전송하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
9. 컴퓨팅 장치의 하나 이상의 프로세서에서 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 방법에 있어서,
   단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하는 단계;
   상기 단말기로부터 수신된 입력 신호에 기초하여 타깃 질병을 결정하는 단계;
   상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하는 단계; 및
   결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하는 단계;
   를 포함하고,
   상기 의료 데이터는 유전자 관련 변수들을 포함하는 하나 이상의 의료 변수들을 포함하고,
   상기 예측 결과 정보는,
   상기 환자들 각각에 대해 상기 타깃 질병을 보유하고 있을 확률인 예측값-상기 예측값은 상기 환자들 각각에 대해 상기 타깃 질병이 발병되어 유병 상태일 확률임-을 포함하고,
   상기 유병 상태는 상기 타깃 질병이 과거에 발병되어 현재 유지되고 있는 상태이고, 그리고
   상기 결과 해석 정보는 상기 예측 결과 정보를 해석하여 상기 유병 상태와 관련된 상기 의료 변수들에 대한 정보인,
   컴퓨팅 장치의 하나 이상의 프로세서에서 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 방법
   
10. 인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 서버로서,
    하나 이상의 프로세서;
    네트워크부; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    단말기로부터 하나 이상의 환자들에 대한 의료 데이터를 수신하고, 상기 의료 데이터를 전처리 하고,
    상기 단말기로부터 수신된 입력 신호에 기초하여 타깃 질병을 결정하고,
    상기 전처리 된 의료 데이터를 예측 모델에 입력하여 상기 하나 이상의 환자들에 대한 예측 결과 정보를 획득하고,
    결과 해석 모델에 상기 예측 결과 정보를 입력하여 상기 하나 이상의 환자들에 대한 결과 해석 정보를 획득하고, 그리고
    상기 의료 데이터는 유전자 관련 변수들을 포함하는 하나 이상의 의료 변수들을 포함하고,
    상기 예측 결과 정보는,
    상기 환자들 각각에 대해 상기 타깃 질병을 보유하고 있을 확률인 예측값-상기 예측값은 상기 환자들 각각에 대해 상기 타깃 질병이 발병되어 유병 상태일 확률임-을 포함하고,
    상기 유병 상태는 상기 타깃 질병이 과거에 발병되어 현재 유지되고 있는 상태이고, 그리고
    상기 결과 해석 정보는 상기 예측 결과 정보를 해석하여 상기 유병 상태와 관련된 상기 의료 변수들에 대한 정보인,
    인공 신경망을 이용하여 하나 이상의 환자들에 대한 의료 데이터를 분석하기 위한 서버.

Images