KR102274564B1 - 빅데이터분석기반 암진단장치 - Google Patents
빅데이터분석기반 암진단장치 Download PDFInfo
- Publication number
- KR102274564B1 KR102274564B1 KR1020180077334A KR20180077334A KR102274564B1 KR 102274564 B1 KR102274564 B1 KR 102274564B1 KR 1020180077334 A KR1020180077334 A KR 1020180077334A KR 20180077334 A KR20180077334 A KR 20180077334A KR 102274564 B1 KR102274564 B1 KR 102274564B1
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- cancer
- unit
- image
- machine learning
- Prior art date
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 136
- 201000011510 cancer Diseases 0.000 title claims abstract description 117
- 238000007405 data analysis Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 59
- 238000011282 treatment Methods 0.000 claims abstract description 59
- 230000002068 genetic effect Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000013170 computed tomography imaging Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 46
- 108090000623 proteins and genes Proteins 0.000 claims description 34
- 230000036210 malignancy Effects 0.000 claims description 24
- 239000000428 dust Substances 0.000 claims description 20
- 238000012552 review Methods 0.000 claims description 19
- 238000004454 trace mineral analysis Methods 0.000 claims description 16
- 230000003211 malignant effect Effects 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 13
- 206010064571 Gene mutation Diseases 0.000 claims description 9
- 229940079593 drug Drugs 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 description 13
- 230000035772 mutation Effects 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 7
- 238000013523 data management Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 231100000357 carcinogen Toxicity 0.000 description 3
- 239000003183 carcinogenic agent Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008265 DNA repair mechanism Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 230000036952 cancer formation Effects 0.000 description 2
- 230000000869 mutational effect Effects 0.000 description 2
- 239000002773 nucleotide Substances 0.000 description 2
- 125000003729 nucleotide group Chemical group 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000012636 positron electron tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure 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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치는 기존 암환자의 유전체를 추출하여 유전정보를 학습하는 유전정보학습부; 추적(follow-up)시점마다 촬영한 CT영상의 적어도 하나의 ROI(Region of Interest)의 변화를 추적하는 CT추적분석부;및 상기 학습한 유전정보 또는 상기 변화의 정도에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 CT영상 촬영 간격 또는 치료법을 제시하는 치료방법제안부;를 포함하는 것을 특징으로 한다.
Description
본 발명은 암진단장치에 관한 것으로, 보다 상세히 빅데이터분석기반 암진단장치에 관한 것이다.
암은 발암물질, 자외선, 흡연 혹은 미세먼지 등으로 인한 유전변이의 누적으로 유전체(genome)에 변화가 생기고, 정상적인 세포주기에서 벗어나 무한히 증식함으로써 발병한다. 어떤 유전변이가 암을 만드는지에 대한 연구가 다각도로 진행되고 있으며, 변이된 유전체 전체 서열을 분석함으로써 그 종합적인 발암 기전을 이해하는 기초자료로 사용할 수 있다.
또한, 암은 시간의 경과에 따라 발암물질이나 환경 요소로 인해 전이가 되거나 회복이 되는 등 다양하게 변화하므로 해당 부위의 CT영상을 추적하여 관찰하는 것이 중요하다. 특히, 암은 다양하기 때문에 다수의 사례를 확인하지 않고서는 그 의미가 크지 않다. 따라서 다수의 사례를 누적적으로 확인할 수 있는 CT영상이 필요하며, 이를 분석할 수 있는 영상처리 기술이 요구되고 있다.
본 발명의 바람직한 일 실시예에서는 암을 유발시키는 원인과 요인 등에 대하여 빅데이터를 분석함으로써, 환자 개개인의 유전적 요인, 이상부위의 CT변화, 미세먼지 등과 같은 환경요인들을 모두 분석하여 환자 개개인별로 맞춤형 치료를 제안하고자 한다.
본 발명의 또 다른 바람직한 일 실시예에서는 빅데이터를 활용하여 환자가 암에 걸리기 이전에도 환자가 암에 취약한 유전자를 보유하고 있거나, 환자의 치료 기록에 비추어 암에 걸리기 쉬운 상태인 경우, 그리고 환자가 거주하는 곳의 미세먼지 농도 등을 포함하는 환경데이터 등이 환자에게 암 질환을 유발시킬 가능성이 높은지 여부 등을 환자에게 사전에 안내하고 환자 개개인에 맞는 치료법을 제시하고자 한다.
본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치는 기존 암환자의 유전체를 추출하여 유전정보를 학습하는 유전정보학습부; 추적(follow-up)시점마다 촬영한 CT영상의 적어도 하나의 ROI(Region of Interest)의 변화를 추적하는 CT추적분석부;및 상기 학습한 유전정보 또는 상기 변화의 정도에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 CT영상 촬영 간격 또는 치료법을 제시하는 치료방법제안부;를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치는 기존 암환자의 유전정보의 일부 또는 전부를 추출하여 암유발유전자 변이정보를 학습하는 유전정보학습부; 적어도 하나 이상의 환자를 포함하는 환자리스트 내의 환자 각각에 대해 추적(follow-up)시점마다 촬영한 CT영상의 적어도 하나의 ROI(Region of Interest)의 변화를 추적하는 CT추적분석부; 상기 암유발유전자 변이정보를 기초로 상기 환자리스트 내의 환자 각각에 대한 유전자관련성을 계산하는 유전자관련성계산부;및 상기 CT추적분석부에서 추적한 ROI의변화 또는 상기 유전자관련성을 기초로 치료방법을 제안하는 치료방법제안부;를 포함하고, 상기 CT추적분석부는 기설정된 학습데이터 세트외에 상기 환자리스트 내의 환자에 대해 상기 추적시점마다 누적된 상기 관심CT영상을 추가로 학습하여 결절의 악성여부 또는 악성여부 확률을 기계학습하는 기계학습부;및 상기 추적시점마다 추출된 상기 관심CT영상마다 ROI 및 악성여부, 상기 악성여부의 확률 정보를 함께 제공하는 예측부;를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 일 실시예로서 빅데이터분석기반 암진단장치는 환자 개개인의 유전적 요인, 이상부위의 CT변화, 미세먼지 등과 같은 환경요인들을 모두 분석하여 환자 개개인별로 맞춤형 치료를 제안하는 효과가 있다.
본 발명의 바람직한 일 실시예로서 빅데이터분석기반 암진단장치는 빅데이터를 활용하여 환자가 암에 걸리기 이전에도 환자가 암에 취약한 유전자를 보유하고 있는 경우 사전에 정보를 제공할 수 있는 효과가 있다.
본 발명의 바람직한 일 실시예로서 빅데이터분석기반 암진단장치는 환자의 치료 기록에 비추어 암에 걸리기 쉬운 상태인 경우, 그리고 환자가 거주하는 곳의 미세먼지 농도 등을 포함하는 환경데이터 등이 환자에게 암 질환을 유발시킬 가능성이 높은지 여부 등을 환자에게 사전에 안내하고 환자 개개인에 맞는 치료법을 제시할 수 있는 효과가 있다.
도 1 은 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치의 내부 구성도를 도시하고, 도 2 는 빅데이터분석기반 암진단장치가 서버와 통신을 수행하는 시스템도를 도시한다.
도 3은 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치에서 영상데이터를 처리하는 영상데이터관리부(340)의 일 예를 도시한다.
도 4 는 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치의 CT추적부의 일 예를 도시한다.
도 5 는 본 발명의 바람직한 일 실시예로서, CT추적분석부에서 기계학습을 수행하는 일 예를 도시한다.
도 6 내지 7은 본 발명의 바람직한 일 실시예로서, 치료방법제안부에서 환자의 상태를 기초로 개별화된 치료방법을 제안하는 일 예를 도시한다.
도 3은 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치에서 영상데이터를 처리하는 영상데이터관리부(340)의 일 예를 도시한다.
도 4 는 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치의 CT추적부의 일 예를 도시한다.
도 5 는 본 발명의 바람직한 일 실시예로서, CT추적분석부에서 기계학습을 수행하는 일 예를 도시한다.
도 6 내지 7은 본 발명의 바람직한 일 실시예로서, 치료방법제안부에서 환자의 상태를 기초로 개별화된 치료방법을 제안하는 일 예를 도시한다.
이하에서는 도면을 참고하여 설명한다.
도 1 은 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치(100)의 내부 구성도를 도시하고, 도 2 는 빅데이터분석기반 암진단장치(200)가 서버(300)와 통신을 수행하는 시스템도를 도시한다.
도 1과 2를 참고하여, 빅데이터분석기반 암진단장치(100,200)를 설명한다.
본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치(100,200)는 영상을 분석할 수 있는 기능 내지 기계학습 수행이 가능한 메모리와 프로세서가 구비된 단말기를 포함하며, 유무선통신을 통해 외부 서버(300)와 통신을 수행할 수 있는 단말기를 더 포함한다. 단말기는 필요에 따라 어플리케이션을 다운로드하여 설치하고 업데이트를 수행할 수 있다. 단말기의 예로는 스마트폰, 스마트와치, 스마트TV, 핸드폰, 노트북, PC, 테블릿, 웨어러블장치, 핸드헬드장치 등을 모두 포함한다.
도 1 을 참고하면, 본 발명의 바람직한 빅데이터분석기반 암진단장치(100)는 유전자관련성계산부(110), CT추적부(120) 및 치료방법제안부(130)를 포함한다.
유전자관련성계산부(110)는 기존 암환자의 유전정보의 일부 또는 전부를 추출하여 학습된 암유발유전자 변이정보를 기초로 환자 각각의 유전자관련성을 계산한다.
CT추적분석부(120)는 추적(follow-up)시점마다 촬영한 CT영상에서 적어도 하나의 ROI(Region of Interest)의 변화를 추적한다. ROI는 결절, 종양, 정상조직의 변성, 변화 등을 포함한다.
CT추적분석부(120)는 환자 각각 내지 환자 집단에 대해 추적시점마다 촬영한 ROI의 변화를 추적할 수 있다. 미세먼지 등과 같이 환경데이터가 변화하는 경우 CT추적분석부(120) 환자 집단의 ROI 변화 추적등을 분석하여 환경데이터가 미치는 영향을 분석할 수 있다.
치료방법제안부(130)는 CT추적분석부(120)에서 추적한 ROI의 변화 또는 유전자관련성(110)을 기초로 환자마다 적합한 치료방법을 제안한다. 이에 대해서는 도 6 내지 7과 관련된 부분을 참고한다.
도 2 를 참고하면, 본 발명의 또 다른 바람직한 일 실시예로서 빅데이터분석기반 암진단장치(200)는 유전정보학습부(210), 유전자관련성계산부(220), CT추적부(230) 및 치료방법제안부(240)를 포함한다.
유전정보학습부(210)는 암과 관련한 유전정보가 저장된 데이터베이스와 유무선 통신이 가능하며 해당 데이터베이스를 학습하고, 기존 암환자의 유전정보의 일부 또는 전부를 추출하여 암유발유전자 변이정보를 학습한다.
유전정보학습부(210)는 로지스틱 회귀법, 서포트 벡터 머신 (SVM), 의사 결정 트리, 군집화, 분포추정, 클러스터링 및 기계학습 방식을 이용하여 암유발유전자 변이정보를 학습할 수 있다. 기계학습 방식은 데이터 분석 및 예측에 활용되는 DBN(Deep Belief Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등의 알고리즘을 포함하며, 이 외에도 다양한 기계학습 알고리즘을 포함할 수 있다.
유전정보학습부(210)는 암 환자들의 유전자 변이 특성 분석을 수행하고, 암의 종류, 유전자의 특성 또는 환자의 특성 등과 같은 기준에 따라 암유발유전자 변이정보를 학습할 수 있다. 일 예로, 유전정보학습부(210)는 유전적 변이 발생시 원상복구하는 기능, 예를 들어 DNA 수복기전, 과 관련된 유전자와 APOBEC 탈아민화효소와 유전자의 변이 등이 유전적 변이 특성을 만드는데 큰 영향을 미친다는 것 등을 기계학습 과정을 통해 학습할 수 있다.
본 발명의 바람직한 일 실시예로서, 유전정보학습부(210)는 전장 유전체 분석, 전장 액솜 분석, 유전자 패널 분석, 단일 염기 다형성 분석 기법 등을 이용할 수 있다.
전장유전체 (whole genome)는 하나의 세포에 존재하는 DNA 전체를 의미하며, 한 개체의 DNA는 기본적으로 세포마다 모두 동일하다. 인간의 전장유전체는 약 30억개의 DNA 문자(nucleotide)로 이루어져 있으며, 발암물질, 자외선, 흡연, 미세먼지 등의 환경데이터 등으로 변이가 생길 수 있고, 이것이 누적되어 암이 발병한다.
본 발명의 바람직한 일 실시예에서는 전장 유전체 분석시 도 2 에 도시된 다양한 서버(300)에 누적된 데이터를 활용할 수 있다. 서버(300)는 건강보험 공단서버(302), 환자진료내역 서버(304), 기상청 서버(306), 국립 환경원 서버(308) 등을 포함한다.
본 발명의 바람직한 일 실시예로서, 유전정보학습부(210)는 또한 변이 패턴 (mutational signature) 정보를 이용할 수 있다. 변이패턴은 모든 유전변이는 그 원인에 따라 특별한 특징을 지닌다는 특성을 활용한다. 일 예로 흡연을 많이 한 경우 발견되는 특징이 있으며, 자외선에 많이 노출되었을 때 발견되는 특징이 있다. 모든 유전변이를 종합한 후, 기계학습 알고리즘 (NMF, Non-negative factorization)을 통해 그 특징을 추출한다.
본 발명의 바람직한 일 실시예로서, 유전정보학습부(210)는 또한 DNA를 구성하는 4개의 염기 (A, G, T, C)가운데 하나의 염기가 다른 염기로 치환되는 변이를 의미 치환 변이 (substitution mutation) 정보를 이용할 수 있다. 유전정보학습부(210)는 치환변이를 발생시키는 다양한 원인 중 암의 발병에 기여하는 변이를 학습할 수 있다.
본 발명의 바람직한 일 실시예로서, 유전정보학습부(210)는 또한 유전체의 특정 영역이 구조적으로 바뀌는 변이를 의미하는 구조 변이 (structural variation, genomic rearrangement) 정보를 학습하여 암에 영향을 미치는 유전정보를 학습할 수 있다.
유전정보학습부(210)는 유전체 자체에 대한 기계학습 외에 빅데이터가 유전체에 미치는 영향을 더 학습할 수 있다. 일 예로, 유전정보학습부(210)는 미세먼지에 취약한 유전자정보를 더 학습할 수 있으며, 이를 위해 기상청 서버(306)와 국립 환경원 서버(308)에서 제공하는 기상 데이터 내지 환경데이터를 기계학습하고, 기상 데이터 내지 환경데이터와 유전자 정보 간의 연관성을 학습할 수 있다.
유전정보학습부(210)는 또한 기상 데이터 내지 환경데이터와 환자진료내역 서버(304)의 환자진료데이터 간의 연관성과 기상 데이터 내지 환경데이터와 건강보험 공단서버(302)의 건강보험 데이터 간의 연관성을 학습할 수 있다.
일 실시예로서, 유전정보학습부(210)는 미세먼지 농도와 환자진료데이터 간의 연관관계, 미세먼지 농도와 건강보험 데이터 간의 연관관계를 분석하여, 미세먼지 농도에 영향을 받는 유전자 정보를 학습할 수 있다. 이 경우 환자에게서 암이 발생하기 전에 발생되는 사전 질환이나 질병들에 일정한 패턴을 검출할 수 있다. 또는 특정 유전체를 지닌 환자들에게서 암이 유발되기 이전에 빈번하게 발생하는 사전 질환이나 질병들을 확인할 수 있다.
본 발명의 바람직한 일 실시예로서, 유전자관련성계산부(220)는 유전정보학습부(210)에서 학습한 암유발유전자 변이정보를 기초로 상기 환자리스트 내의 환자 각각에 대한 유전자관련성을 계산할 수 있다.
본 발명의 바람직한 일 실시예로서, 유전자관련성계산부(220)는 환자들을 유전정보학습부(210)에서 학습한 데이터를 기준으로 환자가 보유한 유전자의 특성과 특정 암과의 연관성, 환자가 보유한 유전자와 미세먼지 등과 같은 특별한 환경상태가 조합될 때 발생할 수 있는 암과의 연관성, 환자가 보유한 유전자와 환자의 진료내역 또는 건강보험공단서버에서 획득한 환자의 복약 정보, 환자의 치료 정보 등을 종합하여 발생할 수 있는 암과의 연관성, 암생성 확률 등을 계산할 수 있다.
예를 들어, 유전정보학습부(210)에서 전장유전체 분석을 통해 유방암 발생과 관련된 주요 유전자 93개를 확인한 경우, 유전자관련성계산부(220)는 유방암 환자 개개인의 유전자와 유방암 발생과 관련된 주요 유전자 93개와의 연관성을 기설정된 기준에 따라 분류하거나 점수를 부여하여, 환자 각각에게 유전자관련성을 점수 등의 형태로 부여할 수 있다.
본 발명의 바람직한 일 실시예로서, CT추적분석부(230)는 적어도 하나 이상의 환자를 포함하는 환자리스트 내의 환자 각각에 대해 추적(follow-up)시점마다 촬영한 CT영상에서 적어도 하나의 ROI(Region of Interest)의 변화를 추적한다. 적어도 하나 이상의 환자를 포함하는 환자리스트의 일 예는 도 3의 일 예를 참고한다.
본 발명의 바람직한 일 실시예로서, CT추적분석부(230)는 단일 환자에 대해 추적시점마다 CT영상을 촬영하여 ROI의 변화를 추적하도록 구현이 가능하며, 또한 복수의 환자 내지 환자 그룹, 그리고 클러스터링된 환자 그룹에 대해서도 추적시점마다 CT영상을 촬영하여 ROI의 변화를 추적하도록 구현이 가능하다.
CT추적분석부(230)는 단일 환자만이 아니라 복수의 환자, 클러스터링된 환자 그룹에 대해서도 CT영상을 수집하고 분석함으로써, 대량의 CT영상 수집을 통해 기계학습의 정확도를 개선시킬 수 있다. 또한, 클러스터링 기준을 미세먼지 농도, 환자의 거주 지역, 환자가 복용한 특정 약물 등으로 부가하여 빅데이터로 활용이 가능한 이점이 있다.
본 발명의 바람직한 일 실시예로서, CT추적분석부(230)는 기계학습부(232), 예측부(234) 및 진단부(236)를 포함한다.
기계학습부(232)는 기설정된 학습데이터 세트를 학습하여 CT영상으로부터 암의 가능성, 결절 부위가 악성인지 양성인지 여부, 암의 형태, 암의 단계(stage) 등을 학습한다. 기계학습부는 데이터 분석 및 예측에 활용되는 DBN(Deep Belief Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등의 알고리즘을 이용하며, 이 외에도 다양한 기계학습 알고리즘을 포함할 수 있다. 본 발명의 바람직한 일 실시예로서, 기계학습부(232)에서 학습을 수행하는 일 예는 도 5를 참고한다.
기계학습부(232)는 또한 기설정된 학습데이터 세트 외에 CT를 촬영한 환자리스트 내의 환자에 대해 추적시점마다 누적된 관심CT영상을 추가로 학습하여 결절의 악성여부 및 악성여부의 확률 등을 더 학습할 수 있다.
본 발명의 또 다른 일 실시예로서, 기계학습부(232)는 건강보험공단 표본코호트 데이터베이스 또는 환자진료내역 데이터베이스를 이용하여 환자리스트 내의 환자마다 나이, 성별, 거주지역, 과거 진단내력, 과거 진료형태, 투약내력 중 적어도 하나를 추가로 학습하여 환자가 촬영한 CT영상 내의 결절의 악성여부 내지 악성여부의 확률을 학습한다.
도 4 를 참고하면, 예측부(234)는 관심CT영상(430)에 ROI 정보(431)를 표시하고, 해당 관심CT영상의 식별번호(430a)와 함께 관심CT영상(430)에 기계 학습한 결과를 적용하여 결절의 악성여부(430b), M, 결절의 악성여부 확률67.2%(430c) 정보를 제공할 수 있다.
예측부(234)는 임의의 환자를 2017년 11월 18일에 추적하여 촬영한 16개의 CT영상들(432) 중 5개(452)의 영상을 관심CT영상으로 추출할 수 있다. 관심CT영상의 추출 기준은 다양할 수 있으나 결절 또는 종양, 정상부위의 변형이 의심되는 부위가 촬영된 영상을 관심CT영상으로 추출할 수 있다.
진단부(236)는 진단인터페이스(도 4, 460)의 형태로 구현될 수 있으며, 환자의 추적시점마다 추출된 관심CT영상마다 결절의 악성도에 대한 의사의 진단검토결과를 입력하도록 구현된다.
도 4를 참고하면, 의사나 의료진은 예측부(234)를 통해 5개의 관심CT영상 리스트(456)에서 ROI 영역을 확인할 수 있고, 5개의 관심CT영상 각각에 기계 학습한 결과를 적용한 결절 또는 종양의 악성여부 및 결절 또는 종양의 악성여부의 판단의 정확성에 대한 확률 정보를 확인할 수 있다.
의사는 진단부(460, 462,464,466)를 통해 각각의 관심CT영상을 진단한 진단결과를 입력할 수 있다. 일 예로, 의사는 제 1 관심CT영상(430)인 13번 CT영상에 대해 기계학습을 적용한 결과, 67.2%(430c)로 M(악성)(430b)일 가능성이라고 예측한 결과를 확인할 수 있으며, 또한 스스로 제 1 관심CT영상(430)을 확인한 후, 자신의 진단결과 M(462)를 입력할 수 있다.
마찬가지로, 15번 관심CT영상(460)의 경우 기계학습을 적용한 결과, 72.8%로 M(악성)일 가능성이라고 예측되었으나, 이 경우 의사는 기계학습을 통해 예측한 예측값과는 상이한 진단 결과 N(Normal)을 입력할 수 있다.
이 경우, 기계학습부(232)는 예측부(234)에서 기계학습에 기초하여 예측한 악성여부와 진단부(460)를 통해 입력된 의사의 진단검토결과가 상이한 경우, 해당 CT영상(460)을 다시 학습하여 기계학습의 정확도를 개선할 수 있다.
도 2 로 돌아와서, 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치(200)는 치료방법제안부(240)를 더 포함한다.
본 발명의 바람직한 일 실시예로서, 치료방법제안부(240)는 유전정보학습부(210)에서 학습한 유전정보 또는 CT추적분석부(230)에서 추적한 ROI의 변화 정도에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 CT영상 촬영 간격 또는 치료법을 제시한다. 이 경우, 치료방법제안부(240)는 관련데이터분석부(300)에서 분석한 관련데이터를 더 참고할 수 있다. 관련데이터는 건강보험 공단서버(302), 환자진료내역 서버(304), 기상청 서버(306), 국립 환경원 서버(308) 등으로부터 획득하거나 획득하여 가공한 데이터를 포함한다.
본 발명의 또 다른 바람직한 일 실시예로서, 치료방법제안부(240)는 유전자관련성 계산부(220)에서 계산된 유전자관련성 또는 CT추적분석부(230)에서 추적한 ROI의 변화 정도에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 CT영상 촬영 간격 또는 치료법을 제시한다.
또한, 치료방법제안부(240)는 건강보험공단 표본코호트 데이터베이스 또는 환자진료내역 데이터베이스에서 파악한 환자 정보, 기상데이터 또는 대기환경데이터를 기초로 누적적으로 파악된 미세먼지 농도 정보, 유전자관련성계산부(220)에서 파악된 유전자관련성 또는 CT추적분석부(230)에서 추적한 변화의 정도 중 적어도 하나에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 상기 추적시점 또는 치료법을 제시할 수 있다.
본 발명의 또 바람직한 일 실시예로서, 치료방법제안부(240)는 기상청 서버(306) 등으로부터 미세먼지 농도의 급격한 상승 데이터를 수신한 경우, 미세먼지에 취약한 유전자정보를 지닌 환자에게 CT영상 촬영 간격을 변경시켜 안내하는 등의 치료법을 제안할 수 있다.
치료방법제안부(240)는 제 1 환자와 제 2 환자가 유사한 크기의 종양이 유사한 위치에 있고, 기계학습 결과 종양의 형태와 악성여부, 악성여부일 확률이 유사한 경우 관련데이터값에 따라 제 1 환자와 제 2 환자 각각에게 상이한 치료법을 제안할 수 있다. 일 예로, 제 1 환자는 미세먼지에 약한 유전자를 보유하고 있는 경우 CT촬영 기간을 더 짧게 설정할 수 있다. 또 다른 일 실시예로서, 제 1 환자와 제 2 환자가 증상은 비슷하나, 제 2 환자의 환자진료내역 및 건강보험 혜택을 받은 진료 내역들을 검토하여 제 2 환자가 복용하고 있는 약물과 제 2 환자가 진료받고 있는 다른 질병들을 추가로 반영하여 제 1 환자에게는 CT촬영을 제안하고, 제 2 환자에게는 바이옵시(biopsy)를 제안할 수 있다.
도 3은 본 발명의 바람직한 일 실시예로서, 빅데이터분석기반 암진단장치에서 영상데이터를 처리하는 영상데이터관리부(340)의 일 예를 도시한다.
본 발명의 바람직한 일 실시예에서, 영상데이터관리부(340)는 환자 개개인, 환자 그룹, 클러스터링된 환자 등의 영상데이터를 모두 관리할 수 있으며, 다수의 환자의 영상데이터를 누적, 학습할 수 있다. 영상데이터관리부(340)는 또한 다수의 환자 개개인의 상태를 기계학습을 기초로 예측한 결과(322)와 의사 또는 의료진의 진단의견(325)을 직관적으로 비교할 수 있도록 결과를 제공할 수 있다.
본 발명의 또 다른 바람직한 일 실시예에서, 영상데이터관리부(340)는 또한 의사 또는 의료진이 진단시 선입견을 제거하기 위해 기계학습을 기초로 예측한 결과(322)를 디스플레이에 선택적으로 표시가 되지 않도록 설정하는 변형도 가능함을 유의하여야 한다.
영상데이터관리부(340)는 암의 진단날짜(311), 환자이름(312), 환자식별번호(313), 환자생년월일(314), 환자성별(315), 환자의 질환에 대한 연구 날짜(321), 환자의 CT영상 내 결절의 악성여부에 대해 기계학습을 기초로 예측한 예측값(322), 환자의 CT영상 전체의 개수 대비 관심CT영상(323), 의사 또는 의료진이 CT영상에 대한 검토를 수행하였는지를 알리는 검토부(324) 및 의사 또는 의료진의 CT영상에 대한 검토 결과(325) 중 적어도 하나 이상을 포함한다.
환자의 CT영상 전체의 개수 대비 관심CT영상(323)는 예를 들어 Hong Gil Dong 환자가 2017년 10월 24일 63개의 CT영상을 촬영한 경우, 기계학습을 통해 ROI가 있는 6개의 관심CT영상을 추출할 수 있으며, 이 경우 6/63과 같이 표시될 수 있다. 의사 또는 의료진은 우선적으로 6개의 관심CT영상에 대해 진단을 내린 후, 필요에 따라 나머지 영상을 더 확인할 수 있다.
검토부(324)는 의사 또는 의료진이 직접 CT영상을 확인한 후 진단을 내렸는지 여부를 입력하는 인터페이스로, 다수의 환자의 영상을 진단해야 하는 경우 진단이 완료된 경우 'Done'(도 4, 420b 참고)을 입력하고, 진단이 완료되지 않은 경우 'To do'(도 4, 420a 참고)를 입력할 수 있다. 또는 'To do'를 디폴트값으로 설정한 후, 진단을 완료한 환자의 경우만 'Done'을 입력하도록 설정할 수 있다.
영상데이터관리부(340)는 각 환자가 추적시점마다 CT영상을 촬영한 후 촬영한 영상을 업로드하는 영상업로드부(330)를 더 포함하며, 영상업로드부(330)는 CT영상의 업로드 상태를 표시할 수 있다(330a). 예를 들어, Kyo Seok Song 환자가 2017년 11월 18일에 촬영한 CT영상이 60장인 경우, 영상업로드부(330)에서 60장 중 38장을 업로드하고 있음을 표시할 수 있으며, 업로드의 진행상황이 어느 정도인지 직관적으로 확인할 수 있도록 인터페이스(330a)를 제공할 수 있다.
도 4 는 본 발명의 바람직한 일 실시예로서, CT추적분석부(440)의 일 예를 도시한다.
CT추적분석부(440)는 도 4 에 도시된 일 실시예와 같이 디스플레이를 통해 환자정보(440), 기계학습에 기초한 예측결과(450, 452), CT영상(430), CT영상 중 ROI영역이 포함된 관심CT영상(452), 관심CT영상리스트 정보(456), 관심CT영상 각각에 대해 의사 또는 의료진의 진단결과를 입력받는 진단인터페이스부(460, 462, 464, 466)을 포함한다. 도 4에는 도시되어 있지 않으나, CT추적분석부(440)는 제 1 시점의 CT영상과 제 2 시점의 CT영상을 비교할 수 있도록 복수의 영상을 제공할 수 있다.
의사 또는 의료진은 진단인터페이스(460, 462, 464, 466)를 통해 관심CT영상 각각에 대해 진단 결과를 입력하고, 모든 관심CT영상에 대해 진단 결과를 입력한 후, 검토부(420b)를 통해 해당 환자의 CT영상 검토가 완료되었음을 표시한다. 의사 또는 의료진은 필요에 따라 해당 환자의 CT영상 검토가 완료되지 않은 경우 검토부(420a)를 통해 아직 검토가 더 필요함을 표시한다.
도 5 는 본 발명의 바람직한 일 실시예로서, CT추적분석부에서 기계학습을 수행하는 일 예를 도시한다. CT추적부에서는 CT영상을 기초로 암의 악성여부와 악성여부 가능성을 예측하고, 실제 결과와 비교를 수행한다. 기계학습을 수행한 것과 실제 결과가 맞는 경우에는 '1'(510)을 부여하고, 기계학습을 수행한 것과 실제 결과가 틀리는 경우에는 '0'(520)을 부여하여 학습을 수행할 수 있다.
도 6 내지 7은 본 발명의 바람직한 일 실시예로서, 치료방법제안부에서 치료방법을 제안하는 일 실시예를 도시한다.
본 발명의 바람직한 일 실시예로서, 치료방법제안부는 촬영한 CT 영상에서 검출된 결절의 크기를 기초로 1차 분류를 수행하고, 추적시점에 따라 ROI의 변화를 파악하여, 처음 결절이 촬영된 것인지, 이전과 비교하여 크기가 커졌는지 또는 새로운 결절이 생성되었는지를 판단한다.
본 발명의 바람직한 일 실시예로서, 치료방법제안부는 1차로 결절 또는 종양의 크기를 기준으로 분류를 한 후(610), 2차로 결절 또는 종양의 시간에 따른 변화량을 파악(620)할 수 있다. 그 후, 각각의 ROI 또는 복수의 ROI의 상태 및 상태변화, 환자 개개인의 유전정보 또는 유전자관련성, 그리고 관련데이터 중 적어도 하나 이상을 고려하여 각 환자의 상태를 1기, 2기, 3기, 4A기, 4B기 등으로 분류를 수행한다(630).
치료방법제안부는 분류된 각 환자의 상태에 따라 필요한 치료방법을 제시할 수 있다. 도 7을 참고하면, 1기인 경우 종양이 음성이고 이 경우 12개월마다 저용량 CT촬영을 제안할 수 있다(710). 2기이며 종양이 양성인 경우 12개월마다 저용량 CT촬영을 제안할 수 있다(720). 3기이며 종양이 양성인 경우 6개월마다 저용량 CT촬영을 제안할 수 있다(730). 4A기이며 종양이 악성인 경우 3개월마다 저용량 CT촬영을 하거나 또는 PET/CT를 제안할 수 있다(740). 그리고 4B기이며 종양이 악성인 경우 생체검사, 수술 또는 PET/CT를 제안할 수 있다(750). 도 7에 도시된 치료방법의 예는 일 실시예일뿐 이에 제한되는 것은 아니며 다양한 변형이 가능함을 유의하여야 한다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (12)
- 기존 암환자의 유전정보의 일부 또는 전부를 추출하여 암유발유전자 변이정보를 학습하는 유전정보학습부;
적어도 하나 이상의 환자를 포함하는 환자리스트 내의 환자 각각에 대해 추적(follow-up)시점마다 촬영한 CT영상의 적어도 하나의 ROI(Region of Interest)의 변화를 추적하는 CT추적분석부;
진단인터페이스를 통해 적어도 하나의 관심CT영상 각각을 진단한 진단검토결과를 입력받는 진단부;
상기 암유발유전자 변이정보를 기초로 상기 환자리스트 내의 환자 각각에 대한 유전자관련성을 계산하는 유전자관련성계산부;및
상기 CT추적분석부에서 추적한 ROI의변화 또는 상기 유전자관련성을 기초로 치료방법을 제안하는 치료방법제안부;를 포함하고,
상기 치료방법제안부는 제 1 환자와 제 2 환자가 유사한 크기의 종양이 유사한 위치에 있고, 기계학습 결과 종양의 형태와 악성여부, 악성여부일 확률이 유사한 경우 관련데이터값에 따라 상기 제 1 환자와 상기 제 2 환자 각각에게 상이한 치료법을 제안할 수 있으며, 상기 관련데이터값은 환자진료내역 및 건강보험 혜택을 받은 진료 내역 및 상기 유전자관련성을 포함하고,
상기 CT추적분석부는
기설정된 학습데이터 세트외에 상기 환자리스트 내의 환자에 대해 상기 관심CT영상을 추가로 학습하여 결절의 악성여부 또는 악성여부 확률을 기계학습하는 기계학습부;및
상기 관심CT영상마다 ROI 및 악성여부, 상기 악성여부의 확률 정보를 함께 제공하는 예측부;를 포함하고,
상기 기계학습부는 상기 예측부에서 예측한 악성여부의 확률정보와 상기 진단부에 입력된 상기 진단검토결과가 상이한 경우, 해당CT영상을 다시 학습하여 기계학습의 정확도를 개선하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 제 1 항에 있어서, 상기 유전정보학습부는
미세먼지에 취약한 유전자정보를 더 학습하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 제 2 항에 있어서, 상기 미세먼지에 취약한 유전자정보를 지닌 환자의 경우 환자의 암의 병기(stage)를 재분류하고, 재분류된 암의 병기에 따라 상기 추적시점 또는 치료법을 제시하는 치료방법제안부;를 더 포함하는 것을 특징으로 하는 빅데이터분석기반 암진단장치.
- 제 1 항에 있어서, 상기 치료방법제안부는
상기 유전자관련성 또는 상기 CT추적분석부에서 추적한 변화의 정도에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 CT영상 촬영 간격 또는 치료법을 제시하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 제 1 항에 있어서, 상기 기계학습부는
건강보험공단 표본코호트 데이터베이스 또는 환자진료내역 데이터베이스를 이용하여 상기 환자리스트 내의 환자마다 나이, 성별, 거주지역, 과거 진단내력, 과거 진료형태, 투약내력 중 적어도 하나를 추가로 학습하여 상기 악성여부 및 상기 악성여부의 확률을 기계학습하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 제 1 항에 있어서, 상기 치료방법제안부는
건강보험공단 표본코호트 데이터베이스 또는 환자진료내역 데이터베이스에서 파악한 환자 정보, 기상데이터 또는 대기환경데이터를 기초로 누적적으로 파악된 미세먼지 농도 정보, 상기 유전자관련성 또는 상기 CT추적분석부에서 추적한 변화의 정도 중 적어도 하나에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 상기 추적시점 또는 치료법을 제시하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 제 1 항에 있어서, 상기 CT추적분석부는
상기 추적시점마다 추출된 상기 관심CT영상마다 결절의 악성도에 대한 의사의 진단검토결과를 입력받는 진단인터페이스;를 더 포함하고, 상기 기계학습부는 상기 악성여부와 상기 진단인터페이스를 통해 입력된 의사의 진단검토결과가 상이한 경우에 해당하는 관심CT영상을 다시 학습하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 기존 암환자의 유전체를 추출하여 유전정보를 학습하는 유전정보학습부;
추적(follow-up)시점마다 촬영한 CT영상의 적어도 하나의 ROI(Region of Interest)의 변화를 추적하는 CT추적분석부;및
상기 학습한 유전정보 또는 상기 변화의 정도에 따라 환자의 암의 병기를 재분류하고, 재분류된 암의 병기에 따라 CT영상 촬영 간격 또는 치료법을 제시하는 치료방법제안부;를 포함하고,
상기 치료방법제안부는 제 1 환자와 제 2 환자가 유사한 크기의 종양이 유사한 위치에 있고, 기계학습 결과 종양의 형태와 악성여부, 악성여부일 확률이 유사한 경우 관련데이터값에 따라 상기 제 1 환자와 상기 제 2 환자 각각에게 상이한 치료법을 제안할 수 있으며, 상기 관련데이터값은 환자진료내역 및 건강보험 혜택을 받은 진료 내역 및 상기 학습한 유전정보를 포함하는 것을 특징으로 하는 빅데이터분석기반 암진단장치. - 제 8 항에 있어서, 상기 CT추적분석부는
상기 추적시점마다 촬영된 CT영상들 중 적어도 하나의 ROI가 포함된 관심CT영상을 기계학습을 통해 추출하고, 관심CT영상마다 기계학습에 기초한 결절의 악성도 예측값 및 결절의 악성도에 대한 의사의 진단검토결과를 입력받고,
모든 관심CT영상에 대해 의사의 진단검토결과를 모두 입력받은 이후 해당 환자의 CT영상에 대한 검토가 완료되었음을 검토부를 통해 표시하는 것을 특징으로 하는 빅데이터분석기반 암진단장치.
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180077334A KR102274564B1 (ko) | 2018-07-03 | 2018-07-03 | 빅데이터분석기반 암진단장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180077334A KR102274564B1 (ko) | 2018-07-03 | 2018-07-03 | 빅데이터분석기반 암진단장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200004204A KR20200004204A (ko) | 2020-01-13 |
KR102274564B1 true KR102274564B1 (ko) | 2021-07-07 |
Family
ID=69153367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180077334A KR102274564B1 (ko) | 2018-07-03 | 2018-07-03 | 빅데이터분석기반 암진단장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102274564B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023037413A1 (ja) * | 2021-09-07 | 2023-03-16 | オリンパス株式会社 | データ取得システムおよびデータ取得方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023549044A (ja) * | 2020-10-15 | 2023-11-22 | ビュノ インコーポレイテッド | 画像解析のためのユーザーインターフェース |
KR102296207B1 (ko) * | 2020-11-10 | 2021-09-02 | (주)제이엘케이 | 질병 통합 진단 시스템 및 동작 방법 |
KR20220074088A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 지씨지놈 | 인공지능 기반 암 진단 및 암 종 예측방법 |
KR20220160807A (ko) * | 2021-05-28 | 2022-12-06 | 주식회사 지씨지놈 | 세포유리 핵산과 이미지 분석기술 기반의 암 진단 및 암 종 예측 방법 |
KR102417602B1 (ko) * | 2021-11-30 | 2022-07-07 | (주)플라스바이오 | 인공 지능 모델 기반 종양 관리 장치 및 방법 |
CN118339575A (zh) * | 2022-11-11 | 2024-07-12 | 京东方科技集团股份有限公司 | 医疗数据处理、医疗数据分析方法、电子设备以及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222349A1 (en) | 2013-01-16 | 2014-08-07 | Assurerx Health, Inc. | System and Methods for Pharmacogenomic Classification |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
KR101818074B1 (ko) * | 2017-07-20 | 2018-01-12 | (주)제이엘케이인스펙션 | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 |
WO2018081354A1 (en) * | 2016-10-27 | 2018-05-03 | Progenics Pharmaceuticals, Inc. | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2954169A1 (en) * | 2014-07-14 | 2016-01-21 | Allegro Diagnostics Corp. | Methods for evaluating lung cancer status |
KR101860061B1 (ko) * | 2015-06-08 | 2018-05-23 | 한국과학기술원 | 심층 신경망 기반 질병 정보 예측 시스템 및 방법 |
KR101928094B1 (ko) | 2016-11-08 | 2018-12-12 | 한국과학기술원 | 유전체내 암 특이적 진단 마커 검출 |
-
2018
- 2018-07-03 KR KR1020180077334A patent/KR102274564B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222349A1 (en) | 2013-01-16 | 2014-08-07 | Assurerx Health, Inc. | System and Methods for Pharmacogenomic Classification |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
WO2018081354A1 (en) * | 2016-10-27 | 2018-05-03 | Progenics Pharmaceuticals, Inc. | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications |
KR101818074B1 (ko) * | 2017-07-20 | 2018-01-12 | (주)제이엘케이인스펙션 | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 |
Non-Patent Citations (1)
Title |
---|
안영인 기자. "굵은 미세먼지(PM2.5~10), 뇌염·뇌종양 유전자 발현 촉진한다". SBS 뉴스, [online], [2020년 4월 1일 검색], 인터넷:<URL:https://news.sbs.co.kr/news/endPage.do?news_id=N1004753130&plink=ORI&cooper=NAVER>(2018.05.13.) 1부.* |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023037413A1 (ja) * | 2021-09-07 | 2023-03-16 | オリンパス株式会社 | データ取得システムおよびデータ取得方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20200004204A (ko) | 2020-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102274564B1 (ko) | 빅데이터분석기반 암진단장치 | |
US11669792B2 (en) | Medical scan triaging system and methods for use therewith | |
US11631175B2 (en) | AI-based heat map generating system and methods for use therewith | |
Silva et al. | Hybrid analysis for indicating patients with breast cancer using temperature time series | |
US20220037019A1 (en) | Medical scan artifact detection system and methods for use therewith | |
Shandilya et al. | Survey on recent cancer classification systems for cancer diagnosis | |
US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
Chennupati | Artificial intelligence and machine learning for early cancer prediction and response | |
Barakat et al. | A machine learning approach on chest X-rays for pediatric pneumonia detection | |
Karanam et al. | A statistical model approach based on the Gaussian Mixture Model for the diagnosis and classification of bone fractures | |
Seetha et al. | The Smart Detection and Analysis on Skin Tumor Disease Using Bio Imaging Deep Learning Algorithm | |
Abreu et al. | Personalizing breast cancer patients with heterogeneous data | |
Yang et al. | Intelligent lung cancer MRI prediction analysis based on cluster prominence and posterior probabilities utilizing intelligent Bayesian methods on extracted gray-level co-occurrence (GLCM) features | |
WO2022036351A1 (en) | Automatic medical scan triaging system and methods for use therewith | |
Bahadure et al. | Rare Diseases Severity Prediction System Using a Machine Learning-Based Technique | |
Khawar et al. | Comparative study of machine learning algorithms in breast cancer prognosis and prediction | |
US20230282353A1 (en) | Multitier classification scheme for comprehensive determination of cancer presence and type based on analysis of genetic information and systems for implementing the same | |
US20240105345A1 (en) | Automatic ranking and rank order disply of medical information, and associated devices, systems, and methods | |
US20230335279A1 (en) | Approaches to reducing dimensionality of genetic information used for machine learning and systems for implementing the same | |
Bakr et al. | Hybrid Machine Learning Classification for Tipple Negative Breast Cancer | |
hoon Kim | Leveraging the Application of IoT based Deep Learning Prediction Model in Smart Healthcare | |
Pangudwale et al. | Predicting Coronary Artery Disease Risk with Met heuristic-Enhanced Machine Learning Models | |
Singh et al. | Enhance a System for Predicting Skin Lesion Using Hybrid Feature Selection Technique | |
Natarajan et al. | A novel method for bioinformatics analysis in gene expression profiling framework for personalized healthcare applications | |
Sujarani et al. | Utilising deep convolutional neural networks and hybrid clustering techniques for predicting cancer blood disorders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |