KR102278537B1 - 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치 - Google Patents
인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치 Download PDFInfo
- Publication number
- KR102278537B1 KR102278537B1 KR1020190071104A KR20190071104A KR102278537B1 KR 102278537 B1 KR102278537 B1 KR 102278537B1 KR 1020190071104 A KR1020190071104 A KR 1020190071104A KR 20190071104 A KR20190071104 A KR 20190071104A KR 102278537 B1 KR102278537 B1 KR 102278537B1
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- information
- drug
- data
- pain
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
일 개시에 의하여 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법을 제공하며, 본 방법은 질병을 치유하기 위하여 제조된 약물을 투약받은 환자들의 진료 데이터를 주기적으로 획득하는 단계, 진료 데이터 중 약물 투약 후 질병이 치유된 환자들의 진료데이터를 제 1 카테고리로 분류하는 단계, 제 1 카테고리에 포함된 환자들 중 공통적으로 발현되는 유전자들을 포함하는 환자들의 진료 데이터를 제 2 카테고리로 분류하는 단계, 질병에 의한 유전자 발현 분포 및 약물의 작용으로 인한 유전자 발현 분포의 연관성을 학습한 제 1 인공지능 학습 모델을 이용하여, 제 2 카테고리에 포함된 환자들의 유전자로부터 타겟 유전자를 도출하는 단계, 타겟 유전자를 이용하여 제 2 카테고리에 포함된 환자들의 유전자로부터 발병할 수 있는 적어도 하나의 다른 질병을 결정하는 단계, 질병에 따른 제 2 카테고리에 포함된 환자들의 유전자의 발현 상태 및 복수의 질병의 치유와의 연관성을 학습한 제 2 인공지능 학습모델을 이용하여 적어도 하나의 다른 질병이 발병할 가능성을 판단하는 단계 및 적어도 하나의 다른 질병이 발생할 가능성에 대응하는 질병 예방법에 대한 정보를 제공하는 단계를 제공할 수 있다.
Description
일 개시에 의하여 본 발명은 인공지능을 이용하여 질병을 예측하고 예측된 질병을 기초로 맞춤형 의료 정보를 제공하는 방법 및특정 장치에 관한 것으로서, 보다 구체적으로 질병의 타겟 유전자를 이용하여 동일 유전체를 가진 환자군이 가진 질병을 분석하고 예측하는 방법 및 장치에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 및 디지털 기술의 발전으로 인하여 건강 관리 기술은 큰 변화를 겪고 있으며, 새로운 데이터를 생성, 수집 및 추적함으로써 새로운 데이터를 효과적으로 관리하는 것은 중요한 일이 되었다. 특히, 의료 기술 분야의 경우 개인의 건강 뿐 아니라 다양한 산업적 확장성과 보건 복지 관리에 있어서 중요성이 높아지고 있는 바, 의료 데이터를 관리하고 그에 따라 적절한 의료 진단을 도출해낼 수 있는 디지털 의료 기술에 대한 관심이 증가하고 있다.
대부분의 인체 대사 물질은 대사 효소를 포함하는 생체 내 표적(innate target) 들과 상호 작용하고 있으며, 새로운 질병 연관 표적-약물 관계가 약물의 생체 내 표적 연관 대사 물질 유사도로부터 직접 추론될 수 있음에도 불구하고, 이 특성을 이용한 신규 약물 예측 방법론은 제안되지 않은 실정이다.
이처럼, 기존에도 여러 약물 재창출 방법론이 있었지만, 이미 개발된 방법론들에서는 질병 연관 표적 단백질과 상호 작용하는 기존의 약물 정보가 없는 경우에는 약물 재창출이 어렵다는 한계를 가지고 있다.
본 발명의 기술적 과제는 특정 약물을 투약한 환자의 질병 치유 과정을 모니터링하고, 유전자 발현 상태를 분석하여 환자에게 발생할 수 있는 질병을 예측하고, 맞춤형 의료 정보를 제공하는 장치 및 방법을 제공한다.
제 1 실시예에 의하여, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법을 제공하며, 본 방법은 질병을 치유하기 위하여 제조된 약물을 투약받은 환자들의 진료 데이터를 주기적으로 획득하는 단계, 진료 데이터 중 약물 투약 후 질병이 치유된 환자들의 진료데이터를 제 1 카테고리로 분류하는 단계, 제 1 카테고리에 포함된 환자들 중 공통적으로 발현되는 유전자들을 포함하는 환자들의 진료 데이터를 제 2 카테고리로 분류하는 단계, 질병에 의한 유전자 발현 분포 및 약물의 작용으로 인한 유전자 발현 분포의 연관성을 학습한 제 1 인공지능 학습 모델을 이용하여, 제 2 카테고리에 포함된 환자들의 유전자로부터 타겟 유전자를 도출하는 단계, 타겟 유전자를 이용하여 제 2 카테고리에 포함된 환자들의 유전자로부터 발병할 수 있는 적어도 하나의 다른 질병을 결정하는 단계, 질병에 따른 제 2 카테고리에 포함된 환자들의 유전자의 발현 상태 및 복수의 질병의 치유와의 연관성을 학습한 제 2 인공지능 학습모델을 이용하여 적어도 하나의 다른 질병이 발병할 가능성을 판단하는 단계 및 적어도 하나의 다른 질병이 발생할 가능성에 대응하는 질병 예방법에 대한 정보를 제공하는 단계를 제공할 수 있다.
제 2 실시예에 의하여, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 장치를 제공하며, 본 장치는 프로세서 및 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 프로세서는 명령어들을 실행함으로써, 질병을 치유하기 위하여 제조된 약물을 투약받은 환자들의 진료 데이터를 주기적으로 획득하고, 진료 데이터 중 약물 투약 후 질병이 치유된 환자들의 진료데이터를 제 1 카테고리로 분류하고, 제 1 카테고리에 포함된 환자들 중 공통적으로 발현되는 유전자들을 포함하는 환자들의 진료 데이터를 제 2 카테고리로 분류하고, 질병에 의한 유전자 발현 분포 및 약물의 작용으로 인한 유전자 발현 분포의 연관성을 학습한 제 1 인공지능 학습 모델을 이용하여, 제 2 카테고리에 포함된 환자들의 유전자로부터 타겟 유전자를 도출하고, 타겟 유전자를 이용하여 제 2 카테고리에 포함된 환자들의 유전자로부터 발병할 수 있는 적어도 하나의 다른 질병을 결정하고, 질병에 따른 제 2 카테고리에 포함된 환자들의 유전자의 발현 상태 및 복수의 질병의 치유와의 연관성을 학습한 제 2 인공지능 학습모델을 이용하여 적어도 하나의 다른 질병이 발병할 가능성을 판단하고, 적어도 하나의 다른 질병이 발생할 가능성에 대응하는 질병 예방법에 대한 정보를 제공할 수 있다.
제 3 실시예에 의하여, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 비일시적 기록 매체를 제공할 수 있다.
일 개시에 의하여, 동일 약물을 사용한 동일 질환의 환자들의 질병 치유 여부를 추적함으로써, 동일 유전체를 가진 환자군에게 발병할 수 있는 다른 질병을 예측하고, 다른 질병을 대처할 수 있는 예방법에 대한 정보를 제공할 수 있다.
일 개시에 의하여 동일 유전체를 가진 환자군의 질병 데이터를 이용하여 반복학습을 수행하여 생성된 인공지능 모델을 이용하여 특정환자에게 발생가능한 질병을 예측함으로써, 질병 정보에 대한 정보 및 주기적인 예측 결과를 제공할 수 있다.
도 1은 일 개시에 의하여 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법의 흐름을 설명하기 위한 도면이다.
도 2는 일 개시에 의하여 제 1 인공지능 학습 모델을 생성하는 특징을 설명하기 위한 도면이다.
도 3은 일 개시에 의한 제 2 인공지능 학습 모델을 생성하는 특징을 설명하기 위한 도면이다.
도 4는 일 개시에 의한 약물이 유전자에 작용하기까지의 경로를 설명하기 위한 도면이다.
도 5는 일 개시에 의한 환자의 단말로 의료 정보를 제공하는 화면을 예시적으로 설명하기 위한 도면이다.
도 6은 일 개시에 의한 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 장치의 구성을 설명하기 위한 도면이다.
도 7은 일 개시에 의한 데이터학습을 통해 인공지능 학습 모델을 생성하는 프로세서의 구성을 설명하는 도면이다.
도 2는 일 개시에 의하여 제 1 인공지능 학습 모델을 생성하는 특징을 설명하기 위한 도면이다.
도 3은 일 개시에 의한 제 2 인공지능 학습 모델을 생성하는 특징을 설명하기 위한 도면이다.
도 4는 일 개시에 의한 약물이 유전자에 작용하기까지의 경로를 설명하기 위한 도면이다.
도 5는 일 개시에 의한 환자의 단말로 의료 정보를 제공하는 화면을 예시적으로 설명하기 위한 도면이다.
도 6은 일 개시에 의한 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 장치의 구성을 설명하기 위한 도면이다.
도 7은 일 개시에 의한 데이터학습을 통해 인공지능 학습 모델을 생성하는 프로세서의 구성을 설명하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 이하에서 개시되는 실시 예에 한정되지 않는다. 또한 도면에서 본 발명을 명확하게 개시하기 위해서 본 발명과 관계없는 부분은 생략하였으며, 도면에서 동일하거나 유사한 부호들은 동일하거나 유사한 구성요소들을 나타낸다.
본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다.
본 발명의 목적, 특징 및 장점은 다음의 상세한 설명을 통하여 보다 분명해 질 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세히 설명하기로 한다.
이하에서, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 장치(100)는 맞춤형 의료 정보 제공 장치(100)로 축약하여 쓰도록 한다.
일 개시에 의하여 본원발명에서 설명하는 병은 예를 들어, 암, 신생물, 종양, 및/또는 그 내의 전이 형태, 대사 장애, 염증 질환, 또는 감염 질환이다. 일부 실시형태에서, 암, 신생물, 종양, 또는 그 내의 전이성 형태는, 예를 들어, 백혈병, 림프종, 전립선암, 폐암, 유방암, 간암, 직장결장암, 또는 신장암이다. 그 외의 인체에서 발병하는 모든 질환을 포함할 수 있다.
일 개시에 의하여 약물은 환자에게 발병한 을 치유하기 적합한 성분으로 배합된 약물이며, 질병의 타겟 유전자에 효과적으로 작용한다.
도 1은 일 개시에 의하여 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법의 흐름을 설명하기 위한 도면이다.
일 개시에 의하여 블록 101에서 맞춤형 의료 정보를 제공하는 장치(100)는 질병을 치유하기 위하여 제조된 약물을 투약받은 환자들의 진료 데이터를 주기적으로 획득할 수 있다.
일 개시에 의하여 블록 102에서 맞춤형 의료 정보를 제공하는 장치(100)는 진료 데이터 중 약물 투약 후 질병이 치유된 환자들의 진료데이터를 제 1 카테고리로 분류할 수 있다.
일 개시에 의하여 제 1 카테고리에 포함된 환자들은 소정의 성분으로 제조된 약물을 투약함으로써 질병이 치유된 환자들을 의미한다. 여기서 제 1 카테고리에 포함된 환자들이 동일한 복용밥법에 의하여 약물을 투여받은 것은 아닐 수 있으며, 각각의 환자 상태에 따라 서로 다른 복용방법으로 각각의 약물을 투여받았을 수 있다. 제 1 카테고리에 포함된 환자들은 약물로 인하여 질병이 치유된 것으로서, 약물이 제 1 카테고리에 포함된 환자들의 특정 유전자에 효과적으로 작용하였음을 나타낸다.
일 개시에 의하여 블록 103에서 맞춤형 의료 정보를 제공하는 장치(100)는 제 1 카테고리에 포함된 환자들 중 공통적으로 발현되는 유전자들을 포함하는 환자들의 진료 데이터를 제 2 카테고리로 분류할 수 있다.
일 개시에 의하여 제 2 카테고리에 포함된 환자들은 질병 외의 다른 질병을 포함할 수 있으며, 카테고리에 포함된 환자들은 적어도 일부가 동일한 유전자 정보를 포함할 수 있다.
일 개시에 의하여 블록 104에서 맞춤형 의료 정보를 제공하는 장치(100)는 질병에 의한 유전자 발현 분포 및 약물의 작용으로 인한 유전자 발현 분포의 연관성을 학습한 제 1 인공지능 학습 모델을 이용하여, 제 2 카테고리에 포함된 환자들의 유전자로부터 타겟 유전자를 도출할 수 있다.
일 개시에 의하여 제 1 인공지능 학습 모델은, 질병의 타겟 유전자를 도출하기 위하여 학습된 것으로서, 질병의 발병으로 인한 유전자의 발현 상태 변화, 세포 기능, 약물로 인한 유전자의 발현 상태 변화 및 약물로 인한 다른 유전자의 발현 상태 변화의 관계성을 학습(unsupervised learning)한 결과에 기초하여 획득된 것을 특징으로 한다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 타겟 유전자를 도출하기 위하여, 제 2 카테고리 환자들의 유전체의 단백질 상호간의 도메인 프로파일의 유사성을 분석하기 위하여 도메인의 희귀성에 가중치를 부여하여 가중치 상호 정보를 측정할 수 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 단백질 상호간의 도메인 프로파일의 유사성에 기초하여, 약물이 투입된 후 단백질 상호간의 작용 경로를 획득할 수 있다.
일 개시에 의하여 블록 105에서 맞춤형 의료 정보를 제공하는 장치(100)는 타겟 유전자를 이용하여 제 2 카테고리에 포함된 환자들의 유전자로부터 발병할 수 있는 적어도 하나의 다른 질병을 결정할 수 있다.
일 개시에 의하여 블록 106에서 맞춤형 의료 정보를 제공하는 장치(100)는 질병에 따른 제 2 카테고리에 포함된 환자들의 유전자의 발현 상태 및 복수의 질병의 치유와의 연관성을 학습한 제 2 인공지능 학습모델을 이용하여 적어도 하나의 다른 질병이 발병할 가능성을 판단할 수 있다.
일 개시에 의하여 제 2 인공지능 학습 모델은, 제 2 카테고리에 포함된 환자의 유전자 발현 정보를 기초로 하기 수학식 1에 의하여 다른 질병에 관련된 유전자가 발현됨으로 인한 예측 가능한 질병 비율(Predictable Disease Rate, PDR)를 판단하고, PDR의 값이 기준치 이상인 경우 다른 질병이 발병할 수 있다고 판단할 수 있다.
여기서, h(t)는 질병의 발병을 예측하는 함수이며, T는 생존 시간에 대한 확률 변수(random variable for survival time)이고, t는 확률 변수 T에 대한 고정값(specific value for random variable T)이며, h0은 기준 질병 발병 함수로(X1=0, X2=0)인 것을 특징으로 한다.
일 개시에 의하여 블록 107에서 맞춤형 의료 정보를 제공하는 장치(100)는 적어도 하나의 다른 질병이 발생할 가능성에 대응하는 질병 예방법에 대한 정보를 제공할 수 있다.
일 개시에 의하여 맞춤형 의료 정보를 제공하는 장치(100)는 제 2 인공지능 학습 모델에 의하여 환자에게 발병될 수 있는 다른 질병이 결정되는 경우, 다른 질병의 진행 정도에 따라 질병에 대한 상세 정보, 질병 예방 정보, 약물 추천 정보 및 병원 추천 정보 중 적어도 하나의 정보를 생성할 수 있다. 또한, 맞춤형 의료 정보를 제공하는 장치(100)는 생성된 적어도 하나의 정보를 환자의 단말로 전송할 수 있다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 적어도 하나의 다른 질병이 발생한 환자의 단말로 질병에 따른 신체의 변화여부, 질병에 의한 통증 발생 여부, 통증에 관한 약 복용여부, 통증 강도, 통증 부위 및 통증 지속시간에 대한 질문 메시지를 전송할 수 있다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 환자의 단말로부터 질문 메시지에 대한 답변 메시지를 수신하고, 답변 메시지에 포함된 정보에 기초하여, 시간의 흐름에 따른 활동별 통증의 부위 및 강도 변화, 통증에 관한 약 복용여부에 따른 통증 완화여부를 포함하는 환자의 통증 정보를 그래프화할 수 있다.
맞춤형 의료 정보 제공 장치(100)는 환자의 단말로부터 환자의 체온 정보, 땀 배출량 정보, 피부 특성 정보, 심장 박동 정보, 혈압 정보 및 활동 정보를 포함하는 생체 정보를 획득할 수 있다. 일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)에 포함된 센서부를 통하여 사용자의 생체 정보를 획득할 수도 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 환자의 체온 정보, 땀 배출량 정보, 피부 특성 정보, 심장 박동 정보, 혈압 정보 및 활동 정보 중 적어도 하나를 고려하여, 사용자의 통증에 대한 관리 정보를 생성할 수 있다.
맞춤형 의료 정보 제공 장치(100)는 환자의 통증 정보를 기초로, 통증을 개선할 수 있는 운동을 제공하는 운동 어플리케이션, 통증 완화에 도움을 주는 의료 관리 애플리케이션, 통증에 관련된 병원, 통증 완화에 효과가 있는 약, 통증의 개선에 도움을 주는 의료기기 중 적어도 하나를 추천할 수 있다. 이때, 추천된 정보는 환자의 단말로 전송될 수 있다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 제 2 카테고리에 포함된 환자들의 질병을 유발하는 효소와 인체 대사 물질 간의 상관관계를 이용하여, 질병과 약물의 상호 작용 관계를 결정할 수 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 질병과 약물의 상호 작용 관계에 기초하여, 특정 환자에게 발생한 특정 질병의 발병 정도에 따라 특정 질병을 치유할 수 있는 복수의 약물 후보를 결정할 수 있다. 즉, 질병의 발병이 초기인지, 악화되었는지 여부에 따라 적절한 약물을 추천할 수 있다.
나아가, 맞춤형 의료 정보 제공 장치(100)는 복수의 약물 후보와 특정 환자의 질병 진행 상황에 기초하여 특정 약물을 결정할 수 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 약물의 성분 및 함량을 조절하여 다른 질병을 치유할 수 있는 가장 적합한 방법을 찾을 수 있다. 즉, 맞춤형 의료 정보 제공 장치(100)는 환자로부터의 피드백을 반영하고, 이를 바탕으로 다시 학습을 수행함으로써 질병별로 보다 정확한 맞춤형 복용방법을 제공할 수 있다.
맞춤형 의료 정보 제공 장치(100)는 약물의 성분 비율, 1회 복용량, 복용 횟수, 복용 시간 및 복용법에 따라 제 2 카테고리에 포함된 환자들 각각의 타겟 유전자의 발현 상태를 분석하여, 약물이 치유할 수 있는 적어도 하나의 질병 별로 효용수치를 산출할 수 있다.
맞춤형 의료 정보 제공 장치(100)는 약물의 효용수치에 따라, 제 2 카테고리에 포함된 환자들 각각에 대하여 약물의 맞춤형 복용 방법을 결정할 수 있다.
본 발명의 방법에 의해 검출될 수 있는 질병은 암을 포함하며, 암은 암세포에 의하여 발현되는 것으로서 암세포의 비제한적 예는 선암 세포(adenocarcinoma cell), 부신종양 세포(adrenal gland tumor cell), 에나멜상피종 세포(ameloblastoma cell), 미분화 세포(anaplastic cell), 갑상선 세포의 미분화 암종(anaplastic carcinoma), 혈관섬유종 세포(angiofibroma cell), 혈관종 세포(angioma cell), 혈관육종 세포(angiosarcoma cell), 아푸도마 세포(apudoma cell), 아젠타핀노마 세포(argentaffinoma cell), 남화종양 세포(arrhenoblastoma cell), 복수종양 세포(ascites tumor cell), 복수종양 세포(ascitic tumor cell), 성상아세포종 세포(astroblastoma cell), 성상세포종 세포(astrocytoma cell), 혈관확장성 실조증 세포(ataxia-telangiectasia cell), 심방점액종 세포(atrial myxoma cell), 기저세포암 세포(basal cell carcinoma cell), 양성종양 세포(benign tumor cell), 골육종 세포(bone cancer cell), 골종양 세포(bone tumor cell), 뇌간 글리오마 세포(brainstem glioma cell), 뇌종양 세포(brain tumor cell), 유방암 세포(breast cancer cell), 버킷트 임파종 세포(Burkitt's lymphoma cell), 암성 세포(cancerous cell), 카르치노이드 세포(carcinoid cell), 암종 세포(carcinoma cell), 소뇌성상 세포종 세포(cerebellar astrocytoma cell), 자궁경암 세포(cervical cancer cell), 체리 혈관종 세포(cherry angioma cell), 담관암 세포(cholangiocarcinoma cell), 담관종 세포(cholangioma cell), 연골아세포종 세포(chondroblastoma cell), 연골종 세포(chondroma cell), 연골육종 세포(chondrosarcoma cell), 융모아세포종 세포(chorioblastoma cell), 융모종 세포(choriocarcinoma cell), 결장암 세포(colon cancer cell), 일반 급성 임파성 백혈병 세포(common acute lymphoblastic leukemia cell), 두개후두종 세포(craniopharyngioma cell), 낭포암 세포(cystocarcinoma cell), 시스토프브로마 세포(cystofbroma cell), 시스토마 세포(cystoma cell), 세포종 세포(cytoma cell), 비침윤성 유관암 세포(ductal carcinoma in situ cell), 관내유두종 세포(ductal papilloma cell), 미분화배세포종 세포(dysgerminoma cell), 뇌종양 세포(encephaloma cell), 자궁내막암 세포(endometrial carcinoma cell), 내피종 세포(endothelioma cell), 상의세포종 세포(ependymoma cell), 상피종 세포(epithelioma cell), 적백혈병 세포(erythroleukemia cell), 유잉 육종 세포(Ewing's sarcoma cell), 기외 결절성 임파종 세포(extra nodal lymphoma cell), 묘육종 세포(feline sarcoma cell), 섬유선종 세포(fibro adenoma cell), 섬유육종 세포(fibro sarcoma cell), 갑상선의 여포선암 세포(follicular cancer of the thyroid cell), 신경절교종 세포(ganglioglioma cell), 개스트리노마 세포(gastrinoma cell), 다형성 교아종 세포(glioblastoma multiform cell), 신경교종 세포(glioma cell), 생식선 아세포종 세포(gonadoblastoma cell), 혈관아종 세포(haemangioblastoma cell), 혈관내피아종 세포(haemangioendothelioblastoma cell), 혈과내피종 세포(haemangioendothelioma cell), 혈관주위세포종 세포(haemangiopericytoma cell), 헤마톨림프앤지오마 세포(haematolymphangioma cell), 헤모시토블라스토마 세포(haemocytoblastoma cell), 헤모시토마 세포(haemocytoma cell), 유모세포 백형병 세포(hairy cell leukemia cell), 과오종 세포(hamartoma cell), 간세포암 세포(hepatocarcinoma cell), 간세포암 세포(hepatocellular carcinoma cell), 간암 세포(hepatoma cell), 조직종 세포(histoma cell), 호지킨병 세포(Hodgkin's disease cell), 부신종 세포(hypernephroma cell), 침윤성암 세포(infiltrating cancer cell), 침윤성 도관 세포암 세포(infiltrating ductal cell carcinoma cell), 인슐리노마 세포(insulinoma cell), 소아 앤지오포로마 세포(juvenile angioforoma cell), 카포시 육종 세포(Kaposi sarcoma cell), 신종양 세포(kidney tumor cell), 대세포 임파종 세포(large cell lymphoma cell), 백혈병 세포(leukemia cell), 만성 백혈병 세포(chronic leukemia cell), 급성 백혈병 세포(acute leukemia cell), 지방종 세포(lipoma cell), 간암 세포(liver cancer cell), 간전이 세포(liver metastases cell), 루크 암 세포(Lucke carcinoma cell), 림프아데노마 세포(lymphadenoma cell), 림프관종 세포(lymphangioma cell), 임파성 백혈병 세포(lymphocytic leukemia cell), 임파성 임파종 세포(lymphocytic lymphoma cell), 림프오이토마 세포(lymphoeytoma cell), 림프오이데마 세포(lymphoedema cell), 임파종 세포(lymphoma cell), 폐암 세포(lung cancer cell), 악성 중피종 세포(malignant mesothelioma cell), 악성 기형종 세포(malignant teratoma cell), 비만세포종 세포(mastocytoma cell), 메듈로블라스톰 세포(medulloblastome cell), 흑색종 세포(melanoma cell), 수막종 세포(meningioma cell), 중피종 세포(mesothelioma cell), 전이성 세포(metastatic cell), 전이 세포(metastasis cell), 전이확산 세포(metastatic spread cell), 모톤 신경종 세포(Morton's neuroma cell), 다발성 골수종 세포(multiple myeloma cell), 골수아구종 세포(myeloblastoma cell), 골수성 백혈병 세포(myeloid leukemia cell), 골수지방종 세포(myelolipoma cell), 골수종 세포(myeloma cell), 근아세포종 세포(myoblastoma cell), 점액종 세포(myxoma cell), 비인강암 세포(nasopharyngeal carcinoma cell), 종양성 세포(neoplastic cell), 신아세포종 세포(nephroblastoma cell), 신경아세포종 세포(neuroblastoma cell), 신경섬유종 세포(neurofibroma cell), 신경섬유종증 세포(neurofibromatosis cell), 신경교종 세포(neuroglioma cell), 신경종 세포(neuroma cell), 비 호지킨 임파종 세포(non-Hodgkin's lymphoma cell), 핍돌기교종 세포(oligodendroglioma cell), 시신경교종 세포(optic glioma cell), 골연골종 세포(osteochondroma cell), 골육종 세포(osteogenic sarcoma cell), 골육종 세포(osteosarcoma cell), 난소암 세포(ovarian cancer cell), 파제트 유두병 세포(Paget's disease of the nipple cell), 판코우스트 종양 세포(pancoast tumor cell), 췌장암 세포(pancreatic cancer cell), 갈색세포종 세포(phaeochromocytoma cell), 피오에포모시토마 세포(pheoehromocytoma cell), 형질세포종 세포(plasmacytoma cell), 원발성 뇌종양 세포(primary brain tumor cell), 태아전위종 세포(progonoma cell), 프로락티노마 세포(prolactinoma cell), 신세포암 세포(renal cell carcinoma cell), 망막아세포종 세포(retinoblastoma cell), 횡문근육종 세포(rhabdomyosarcoma cell), 횡문근육종 세포(rhabdosarcoma cell), 충실성종양 세포(solid tumor cell), 육종 세포(sarcoma cell), 이차성 종양 세포(secondary tumor cell), 세미노마 세포(seminoma cell), 피부암 세포(skin cancer cell), 소세포암 세포(small cell carcinoma cell), 인상세포암 세포(squamous cell carcinoma cell), 딸기상 혈관종 세포(strawberry haemangioma cell), T-세포 임파종 세포(T-cell lymphoma cell), 기형종 세포(teratoma cell), 정소암 세포(testicular cancer cell), 흉선암 세포(thymoma cell), 융모성 종양 세포(trophoblastic tumor cell), 종양형성성 세포(tumorigenic cell), 종양발생 세포(tumor initiation cell), 종양진행 세포(tumor progression cell), 전정신경초종 세포(vestibular schwannoma cell), 휠름 종양 세포(Wilm's tumor cell), 또는 이들의 조합이다.
일부 실시형태에서, 컴퓨터-기반 분석 프로그램은 검출 검정법(예를 들어, 주어진 마커 또는 마커의 존재, 부재 또는 양)에 의해서 생성된 원 데이터를 임상을 위한 데이터 값(예를 들어, 약물 표적 또는 약물(들) 선택)으로 번역하는 데 사용된다. 임상의는 임의의 적합한 수단을 사용하여 데이터를 접근할 수 있다. 따라서, 일부 바람직한 실시형태에서, 본 발명은 유전학 또는 분자 생물학의 교육을 받지 않은 임상의가 원 데이터를 이해할 필요가 없는 추가 이점을 제공한다. 데이터는 이의 가장 유용한 형태로 임상의에게 직접 제공된다. 이어서, 임상의는 대상체의 치유를 최적화하기 위해서 정보를 즉시 사용할 수 있다.
본 발명은 검정법을 수행하는 실험실, 정보 제공자, 의료 종사자 및 대상체에게 또는 그들로부터 정보를 수용, 처리, 및 전송할 수 있는 임의의 방법을 고려한다. 예를 들어, 본 발명의 일부 실시형태에서, 샘플(예를 들어, 생검물 또는 다른 샘플)을 대상체로부터 입수하고, 전세계의 임의의 장소(예를 들어 대상체가 거주하거나 정보가 궁극적으로 사용되는 국가가 아닌 국가)에 위치된, 프로파일링 서비스(예를 들어, 의료 시설의 임상 실험실, 게놈 프로파일링 비지니스 등)에 제출한다. 샘플이 조직 또는 다른 생물학적 샘플을 포함하는 경우, 대상체는 메디컬 센터에 방문하여 샘플을 제공하고, 이를 프로파일링 센터에 보낼 수 있거나, 또는 대상체는 그 스스로 샘플(예를 들어, 소변 샘플)을 수집하고, 그것을 직접 프로파일링 센터에 보낼 수 있다. 샘플이 이미 측정된 생물학적 정보를 포함하는 경우, 그 정보는 대상체에 의해서 프로파일링 센터에 전달될 수 있다(예를 들어, 정보를 함유하는 정보 카드를 컴퓨터로 스캔하고, 그 데이터를 전자 소통 시스템을 사용하여 프로파일링 센터의 컴퓨터에 전송할 수 있다. 프로파일링 서비스에 전달된 후, 샘플은 처리되고, 대상체에 대해서 목적하는 진단, 치료 또는 예후 정보에 특이적인, 프로파일이 생성된다(예를 들어, 단백질 발현 데이터).
일 개시에 의하여 프로파일은 주치의가 해석하기에 적합한 포맷으로 생성된다. 예를 들어, 원 발현 데이터를 제공하지 않고도, 생성된 포맷은 작용의 제안된 치료 행동 방침을 나타낼 수 있다(예를 들어, 투여를 위한 특이적 약물). 데이터는 임의의 적합한 방법에 의해서 임상의에게 제시될 수 있다. 예를 들어, 일부 실시형태에서, 프로파일링 서비스는 (예를 들어, 처치 현장(point of care)에서) 임상의를 위해서 인쇄되거나 또는 컴퓨터 모니터 상에서 임상의에게 제시될 수 있는 리포트를 생성한다.
일부 실시형태에서, 정보는 먼저 처치 현장에서 또는 지역 시설에서 분석될 수 있다. 이어서, 원 데이터는 추가 분석을 위해서 그리고/또는 원 데이터를 임상의 또는 환자를 위한 유용한 정보로 전환시키기 위해서 중앙 처리 시설로 전달된다. 중앙 처리 시설은 프라이버시(모든 데이터는 획일적인 보안 프로토콜을 갖는 중앙 설비에 저장됨), 속도 및 데이터 분석의 획일성의 이점을 제공한다. 이어서, 중앙 처리 시설은 대상체의 치료 이후에 데이터의 운명을 제어할 수 있다. 예를 들어, 전자 통신 시스템을 사용하여, 중앙 설비는 임상의, 대상체, 또는 연구원에게 데이터를 제공할 수 있다.
도 2는 일 개시에 의하여 제 1 인공지능 학습 모델을 생성하는 특징을 설명하기 위한 도면이다.
일 개시에 의하여 제 1 인공지능 학습 모델은, 질병의 타겟 유전자를 도출하기 위하여 학습된 것으로서, 질병의 발병으로 인한 유전자의 발현 상태 변화, 세포 기능, 약물로 인한 유전자의 발현 상태 변화 및 약물로 인한 다른 유전자의 발현 상태 변화의 관계성을 학습(unsupervised learning)한 결과에 기초하여 획득된 것을 특징으로 한다.
맞춤형 의료 정보 제공 장치(100)는 질병으로 인한 유전자의 발현 상태 변화, 약물로 인한 타겟 유전자의 발현 상태 변화, 약물로 인한 다른 유전자의 발현 상태 변화, 세포의 기능 및 질병의 종류를 기초로 질병의 타겟 유전자를 도출하기 위한 반복 학습을 수행할 수 있다. 맞춤형 의료 정보 제공 장치(100)는 반복된 학습 후 질병의 타겟 유전자를 도출하기 위한 제 1 인공지능 학습 모델을 생성할 수 있다.
제 1 인공지능 학습 모델은 학습 데이터를 상기 초기 심층 신경망의 입력층에 입력하여 상기 초기 심층 신경망을 비지도 학습(unsupervised learning)한 결과로서 생성된 것일 수 있으며, 초기 연결강도가 업데이트된 중간 심층 신경망을 생성하며, 상기 학습 데이터는 복수의 유전자 데이터세트 각각에 대한 발현변화 유전자 정보일 수 있다.
일 개시에 의하여 현재 계층에서 전파 및 역전파를 진행하여 상기 현재 계층을 학습시키고, 상기 현재 계층의 학습이 완료되면 상기 현재 계층의 다음 계층을 학습시키는 심층 신뢰 신경망(Deep Belief Network) 방법을 이용하여 상기 초기 연결강도를 업데이트할 수 있다.
맞춤형 의료 정보 제공 장치(100)는 학습 데이터를 중간 심층 신경망의 입력층에 설정하고, 입력층에 입력된 학습 데이터의 종류에 지정된 출력값을 상기 중간 심층 신경망의 출력층에 설정하며, 중간 심층 신경망의 입력층과 출력층에 설정한 값을 기초로 상기 중간 심층 신경망을 지도 학습(supervised learning)시켜 최종 심층 신경망을 생성할 수 있다.
맞춤형 의료 정보 제공 장치(100)에 의한 학습 데이터의 종류는 정상인 집단으로부터 추출한 정상 유전자 데이터세트를 나타내는 제1종류와 환자 집단으로부터 추출한 질병 유전자 데이터세트를 나타내는 제2종류 중 어느 하나를 포함하고, 학습부는 제1종류에 해당하는 학습 데이터를 중간 심층 신경망의 입력층에 입력하는 경우, 중간 심층 신경망의 출력층에 제1출력값을 설정하여 중간 심층 신경망을 학습시키고, 제2종류에 해당하는 학습 데이터를 중간 심층 신경망의 입력층에 입력하는 경우, 중간 심층 신경망의 출력층에 제2출력값을 설정하여 중간 심층 신경망을 학습시킬 수 있다.
맞춤형 의료 정보 제공 장치(100)는 중간 심층 신경망의 입력층에서 순방향으로 전파(Propagation) 계산하여 얻은 예측값과 상기 중간 심층 신경망의 출력층에 설정된 출력값을 비교하여 오차를 구한 후 오차를 최소화하는 방향으로 역전파하여 상기 중간 심층 신경망의 각 연결강도를 업데이트할 수 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 단백질 상호간의 작용 경로의 연관성에 기초하여 수학식 2에 따라 약물-단백질 작용경로의 연관점수를 획득할 수 있으며, 약물-단백질 작용경로의 연관점수에 따라 특이적 도메인을 선별할 수 있다.
여기서, P(L) 및 )은 작용경로 상의 양성/음성 유전자 쌍에 대한 전체 빈도수를 의미하며, P(L|E) 및 는 미리 예측된 양성(L) 및 음성(L)의 작용경로 상의 유전자 연결 빈도수를 의미하는 것을 특징으로 한다.
맞춤형 의료 정보 제공 장치(100)는 특이적 도메인 선별 결과에 기초하여 질병의 표현형과의 연관성을 분석하여 타겟 유전자를 결정할 수 있다.
일 개시에 의하여 DNA 내에서 분석 타겟이 되는 유전자는 MDGA1(MAM domain containing glycosylphosphatidylinositol anchor 1)을 포함할 수 있다. 상기 MDGA1은 6번 염색체 상의 37617785번째 염기부터 37618223번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다.
또한, 타겟 유전자는 CYP4V2(cytochrome P450 family 4 subfamily V member 2)를 더 포함할 수 있다. 상기 CYP4V2는 4번 염색체 상의 187124479번째 염기부터 187125005번째 염기까지를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 타겟 유전자는 ADAP1(Arf-GAP with dual PH domain-containing protein 1), LHX6(LIM homeobox 6) 및 RASA3(Ras GTPase-activating protein 3) 중 하나 이상을 더 포함할 수 있다. 상기 ADAP1은 7번 염색체 상의 948157번째 염기부터 949189번째 염기까지를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 상기 LHX6는 9번 염색체 상의 124989781번째 염기부터 124989950번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 상기 RASA3은 13번 염색체 상의 114813885번째 염기부터 114814341번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다.
타겟 유전자는 PIGR(polymeric immunoglobulin receptor), ADAM12(Disintegrin and metalloproteinase domain-containing protein 12) 및 C21orf128(chromosome 21 open reading frame 128) 중 하나 이상을 더 포함할 수 있다. 또한, PIGR은 1번 염색체 상의 207105468번째 염기부터 207105762번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 상기 ADAM12는 10번 염색체 상의 127822964번째 염기부터 127823174번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 상기 C21orf128은 21번 염색체 상의 43528602번째 염기부터 43529012번째 염기까지를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다
추가적으로 타겟 유전자는 2번 염색체 상에 존재하는 유전자일 수 있다. 구체적으로, 상기 타겟 유전자는 GPR35(G protein-coupled receptor 35) 및 STON1(stonin 1) 중 하나 이상을 더 포함할 수 있다.
GPR35는 2번 염색체 상의 241562679번째 염기부터 241562995번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 상기 STON1은 2번 염색체 상의 48983601번째 염기부터 48983821번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어질 수 있다. 타겟 유전자는 6번 염색체 상에 존재하는 PACRG(Parkin coregulated gene protein)를 더 포함할 수 있다.
도 3은 일 개시에 의한 제 2 인공지능 학습 모델을 생성하는 특징을 설명하기 위한 도면이다.
일 개시에 의하여 제 2 인공지능 학습 모델은, 복수의 질병에 대한 정보, 질병의 발병에 따른 유전자의 발현 상태에 대한약정보, 동일 유전체를 포함하는 사람들에게 질병이 발생하는 경우 공통적으로 발현되는 유전자에 대한 정보, 세포의 기능, 유전자의 발현 정도에 따른 질병의 발생가능성 및 유전자의 발현 정도에 기반한 질병의 악화 정도와의 연관성을 학습한 결과에 기초하여 획득한 것을 특징으로 한다.
일 개시에 의하여 제 2 인공지능 학습 모델은, 제 2 카테고리에 포함된 환자들에게 발생한 질병에 대한 데이터를 기초로, 각각의 질병 별로 활성화되는 유전자 변형 정보를 결정하고, 질병 별 유전자 변형 정보를 이용하여 특정 환자에게 발병할 수 있는 다른 질병을 결정할 수 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 특정 환자의 현재 유전자 발현 상태를 이용하여 다른 질병의 발병 가능성, 진행 정도에 따른 질병의 증상을 완화하는 정보를 생성할 수 있다.
또한, 제 2 인공지능 학습 모델은, 약물이 타겟 유전자에 작용하는 경로를 추출하고, 약물의 함량 변화에 따라 경로 상에 포함된 다른 유전자의 활성 반응(activation) 및 억제 반응(inhibition)을 분석하고, 약물의 함량 변화에 따라 경로 상에 포함된 다른 유전자의 활성 반응 및 억제 반응을 분석함으로써, 환자에게 발생할 수 있는 적어도 하나의 다른 질병을 예측하는 것을 특징으로 한다.
보다 구체적으로 제 2 인공지능 학습 모델은 약물의 성분, 약물의 함량, 약물로 인한 타겟 유전자의 발현 상태 변화, 약물로 인한 다른 유전자의 발현 상태 변화, 복수개의 질병에 따른 유전자 발현 상태 변화, 약물로 인한 복수개의 질병의 완화 여부 및 세포 기능을 기초로, 특정 약물에 의한 유전자의 발현 상태 변화와 질병의 치유 여부에 대한 관계성을 학습하여 생성될 수 있다.
일 개시에 의하여 제 2 인공지능 학습 모델은 약물이 타겟 유전자에 작용하는 경로를 추출하고, 약물의 함량 변화에 따라 경로 상에 포함된 다른 유전자의 활성 반응(activation) 및 억제 반응(inhibition)을 분석하고, 약물의 함량 변화에 따라 경로 상에 포함된 다른 유전자의 활성 반응 및 억제 반응을 분석함으로써, 제 2 카테고리에 포함된 환자들이 가진 다른 질병의 치유 방법을 결정할 수 있다. 예를 들어, 동일한 약물을 사용하더라도 질병에 따라 각각 최적화 된 다른 복용법을 결정할 수 있다.
제 2 인공지능 학습 모델은, 질병을 진단받은 환자로부터의 조직 샘플을 검정하여 제 1 카테고리의 타겟유전자의 단백질의 상태와 비교하여 제 2 카테고리의 타겟유전자의 단백질에서 AGER, THBS2, CA3, MMP12, MMP-1, MMP-7, MMP-9, MMP-13, MMP-8, MMP-10, MMP-2, PIGR, DCN, PGAM1, CD36, FABP, ACP5, CCDC80, PPBP, LYVE1, STC1, SPON1, IL17RC, MMP1, CA1, SERPINC1, TPSB2, CKB/CKBM, NAMPT/PBEF, PPBP/CTAPIII, F9, DCTPP1, F5, SPOCK2, CAT, PF4, MDK, BGN, CKM, POSTN, PGLYRP1 및 CXCL12 중 선택된 적어도 1종의 단백질의 변경된 발현 상태를 분석할 수 있다. 일 개시에 의하여 상기 나열된 단백질은 약물의 표적이 되는 단백질일 수 있다.
또한, 분석된 단백질의 변경된 발현 상태를 갖는 적어도 1종의 단백질의 배수 차이에 따라, 약물로 인하여 치유될 수 있는 다른 질병을 결정할 수 있다.
일 개시에 의하여 제 2 인공지능 학습 모델은, 동일 약물로 치유할 수 있는 다른 질병을 찾기 위하여 반복 학습된 것으로서, 동일 유전체를 포함하는 사람들의 유전자 발현 상태를 연구함으로써동일 유전체를 포함하는 사람들에게 발생할수 있는 복수개의 질병을 찾기 위함에 의의가 있다.
도 4는 일 개시에 의한 약물이 유전자에 작용하기까지의 경로를 설명하기 위한 도면이다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 제 2 인공지능 학습 모델을 이용하여 약물이 타겟 유전자에 작용하는 경로를 추출하고, 약물의 함량 변화에 따라 경로 상에 포함된 다른 유전자의 활성 반응(activation) 및 억제 반응(inhibition)을 분석하고, 약물의 함량 변화에 따라 경로 상에 포함된 다른 유전자의 활성 반응 및 억제 반응을 분석함으로써, 제 2 카테고리에 포함된 환자들이 겪고있는 다른 질병에 대한 치료 방법을 모색할 수 있다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 복수개의 유전자 정보를 포함하는 생물학적 네트워크를 이용하여 새로운 약물을 재창출할 수 있으며, 생물학적 네트워크란 유전자, 단백질 등의 생물학적 엔티티(entity)간의 상호 작용(interaction)으로 이루어진 네트워크를 의미한다.
도 4의 (가)를 참고하면, 작용 유전자, 중간 유전자 및 질병 유전자 사이를 연결하는 각 경로의 우측 끝은 화살표 또는 원형으로 표기되어 있는데, 여기에서 화살표는 활성(activation)을 의미하고, 원형은 억제(inhibition)을 의미한다.
일 개시에 따라 도출된 최단 경로 및 활성/억제 여부에 기초하여 약물(401) 및 질병 유전자 또는 목표 질병과의 관계를 도출할 수 있으며, 더 나아가 이러한 약물(401)과 질병 유전자 또는 목표 질병간의 관계를 수치화하여 스코어를 산출하는 단계가 수행된다.
이러한 스코어는 최단 경로 상에 배열된 중간 유전자의 개수와 최단 경로의 활성/억제 여부, 약물과 작용 유전자의 관계 및 질병 유전자의 질병에서의 상태에 기초하여 산출될 수 있다.
도 4의 (나)를 살펴보면, 질병 유전자는 제1 질병 유전자(403) 및 제2 질병 유전자(404)의 두 개가 될 수 있으며, 이는 검증하고자 하는 약물(401)이 생체 내의 2개의 질병 유전자(404, 405)와 연관될 수 있음을 의미한다.
한편, 입력된 약물(401)은 질병 유전자와 반응하여 질병을 치료할 수 있도록 작용할 수도 있으며, 반대로 질병을 더 악화시킬 수 있도록 작용할 수도 있는데, 도 4의 (나)를 이용하여 이를 상세히 살펴보면 약품(401)은 질병 상태에서 억제되어 있는 제1 질병 유전자(404)와 반응하여 질병을 치료할 수 있도록 작용하고, 질병 상태에서 활성화되어 있는, 제2 질병 유전자(405)를 억제하여 질병을 치료할 수 있도록 작용하게 된다.
이러한 작용 유전자(402,403) 및 질병 유전자(404, 405) 사이의 최단 경로를 추출하는 것은 작용 유전자(402, 403) 및 질병 유전자(404, 405) 사이를 연결할 수 있는 모든 최단 경로를 추출하는 것과, 경로 상에 배열된 적어도 하나의 중간 유전자의 개수에 기초하여 작용 유전자(402, 403) 및 질병 유전자(404, 405) 사이의 최단 경로를 추출하는 것을 포함한다.
도 5는 일 개시에 의한 환자의 단말로 의료 정보를 제공하는 화면을 예시적으로 설명하기 위한 도면이다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 유전자의 변형 상태를 이용하여 질병의 발생 가능성을 예측한 후, 환자에게 질병이 발생하였다고 판단되는 경우, 환자의 생체 정보 및 주변 환경 정보를 이용하여 의료 정보를 제공할 수 있다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 사용자의 체온을 측정하는 온도 센서, 사용자의 땀 배출량을 측정하는 습도 센서, 사용자의 피부 특성을 측정하는 반사 광학 센서, 사용자의 심장 박동을 측정하는 심박 센서, 사용자의 혈압을 측정하는 혈압 센서, 및 상기 사용자의 활동을 측정하는 동작 센서 중 적어도 하나를 포함하는 센서부를 이용하여 사용자의 생체 정보를 획득할 수 있다. 또한, 맞춤형 의료 정보 제공 장치(100)는 사용자의 체온 정보, 땀 배출량 정보, 피부 특성 정보, 심장 박동 정보, 혈압 정보 및 활동 정보 중 적어도 하나를 고려하여, 사용자의 질병에 대한 관리 정보를 생성할 수 있다.
일 개시에 의한 주변 환경 정보는 온도, 기압, 습도, 시간, 날씨, 미세먼지 농도 중 적어도 하나를 포함할 수 있다.
나아가, 맞춤형 의료 정보 제공 장치(100)는 주변 환경 정보가 사용자의 통증에 미치는 영향, 주변 환경 정보에 기초한 사용자의 통증 완화 및 예방 정보를 포함하는 통증 알림 정보를 생성할 수 있다. 또한, 맞춤형 의료 정보 제공 장치(100)는 주변 환경 정보가 사용자의 통증에 미치는 영향, 주변 환경 정보에 기초한 사용자의 통증 완화 및 예방 정보를 포함하는 통증 알림 정보를 생성할 수 있으며, 통증 알림 정보를 디스플레이할 수 있다.
일 개시에 의하여, 맞춤형 의료 정보 제공 장치(100)는 주변 환경 정보를 기상청 서버, 날씨예보 서버 등에서 수신할 수 있으며, 맞춤형 의료 정보 제공 장치(100)에 포함된 센서들을 이용하여 측정할 수도 있다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 날씨, 온도 및 습도 정보를 표시하고, 사용자의 오늘의 통증 강도 및 오늘의 약 복용 여부와 함께 통증 알림 정보를 표시할 수 있다.
예를 들어, 도 12(a)와 같이 온도와 사용자의 통증간의 상관관계를 확인하고, 현재 온도에 따라 통증이 더 심해질 수 있는지 여부를 판단할 수 있다. 예를 들어, 일반적으로 온도가 낮아짐에 따라 통증이 심해질 수 있다면, 주변 온도가 낮아지면 통증이 심해질 수 있음을 알려줄 수 있다.
또한, 맞춤형 의료 정보 제공 장치(100)는 현재 사용자 상태에 맞는 통증 완화 정보를 알려줄 수 있다. 예를 들어, 통증이 악화될 수 있는 날씨 상태인경우, 스트레칭 또는 체온을 따뜻하게 유지하라는 메시지를 표시함으로써 사용자에게 하여금 통증을 완화하기 위한 정보를 알릴 수 있다.
또한 도 12(b)도 마찬가지로, 주변 습도가 높은 경우 통증이 심해질 수 있다는 메시지를 전송할 수 있다. 또한, 습한 날씨에서의 통증 완화 정보를 생성하여 표시할 수 있다.
이에 따라, 사용자는 자신의 통증 강도 및 약 복용여부와 함께 날씨에 알맞은 통증 관리 정보를 한번에 확인할 수 있다는 장점이 있다.
나아가, 맞춤형 의료 정보 제공 장치(100)는 하루에 복수번 약을 복용해야 하는 경우, 언제 약을 먹었는지 여부를 표시해줌으로써, 사용자가 시간에 맞추어 약을 복용할 수 있도록 도움을 줄 수 있다.
도 6은 일 개시에 의한 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 장치의 구성을 설명하기 위한 도면이다.
일 개시에 의하여 맞춤형 의료 정보 제공 장치(100)는 프로세서(1300) 및 메모리(1100)를 포함할 수 있지만, 도 6에 도시된 바와 같이, 필수 구성요소보다 더 많은 구성에 의하여 구현될 수 있다.
예를 들어, 도 6에 도시된 바와 같이, 일 실시예에 따른 맞춤형 의료 정보 제공 장치(100)는, 메모리(1100), 디스플레이부(1210), 카메라(1610) 및 프로세서(1300), 출력부(1200), 통신부(1500), 센싱부(1400), A/V 입력부(1600) 및 사용자 입력부(1700)를 더 포함할 수도 있다.
메모리(1100)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 맞춤형 의료 정보 제공 장치(100)로 입력되는 이미지 또는 맞춤형 의료 정보 제공 장치(100)로부터 출력되는 가이드 정보를 저장할 수도 있다. 또한, 메모리(1100)는 가이드 정보의 출력 여부 판단을 위한 특정 정보를 저장할 수 있다.
메모리(1100)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1100)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1110), 터치 스크린 모듈(1120), 알림 모듈(1130) 등으로 분류될 수 있다.
UI 모듈(1110)은, 애플리케이션 별로 맞춤형 의료 정보 제공 장치(100)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1120)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일 실시예에 따른 터치 스크린 모듈(1120)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1120)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
알림 모듈(1130)은 맞춤형 의료 정보 제공 장치(100)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 맞춤형 의료 정보 제공 장치(100)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1130)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다. 예를 들어, 알림 모듈(1130)은 추정된 차선 정보에 기초하여 가이드 정보를 출력하기 위한 신호를 발생할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 맞춤형 의료 정보 제공 장치(100)에서 처리되는 정보를 표시 출력한다. 구체적으로, 디스플레이부(1210)는 카메라(1610)에서 촬영된 이미지를 출력할 수 있다. 또한, 디스플레이부(1210)는 프로세서(1300)에서 생성된 가이드 정보를 촬영된 이미지에 합성하여 출력할 수 있다.
또한, 디스플레이부(1210)는, 사용자의 입력에 대한 응답으로, 응답에 관련된 동작을 실행하기 위한 사용자 인터페이스를 디스플레이할 수 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1100)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 맞춤형 의료 정보 제공 장치(100)에서 수행되는 기능(예를 들어, 호 신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 예를 들어, 음향 출력부(1220)는 프로세서(1300)의 제어에 의해 알림 모듈(1130)에서 신호로 발생된 가이드 정보를 음향 신호로 출력할 수 있다.
프로세서(1300)는, 통상적으로 맞춤형 의료 정보 제공 장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1100)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1700), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1700) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1100)에 저장된 프로그램들을 실행함으로써, 맞춤형 의료 정보 제공 장치(100)의 기능을 수행할 수 있다.
센싱부(1400)는, 맞춤형 의료 정보 제공 장치(100)의 상태 또는 맞춤형 의료 정보 제공 장치(100) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(RGB sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
일 실시예에 따라, 센싱부(1400)는 촬영된 이미지에서 결정된 적어도 하나의 객체와 차량 간의 거리를 측정할 수 있다.
통신부(1500)는, 맞춤형 의료 정보 제공 장치(100)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 맞춤형 의료 정보 제공 장치(100)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 맞춤형 의료 정보 제공 장치(100)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡처된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
사용자 입력부(1700)는, 사용자가 맞춤형 의료 정보 제공 장치(100)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1700)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
도 7은 일 개시에 의한 데이터학습을 통해 인공지능 학습 모델을 생성하는 프로세서의 구성을 설명하는 도면이다.
일 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 약물의 작용에 따른 유전자의 발현 상태 등을 학습할 수 있다. 데이터 학습부(1310)는 관계 그래프의 정확성을 증가시키기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 관계 그래프를 확장할지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 관계 그래프의 학습에 따른 적정한 관계망 형성을 위한 기준을 학습할 수 있다.
일 실시예에 따르면, 데이터 학습부(1310)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
데이터 인식부(1320)는 약물과 타겟 유전자의 발현 상태, 다른 유전자의 발현 상태를 연구함으로써, 개인별로 어떤 약물을 사용해야 질병을 치료할 수 있는지의 정확도를 증가시킬 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 새로운 약물 복용 방법을 추천하는 정확도를 증가시킬 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 디바이스에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
또한, 데이터 인식부(1320)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되는 것은 아니다.
다양한 실시예에 따르면, 데이터 학습부(1310)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
또한, 본 명세서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 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.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (11)
- 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법에 있어서,
질병을 치유하기 위하여 제조된 약물을 투약받은 환자들의 진료 데이터를 주기적으로 획득하는 단계;
상기 진료 데이터 중 상기 약물 투약 후 상기 질병이 치유된 환자들의 진료데이터를 제 1 카테고리로 분류하는 단계;
상기 제 1 카테고리에 포함된 환자들 중 공통적으로 발현되는 유전자들을 포함하는 환자들의 진료 데이터를 제 2 카테고리로 분류하는 단계;
상기 질병에 의한 유전자 발현 분포 및 약물의 작용으로 인한 유전자 발현 분포의 연관성을 학습한 제 1 인공지능 학습 모델을 이용하여, 상기 제 2 카테고리에 포함된 환자들의 유전자로부터 타겟 유전자를 도출하는 단계;
상기 타겟 유전자를 이용하여 상기 제 2 카테고리에 포함된 환자들의 유전자로부터 발병할 수 있는 적어도 하나의 다른 질병을 결정하는 단계;
질병에 따른 제 2 카테고리에 포함된 환자들의 유전자의 발현 상태 및 복수의 질병의 치유와의 연관성을 학습한 제 2 인공지능 학습모델을 이용하여 상기 적어도 하나의 다른 질병이 발병할 가능성을 판단하는 단계;및
상기 적어도 하나의 다른 질병이 발생할 가능성에 대응하는 질병 예방법에 대한 정보를 제공하는 단계를 포함하되,
상기 제 1 인공지능 학습 모델은,
상기 질병의 타겟 유전자를 도출하기 위하여 학습된 것으로서, 질병의 발병으로 인한 유전자의 발현 상태 변화, 세포 기능, 약물로 인한 유전자의 발현 상태 변화 및 약물로 인한 다른 유전자의 발현 상태 변화의 관계성을 비지도 학습(unsupervised learning)한 결과에 기초하여 획득된 것을 특징으로 하고,
상기 제 2 인공지능 학습 모델은,
복수의 질병에 대한 정보, 질병의 발병에 따른 유전자의 발현 상태에 대한 정보, 동일 유전체를 포함하는 사람들에게 질병이 발생하는 경우 공통적으로 발현되는 유전자에 대한 정보, 세포의 기능, 유전자의 발현 정도에 따른 질병의 발생가능성 및 유전자의 발현 정도에 기반한 질병의 악화 정도와의 연관성을 학습한 결과에 기초하여 획득한 것을 특징으로 하며,
상기 제 2 인공지능 학습 모델은,
상기 제 2 카테고리에 포함된 환자들에게 발생한 질병에 대한 데이터를 기초로, 각각의 질병 별로 활성화되는 유전자 변형 정보를 결정하고, 상기 질병 별 유전자 변형 정보를 이용하여 특정 환자에게 발병할 수 있는 다른 질병을 결정하고,
상기 특정 환자의 현재 유전자 발현 상태를 이용하여 상기 다른 질병의 발병 가능성, 진행 정도에 따른 질병의 증상을 완화하는 정보를 생성하는 것을 특징으로 하고,
상기 맞춤형 의료 정보를 제공하는 방법은,
상기 제 2 인공지능 학습 모델에 의하여 환자에게 발병될 수 있는 다른 질병이 결정되는 경우, 상기 다른 질병의 진행 정도에 따라 질병에 대한 상세 정보, 질병 예방 정보, 약물 추천 정보 및 병원 추천 정보 중 적어도 하나의 정보를 생성하는 단계;및
상기 생성된 적어도 하나의 정보를 상기 환자의 단말로 전송하는 단계를 더 포함하고,
상기 맞춤형 의료 정보를 제공하는 방법은,
상기 제 2 카테고리에 포함된 환자들의 질병을 유발하는 효소와 인체 대사 물질 간의 상관관계를 이용하여, 질병과 약물의 상호 작용 관계를 결정하는 단계;
상기 질병과 약물의 상호 작용 관계에 기초하여, 특정 환자에게 발생한 특정 질병의 발병 정도에 따라 상기 특정 질병을 치유할 수 있는 복수의 약물 후보를 결정하는 단계;및
상기 복수의 약물 후보와 상기 특정 환자의 질병 진행 상황에 기초하여 특정 약물을 결정하는 단계;를 더 포함하며,
상기 타겟 유전자를 도출하는 단계는,
상기 제 2 카테고리 환자들의 유전체의 단백질 상호간의 도메인 프로파일의 유사성을 분석하기 위하여 도메인의 희귀성에 가중치를 부여하여 가중치 상호 정보를 측정하는 단계;
상기 단백질 상호간의 도메인 프로파일의 유사성에 기초하여, 상기 약물이 투입된 후 단백질 상호간의 작용 경로를 획득하는 단계;
상기 단백질 상호간의 작용 경로의 연관성에 기초하여 수학식 2에 따라 약물-단백질 작용경로의 연관점수를 획득하는 단계;
상기 약물-단백질 작용경로의 연관점수에 따라 특이적 도메인을 선별하는 단계;및
상기 특이적 도메인 선별 결과에 기초하여 상기 질병의 표현형과의 연관성을 분석하여 타겟 유전자를 결정하는 단계를 포함하고,
[수학식 2]
상기 P(L) 및 은 작용경로 상의 양성/음성 유전자 쌍에 대한 전체 빈도수를 의미하며, P(L|E) 및 는 미리 예측된 양성(L) 및 음성(L)의 작용경로 상의 유전자 연결 빈도수를 의미하는 것을 특징으로 하고,
상기 맞춤형 의료 정보를 제공하는 방법은,
상기 적어도 하나의 다른 질병이 발생한 환자의 단말로 질병에 따른 신체의 변화여부, 질병에 의한 통증 발생 여부, 통증에 관한 약 복용여부, 통증 강도, 통증 부위 및 통증 지속시간에 대한 질문 메시지를 전송하는 단계;
상기 환자의 단말로부터 상기 질문 메시지에 대한 답변 메시지를 수신하고, 상기 답변 메시지에 포함된 정보에 기초하여, 시간의 흐름에 따른 활동별 통증의 부위 및 강도 변화, 통증에 관한 약 복용여부에 따른 통증 완화여부를 포함하는 환자의 통증 정보를 그래프화하는 단계;
상기 환자의 단말로부터 환자의 체온 정보, 땀 배출량 정보, 피부 특성 정보, 심장 박동 정보, 혈압 정보 및 활동 정보를 포함하는 생체 정보를 획득하는 단계;
상기 환자의 체온 정보, 땀 배출량 정보, 피부 특성 정보, 심장 박동 정보, 혈압 정보 및 활동 정보 중 적어도 하나를 고려하여, 상기 환자의 통증에 대한 관리 정보를 생성하는 단계;및
상기 환자의 통증 정보를 기초로, 상기 통증을 개선할 수 있는 운동을 제공하는 운동 어플리케이션, 상기 통증 완화에 도움을 주는 의료 관리 애플리케이션, 상기 통증에 관련된 병원, 상기 통증 완화에 효과가 있는 약, 상기 통증의 개선에 도움을 주는 의료기기 중 적어도 하나를 추천하는 단계;를 더 포함하며,
상기 제 1 인공지능 학습 모델은,
초기 심층 신경망의 입력층에 학습 데이터를 입력하여 비지도 학습(unsupervised learning)하고, 상기 초기 심층 신경망에서 초기 연결강도가 업데이트된 중간 심층 신경망을 생성하며, 상기 학습 데이터를 상기 중간 심층 신경망의 입력층에 입력하고 상기 학습 데이터의 종류에 지정된 출력값을 상기 중간 심층 신경망의 출력층에 설정하여 최종 심층 신경망을 생성하고,
상기 학습 데이터는,
복수의 유전자 데이터세트 각각에 대한 발현변화 유전자 정보인 것을 특징으로 하는, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법. - 제1항에 있어서,
상기 초기 연결강도는,
심층 신뢰 신경망(Deep Belief Network) 방법에 의하여 업데이트되고,
상기 심층 신뢰 신경망은,
현재 계층에서 전파 및 역전파를 진행하여 상기 현재 계층을 학습시키고, 상기 현재 계층의 학습이 완료되면 상기 현재 계층의 다음 계층을 학습시키는 것을 특징으로 하는, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법. - 제2항에 있어서,
상기 학습 데이터의 종류는,
정상인 집단으로부터 추출한 정상 유전자 데이터세트를 나타내는 제1종류 및 환자 집단으로부터 추출한 질병 유전자 데이터세트를 나타내는 제2종류 중 어느 하나를 포함하고,
상기 제1종류의 학습 데이터가 상기 중간 심층 신경망의 입력층에 입력되는 경우, 상기 중간 심층 신경망의 출력층은 제1출력값으로 설정되고,
상기 제2종류의 학습 데이터가 상기 중간 심층 신경망의 입력층에 입력되는 경우, 상기 중간 심층 신경망의 출력층은 제2출력값으로 설정되는 것인, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법. - 제3항에 있어서,
상기 질병을 도출하는 방법은,
상기 중간 심층 신경망의 상기 입력층에서 순방향으로 전파(Propagation) 계산하여 예측값을 획득하는 단계; 및
상기 제1출력값 또는 상기 제2출력값 중 어느 하나와 상기 예측값 사이의 오차를 감소기키기 위한 방향으로 역전파하여 상기 중간 심층 신경망의 각 연결강도를 업데이트하는 단계;를 포함하는 것인, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법. - 제4항에 있어서,
상기 타겟 유전자는,
MDGA1(MAM domain containing glycosylphosphatidylinositol anchor 1)를 포함하고,
상기 MDGA1은,
6번 염색체 상의 37617785번째 염기부터 37618223번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지는 것을 특징으로 하는, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법. - 제5항에 있어서,
상기 타겟 유전자는,
CYP4V2(cytochrome P450 family 4 subfamily V member 2)를 더 포함하고,
상기 CYP4V2는 4번 염색체 상의 187124479번째 염기부터 187125005번째 염기까지를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지는 것을 특징으로 하고,
상기 타겟 유전자는,
ADAP1(Arf-GAP with dual PH domain-containing protein 1), LHX6(LIM homeobox 6) 및 RASA3(Ras GTPase-activating protein 3) 중 하나 이상을 더 포함하고,
상기 ADAP1은 7번 염색체 상의 948157번째 염기부터 949189번째 염기까지를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지고,
상기 LHX6는 9번 염색체 상의 124989781번째 염기부터 124989950번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지며,
상기 RASA3은 13번 염색체 상의 114813885번째 염기부터 114814341번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지는 것을 특징으로 하며,
상기 타겟 유전자는
PIGR(polymeric immunoglobulin receptor), ADAM12(Disintegrin and metalloproteinase domain-containing protein 12) 및 C21orf128(chromosome 21 open reading frame 128) 중 하나 이상을 더 포함하며,
상기 PIGR은 1번 염색체 상의 207105468번째 염기부터 207105762번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지고,
상기 ADAM12는 10번 염색체 상의 127822964번째 염기부터 127823174번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지며,
상기 C21orf128은 21번 염색체 상의 43528602번째 염기부터 43529012번째 염기까지를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지는 것을 특징으로 하고,
상기 타겟 유전자는,
GPR35(G protein-coupled receptor 35) 및 STON1(stonin 1) 중 하나 이상을 더 포함하고,
상기 GPR35는 2번 염색체 상의 241562679번째 염기부터 241562995번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지고,
상기 STON1은 2번 염색체 상의 48983601번째 염기부터 48983821번째까지의 염기를 포함하는 폴리뉴클레오티드 또는 이의 상보적인 폴리뉴클레오티드로 이루어지는 것을 특징으로 하는, 인공지능을 이용하여 예측한 질병 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항 내지 제 6 항 중 어느 하나의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 비일시적 기록 매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190071104A KR102278537B1 (ko) | 2019-06-14 | 2019-06-14 | 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190071104A KR102278537B1 (ko) | 2019-06-14 | 2019-06-14 | 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200143156A KR20200143156A (ko) | 2020-12-23 |
KR102278537B1 true KR102278537B1 (ko) | 2021-07-16 |
Family
ID=74089561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190071104A KR102278537B1 (ko) | 2019-06-14 | 2019-06-14 | 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102278537B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023048470A3 (ko) * | 2021-09-25 | 2023-05-25 | 주식회사 메디컬에이아이 | 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치 |
KR20240059203A (ko) | 2022-10-27 | 2024-05-07 | 주식회사 버드온 | 섬망 가능성을 분석하는 컴퓨팅 장치 및 그 방법 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102438101B1 (ko) | 2022-02-14 | 2022-08-31 | 김승룡 | Dna 유전자검사, cnn형 유전자분석, 유전자정보·광고·리퍼럴 마케팅 앱 활성화로 이루어진 쓰리이펙트형 dna 유전자검사결과데이터 생성장치 및 이를 통한 광고·리퍼럴 마케팅의 전자상거래 활성화방법 |
WO2023244177A1 (en) * | 2022-06-15 | 2023-12-21 | CueZen Inc. | System and method for facilitating compliance and behavioral activity via signals driven by artificial intelligence |
KR102631687B1 (ko) * | 2023-08-23 | 2024-01-31 | 주식회사 대박드림스 | 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101958818B1 (ko) * | 2018-11-16 | 2019-07-02 | 성주은 | 개인 맞춤형 통증 관리 방법 및 장치 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190036038A (ko) | 2017-09-27 | 2019-04-04 | 사회복지법인 삼성생명공익재단 | 신경질환 진단용 가상현실 장치, 시스템 및 제공방법 |
KR102035162B1 (ko) | 2019-03-12 | 2019-11-08 | 한국과학기술원 | 질병 표적 대사 효소에 특이적인 인체 대사 물질을 이용하여 질병에 대한 약물 후보를 예측하는 방법 |
-
2019
- 2019-06-14 KR KR1020190071104A patent/KR102278537B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101958818B1 (ko) * | 2018-11-16 | 2019-07-02 | 성주은 | 개인 맞춤형 통증 관리 방법 및 장치 |
Non-Patent Citations (4)
Title |
---|
Chien-Hung Huang 외, Drug repositioning for non-small cell lung cancer by using machine learning algorithms and topological graph theory, BMC Bioinformatics, 2016.01.11., Vol.17, No.2, Suppl.1, pp13-26* |
Justin Lamb 외, The Connectivity Map: Using Gene-Expression Signatures to Connect Small Molecules, Genes, and Disease, SCIENCE, 2006.09.29., Vol.313, pp1929-1935.* |
S Zickenrott 외, Prediction of disease-gene-drug relationships following a differential network analysis, Cell Death and Disease, 2016.01.14., Vol.7, pp1-12.* |
Young Ae Cho 외, Genetic Risk Score, Combined Lifestyle Factors and Risk of Colorectal Cancer, Cancer Res Treat., 2018.10.18., Vol.51, No.3, pp1033-1040.* |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023048470A3 (ko) * | 2021-09-25 | 2023-05-25 | 주식회사 메디컬에이아이 | 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치 |
KR20240059203A (ko) | 2022-10-27 | 2024-05-07 | 주식회사 버드온 | 섬망 가능성을 분석하는 컴퓨팅 장치 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20200143156A (ko) | 2020-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102278537B1 (ko) | 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치 | |
KR102278538B1 (ko) | 인공지능을 이용한 개인별 맞춤형 의약품 또는 식품 처방 장치 및 시스템 | |
Nielson et al. | Topological data analysis for discovery in preclinical spinal cord injury and traumatic brain injury | |
Hu et al. | A review on longitudinal data analysis with random forest | |
Delen et al. | Predicting breast cancer survivability: a comparison of three data mining methods | |
CN108351862B (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
Papini et al. | Ensemble machine learning prediction of posttraumatic stress disorder screening status after emergency room hospitalization | |
Blencowe et al. | Network modeling of single-cell omics data: challenges, opportunities, and progresses | |
Yao et al. | Rdeepsense: Reliable deep mobile computing models with uncertainty estimations | |
Dubey | Optimized hybrid learning for multi disease prediction enabled by lion with butterfly optimization algorithm | |
Marostica et al. | Development of a histopathology informatics pipeline for classification and prediction of clinical outcomes in subtypes of renal cell carcinoma | |
Kalweit et al. | Personalized prediction of disease activity in patients with rheumatoid arthritis using an adaptive deep neural network | |
US20210298648A1 (en) | Calibration of a noninvasive physiological characteristic sensor based on data collected from a continuous analyte sensor | |
WO2018201083A1 (en) | System and method for predicting survival time | |
Magro et al. | Clinical performance of an infliximab rapid quantification assay | |
Molin et al. | Prediction of obstructive sleep apnea using Fast Fourier Transform of overnight breath recordings | |
Kumari et al. | Data classification using rough set and bioinspired computing in healthcare applications-an extensive review | |
KR102278528B1 (ko) | 인공지능을 이용하여 타겟 기전에 작용하는 약물 및 식품의 유효성을 검증하는 시스템 및 장치 | |
Rawat et al. | A Study on Liver Disease Using Different Machine Learning Algorithms | |
Arora et al. | Machine learning Ensemble for the Parkinson’s disease using protein sequences | |
Saheed et al. | Modified bi-directional long short-term memory and hyperparameter tuning of supervised machine learning models for cardiovascular heart disease prediction in mobile cloud environment | |
Bretones et al. | Automatic identification of schizophrenia employing EEG records analyzed with deep learning algorithms | |
KR102278534B1 (ko) | 인공지능을 이용하여 의약품 및 식품이 작용할 수 있는 질병 또는 증상을 도출하는 시스템 및 장치 | |
Nandagopal et al. | A Deep Auto-Optimized Collaborative Learning (DACL) model for disease prognosis using AI-IoMT systems | |
Zhang et al. | Identifying cancer genes by combining two-rounds RWR based on multiple biological data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |