KR102288592B1 - 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치 - Google Patents

치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치 Download PDF

Info

Publication number
KR102288592B1
KR102288592B1 KR1020190095319A KR20190095319A KR102288592B1 KR 102288592 B1 KR102288592 B1 KR 102288592B1 KR 1020190095319 A KR1020190095319 A KR 1020190095319A KR 20190095319 A KR20190095319 A KR 20190095319A KR 102288592 B1 KR102288592 B1 KR 102288592B1
Authority
KR
South Korea
Prior art keywords
pathogen
pathogens
periodontitis
group
accuracy
Prior art date
Application number
KR1020190095319A
Other languages
English (en)
Other versions
KR20210016912A (ko
Inventor
이세민
김승훈
Original Assignee
울산과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020190095319A priority Critical patent/KR102288592B1/ko
Publication of KR20210016912A publication Critical patent/KR20210016912A/ko
Application granted granted Critical
Publication of KR102288592B1 publication Critical patent/KR102288592B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • C12Q1/6895—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for plants, fungi or algae
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/16—Primer sets for multiplex assays
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Organic Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Zoology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biotechnology (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Botany (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)

Abstract

치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치가 개시된다. 본 발명의 일실시예에 따른, 치주염 진행 정도 예측 방법은, 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 n개(상기 n은 9이상의 자연수)의 병원균에 대한 개체 수를 카운트하는 단계; 상기 n개의 병원균 중에서, 카운트된 상기 개체 수에 기초하여 제1 병원균을 선택하는 단계; 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 형성하는 단계; 및 상기 다수 개의 병원균 그룹을, 정해진 기계학습 모델에 적용하여 도출되는 진단 정확성을 비교하고, 진단 정확성이 가장 높은 최적 병원균 그룹을 결정함으로써, 상기 최적 병원균 그룹에 속하는 병원균을 이용하여, 상기 피검체에 대한 치주염의 상태가 진단되도록 하는 단계를 포함할 수 있다.

Description

치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치{METHOD AND SYSTEM TO PREDICT THE PROGRESSION OF PERIODONTITIS}
본 발명은, 치주염의 진행정도를 예측하는 알고리즘으로서, 머신러닝을 통해 치주염의 진행정도를 가장 정확히 예측할 수 있는 균주의 조합을 찾는, 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치에 관한 것이다.
본 발명의 배경이 되는 기술은 다음의 문헌에 개시되어 있다.
1) 공개특허공보 제10-2015-0011429호(2015.02.02.) "구강질환 유발 미생물의 농도를 기반으로 산출된 구강 미생물 환경 지수"
2) 공개특허공보 제10-2017-0023382호(2017.03.03.) "바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법"
치주질환은 흔히 풍치라고도 하는데, 병의 정도에 따라 치은염(gingivitis)과 치주염(periodontitis)으로 나뉜다. 치은염은 비교적 가볍고 회복이 빠른 형태의 치주질환으로 잇몸 즉, 연조직에만 국한된 형태이고, 치주염은 염증이 잇몸과 잇몸 뼈 주변까지 진행된 경우를 일컫는다.
치주질환의 직접적인 원인은 치아에 지속적으로 형성되는 플라크(plaque)라는 세균막과, 플라크로부터 만들어지는 치석이다. 치아와 잇몸(치은) 사이에는 치은열구라 불리는 V자 모양의 좁은 틈(sulcus)이 있는데, 플라크와 치석이 쌓이면 이 틈이 벌어지면서 잇몸이 치아로부터 들뜨게 된다.
치은염은 세균에 의한 염증반응이 표층 연조직에만 나타나는 단계이고, 치주염은 이 틈(sulcus)의 잇몸 선 아래 부분을 공격하여 치주인대와 주변 골조직까지 손상되는 증상이다.
염증이 진행되어 더 많은 치주인대 조직이 손상되면 좁고 얕은 열구가 깊어져, 치주염은 치주낭(periodontal pocket)으로 발전할 수 있다. 치주염이 심할수록 치주낭이 깊어지면서 치아 뿌리를 감싸고 있는 치조골은 소실될 수 있다. 염증이 진행될수록 잇몸과 치아 사이가 더욱 벌어지고 결국에는 치아가 흔들리게 되는데 방치할 경우 저절로 치아가 탈락하기도 한다.
기존의 치주염을 진단하는 기술은 타액 중의 미생물, 병원균을 활용하기는 하나, 가장 높은 정확도로 치주염의 정도를 예측하는 균주의 조합을 찾는 기계학습 모델은 활용하지 않았다.
또한, 기존의 치주염을 진단하는 기술은 치주염을 유발시키는 병원균의 조합을 찾는 것이 아닌, 현미경을 통한 백혈구의 상대적 수에 의한 염증을 예측하거나 타액 중의 세균 수의 비율에 관한 지표를 이용한 것에 한정되고 있다.
이에 따라, 치주염의 진행도를 예측하는 데 있어서, 높은 정확도를 갖는 균주의 조합을 찾음으로써, 개인의 타액을 활용한 치주염의 진행도에 대한 개인 맞춤형 예측 서비스를 제공하는 기술이 절실히 요구되고 있다.
본 발명의 실시예는 치주 질환이 의심되는 피검체로부터 받은 타액 샘플에서, 동시다중 정량 기술(multiplex qPCR)을 활용하여 치주염과 연관된 병원균들의 개체 수를 확인하는, 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 확인된 병원균의 개체 수를 바탕으로 네 가지 기계학습 모델(Regularized logistic regression, random forest, support vector machine, neural network)을 활용하여 치주염의 진행정도를 가장 정확하게 예측할 수 있는 유해균 균주의 조합을 찾는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 각 개인별로 가지고 있는 유해균의 개체 수 정보와 기계 학습 모델을 활용하여 가장 정확하게 치주염의 진행정도를 예측할 수 있는 유해균 균주의 조합을 찾는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 기계학습 모델과 유해균 균주 조합을 활용하여 개인의 타액 샘플로부터 치주염의 진행 정도를 예측하여 개인 맞춤형으로 치주염의 진행 정도를 예측할 수 있게 하는 것을 목적으로 한다.
본 발명의 일실시예에 따른, 치주염 진행 정도 예측 방법은, 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 n개(상기 n은 9이상의 자연수)의 병원균에 대한 개체 수를 카운트하는 단계; 상기 n개의 병원균 중에서, 카운트된 상기 개체 수에 기초하여 제1 병원균을 선택하는 단계; 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 형성하는 단계; 및 상기 다수 개의 병원균 그룹을, 정해진 기계학습 모델에 적용하여 도출되는 진단 정확성을 비교하고, 진단 정확성이 가장 높은 최적 병원균 그룹을 결정함으로써, 상기 최적 병원균 그룹에 속하는 병원균을 이용하여, 상기 피검체에 대한 치주염의 상태가 진단되도록 하는 단계를 포함할 수 있다.
또한, 본 발명의 실시예에 따른, 치주염 진행 정도 예측 장치는, 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 n개의 병원균에 대한 개체 수를 카운트하는 카운트부; 상기 n개의 병원균 중에서, 카운트된 상기 개체 수에 기초하여 제1 병원균을 선택하는 선택부; 및 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 형성하고, 상기 다수 개의 병원균 그룹을, 정해진 기계학습 모델에 적용하여 도출되는 진단 정확성을 비교하며, 진단 정확성이 가장 높은 최적 병원균 그룹을 결정함으로써, 상기 최적 병원균 그룹에 속하는 병원균을 이용하여, 상기 피검체에 대한 치주염의 상태가 진단되도록 하는 처리부를 포함하여 구성할 수 있다.
본 발명의 일실시예에 따르면, 치주 질환이 의심되는 피검체로부터 받은 타액 샘플에서, 동시다중 정량 기술(multiplex qPCR)을 활용하여 치주염과 연관된 병원균들의 개체 수를 확인하는, 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치를 제공할 수 있다.
또한, 본 발명의 일실시예에 따르면, 확인된 병원균의 개체 수를 바탕으로 네 가지 기계학습 모델(Regularized logistic regression, random forest, support vector machine, neural network)을 활용하여 치주염의 진행정도를 가장 정확하게 예측할 수 있는 유해균 균주의 조합을 찾을 수 있다.
또한, 본 발명의 일실시예에 따르면, 각 개인별로 가지고 있는 유해균의 개체 수 정보와 기계 학습 모델을 활용하여 가장 정확하게 치주염의 진행정도를 예측할 수 있는 유해균 균주의 조합을 찾을 수 있다.
또한, 본 발명의 실시예는, 기계학습 모델과 유해균 균주 조합을 활용하여 개인의 타액 샘플로부터 치주염의 진행 정도를 예측하여 개인 맞춤형으로 치주염의 진행 정도를 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 치주염 진행 정도 예측 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른 치주염 샘플 정보를 예시하는 도면이다.
도 3은 본 발명의 일실시예에 따른 병원균 카피 번호 정보(Pathogen copy number information )를 통해 치주 상태를 예측하는 것을 예시하는 도면이다.
도 4는 본 발명의 일실시예에 따른 최적 병원균 그룹을 결정하는 일례를 설명하기 위한 도면이다.
도 5는 본 발명의 일시예에 따른 최적 병원균 그룹의 결과를 예시하기 위한 도면이다.
도 6은 본 발명의 일실시예에 따른, 치주염 진행 정도 예측 방법을 도시한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 일실시예에 따른 치주염 진행 정도 예측 장치의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른, 치주염 진행 정도 예측 장치(100)는, 카운트부(110), 선택부(120), 및 처리부(130)를 포함하여 구성할 수 있다. 또한, 치주염 진행 정도 예측 장치(100)는 실시예에 따라, 지정부(140)를 추가로 포함하여 구성할 수 있다.
우선, 카운트부(110)는 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 n개(상기 n은 9이상의 자연수)의 병원균에 대한 개체 수를 카운트한다. 즉, 카운트부(110)는, 치주질환이 의심되는 피검체에서 채집한 타액(예, 침 등) 내에 존재하는 병원균 중에서, 치주질환을 일으키는 주요 병원균으로 지정되는 병원균(유해균) 각각에 대해 그 개체 수를 계수하는 역할을 할 수 있다.
병원균에 대한 개체 수의 카운트에 있어, 카운트부(110)는 동시다중 정량 기술(multiplex qPCR)을 활용할 수 있다. 동시다중 정량 기술(Multiplex qPCR)은 단 하나의 qPCR 분석 기구 만을 이용하면서도 동시에 여러 표적을 증폭하고 검출할 수 있어, 임상 표본의 진단에 필요한 비용과 시간을 최소한으로 할 수 있다. 동시다중 정량기술에 의해서는, 치주염과 관련된 원인 병원균을 단일 반응으로, 동시에 빠르게 검출하고 이를 바탕으로 효과적으로 개체 수를 카운트 할 수 있다.
실시예에 따라, 카운트부(110)는 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 n개의 병원균을 확인할 수 있다. 이를 통해, 카운트부(110)는 후술하는 선택부(120)에 의해, 상기 n개의 병원균 각각을, 정해진 기계학습 모델에 적용하여, 가장 높은 정확도를 갖는 병원균을 제 1 병원균으로 선택할 수 있게 하는 환경을 마련할 수 있다.
상기 n개의 병원균에 대한 지정은 지정부(140)에 의해 수행될 수 있다. 즉, 지정부(140)는, 치주염을 유발하는 원인 병원균으로서, 9개 이상의 병원균을, 각각에 등급에 맞춰 지정할 수 있다.
예컨대, 지정부(140)는 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)의 3개의 병원균을, 위험군(Red complex)으로 분류하여 지정할 수 있다. 위험군에 속하는 병원균들은 치주질환을 직접적으로 유발시키는 고위험군의 병원균일 수 있다.
또한, 지정부(140)는 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)의 3개의 병원균을, 보통군(Orange complex)으로 분류하여 지정할 수 있다. 보통군에 속하는 병원균들은 치주질환을 간접적으로 유발시키는 중위험군의 병원균일 수 있다.
또한, 지정부(140)는 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)의 3개의 병원균을, 기타군(Other complex)으로 분류하여 지정할 수 있다. 기타군에 속하는 병원균들은 단독으로 치주질환을 유발시키지 않지만, 다른 등급의 병원균과의 매커니즘을 통해, 치주질환을 악화시키는 저위험군의 병원균일 수 있다.
선택부(120)는 상기 n개의 병원균 중에서, 카운트된 상기 개체 수에 기초하여 제1 병원균을 선택한다. 즉, 선택부(120)는 치주염의 진행정도를 가장 정확하게 예측할 수 있는 병원균의 조합을 찾기 위한 기준 병원균을 선정하는 역할을 할 수 있다. 상기 제1 병원균은 상술한 9개의 병원균 중 하나일 수 있고, 바람직하게는 위험군(Red complex)에 속하는 병원균 중에서 선택될 수 있다.
선택부(120)는 상기 n개의 병원균 중, 가장 많은 개체수가 카운트된 병원균을, 상기 제1 병원균으로 선택할 수 있다. 즉, 선택부(120)는 동시다중 정량 기술(multiplex qPCR)을 통해, 타액 내에 가장 많은 개체 수 분포를 갖는 것으로 분석되는 병원균을, 기준 병원균으로서의 제 1 병원균으로 선택할 수 있다.
또한, 처리부(130)는 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 형성한다. 즉, 처리부(130)는 기준 병원균에, 다른 병원균을 조합시키고 그 각각을 병원균 그룹으로 형성할 수 있다.
상기 병원균 그룹의 형성에 있어, 처리부(130)는, 제1 병원균에 하나의 제2 병원균을 종류를 달리하면서 조합시킬 수 있고, 실시예에 따라 복수의 제2 병원균을 조합시킬 수 있다.
예컨대, 처리부(130)는 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균 각각을, 제1 병원균과 조합하여 (제1 병원균 + 제2 병원균) 형태의 다수 개의 병원균 그룹을 형성할 수 있다. 또는, 처리부(130)는 복수의 제2 병원균을, 제1 병원균과 조합하여 (제1 병원균 + 제2-1 병원균 + 제2-2 병원균 + …형태의 다수 개의 병원균 그룹을 형성할 수 있다.
이후, 처리부(130)는 상기 다수 개의 병원균 그룹을, 정해진 기계학습 모델에 적용하여 도출되는 진단 정확성을 비교하며, 진단 정확성이 가장 높은 최적 병원균 그룹을 결정함으로써, 상기 최적 병원균 그룹에 속하는 병원균을 이용하여, 상기 피검체에 대한 치주염의 상태가 진단되도록 할 수 있다. 즉, 처리부(130)는 형성된 다수 개의 병원균 그룹을 규정된 4개의 기계학습 모델에 적용하고, 그 결과를 통해, 가장 우수한 진단 정확성을 나타내는 단일의 병원균 그룹을 선별하는 역할을 할 수 있다.
상기 기계학습 모델은 상술한 지정부(140)에 의해 정해질 수 있다. 즉, 지정부(140)는 치주질환과 관련되는 정도를 수치로 환산하고, 이를 차기 환산 과정에서 학습 자료로 활용되게 하는 기계학습 모델을 정하는 역할을 할 수 있다.
예컨대, 지정부(140)는 정규화된 로지스틱 회귀(Regularized logistic regression), 랜덤 포레스트(random forest), SVM(support vector machine), 및 신경망(neural network) 중 적어도 하나를, 상기 기계학습 모델을 정할 수 있다.
정규화된 로지스틱 회귀(Regularized logistic regression)는, 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용되는 통계 기법일 수 있다. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속 변수와 독립 변수 간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것이다. 이는 독립 변수의 선형 결합으로 종속 변수를 설명한다는 관점에서는 선형 회귀 분석과 유사하다. 하지만 로지스틱 회귀는 선형 회귀 분석과는 다르게 종속 변수가 범주형 데이터를 대상으로 하며 입력 데이터가 주어졌을 때 해당 데이터의 결과가 특정 분류로 나뉘기 때문에 일종의 분류(classification) 기법으로도 볼 수 있다.
흔히, 로지스틱 회귀는 종속변수가 이항형 문제(즉, 유효한 범주의 개수가 두 개인 경우)를 지칭할 때 사용될 수 있다. 로지스틱 회귀 분석은 의료, 통신, 데이터마이닝 등과 같은 다양한 분야에서 분류 및 예측을 위한 모델로서 폭넓게 사용되고 있다.
또한, 랜덤 포레스트(random forest)는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정 트리로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력함으로써 동작할 수 있다.
SVM(support vector machine)은 기계 학습의 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용할 수 있다. 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만들 수 있다. 만들어진 분류 모델은 데이터가 사상(寫像)된 공간에서 경계로 표현되는데 SVM 알고리즘은 그 중 가장 큰 폭을 가진 경계를 찾는 알고리즘일 수 있다. SVM은 선형 분류와 더불어 비선형 분류에서도 사용될 수 있다. 비선형 분류를 하기 위해서 주어진 데이터를 고차원 특징 공간으로 사상하는 작업이 필요한데, 이를 효율적으로 하기 위해서는 커널 트릭을 사용하기도 한다.
신경망(neural network)은 뉴로라고도 불리는 것으로, 인간의 뇌의 기능을 적극적으로 모방하려는 생각에 기초를 두고 있다. 즉, 신경망은 무언가를 보고, 그것이 무엇인가를 인식하여, 필요에 따라 행동을 취한다는, 인간에게는 아주 간단하고 당연한 사고방식을 컴퓨터에 학습시키려는 것이다. 신경망은 제어대상과 관련된 복수의 요인(파라메타)을 설정하고, 이들의 결합과 결합의 무게를 생각하는 방법일 수 있다. 신경망은 계산을 하는 과정에 학습기능을 부가함으로써 최적의 제어를 가능하게 할 수 있다.
다른 실시예에서, 선택부(120)는 상기 n개의 병원균 각각을, 기계학습 모델에 적용하여 도출되는 정확성(Accuracy), 균형 정확성(balanced accuracy) 및 교차률(odds ratio using log10)을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균을, 상기 제1 병원균으로 선택할 수 있다.
여기서 정확성(Accuracy)은 치주질환 진단에 있어서의, 기계학습 모델이 갖는 정확한 정도를 의미할 수 있다. 달리, 정확성은 동작 규정에 따른 적응도를 말할 수 있고, 적응도가 높다는 것은 그 만큼 해당 기계학습 모델의 정확성이 높다는 것을 의미할 수 있다.
균형 정확성(balanced accuracy)는 동일 조건에서 도출되는 결과치가 정해진 범위 내에서 균형을 갖으면서 정확하게 되는 정도를 의미할 수 있다.
교차률(odds ratio using log10)은 원인이 되는 파라메타의 다양한 결과 그룹과 비교하여, 이를 소급시켜 추정하는 항목으로, 복수 결과 그룹의 결과를 통해 관련성을 추정할 수 있다. 예컨대, 복수 결과 그룹의 교차률(odds ratio using log10)이 1이라면 관련된 이벤트가 동등하게 두 그룹에서 발생하는 것을 의미할 수 있고, 1보다 작거나 큰 경우 어느 한 그룹에서의 이벤트 발생이 더 높다는 것으로 예상할 수 있다.
즉, 선택부(120)는 규정된 기계학습 모델에 대해, 그 결과치가 가장 우수한 하나의 병원균을 기준 병원균인 제1 병원균으로 선택할 수 있다.
예컨대, 선택부(120)는, 지정부(140)에 의해 지정된 예시의 9개의 병원균을, 규정된 복수의 기계학습 모델에 적용하고, 이들 기계학습 모델로부터 결론으로 도출되는 모든 항목에 대해, 가장 큰 값의 병원균을, 제1 병원균을 선택할 수 있다.
또한, 처리부(130)는, 상기 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균과, 상기 제1 병원균을 순차적으로 조합한 병원균 그룹 각각을, 상기 기계학습 모델에 적용하여 도출되는 상기 정확성, 상기 균형 정확성 및 상기 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균 그룹을, 상기 최적 병원균 그룹으로 결정할 수 있다.
예컨대, 처리부(130)는 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균 각각을, 제1 병원균과 조합한 (제1 병원균 + 제2 병원균) 형태의 다수의 병원균 그룹을 형성하고, 이를 앞서의 기계학습 모델에 적용하여, 각 항목에서 가장 우수한 결과치를 도출할 수 있는 병원균 그룹을, 최적 병원균 그룹으로 결정할 수 있다.
이때, 처리부(130)는, 상기 최적 병원균 그룹에 속하는 병원균의 수가, 선정된 값에 도달할 때 까지, 상기 제1 병원균에 조합되는 상기 제2 병원균의 종류를 변경하거나 또는 상기 제2 병원균의 개수를 증가하면서 상기 최적 병원균 그룹의 결정을 반복할 수 있다.
예컨대, 상기 값이, '4'로 선정된 경우, 처리부(130)는 복수의 제2 병원균을, 제1 병원균과 순차적으로 조합하여, (제1 병원균 + 제2-1 병원균)을 형성하여 기계학습 모델에 적용하여 가장 우수한 결과를 도출하는 병원균 그룹을 정하고, 이를 (제1 병원균 + 제2-1 병원균 + 제2-2 병원균)와, (제1 병원균 + 제2-1 병원균 + 제2-2 병원균 + 제2-3 병원균)에 대해서도 반복하여, 최종적으로 4개의 병원균이 포함되는 최적 병원체 그룹을 결정할 수 있다.
동일하게, 상기 값을, '4'로 하여, 최적 병원균 그룹에 포함되는 병원균의 개수가 4개 되도록 하는 경우라면, 처리부(130)는 복수의 제2 병원균을, 제1 병원균과 순차적으로 조합하여, (제1 병원균 + 제2-1 병원균 + 제2-2 병원균 + 제2-3 병원균) 형태의 4 개의 병원균을 포함하는 병원균 그룹을 형성할 수 있다. 이후, 처리부(130)는 상기 4개의 병원균을 포함하는 병원균 그룹을, 앞서의 기계학습 모델에 적용하여, 각 항목에서 가장 우수한 결과치를 도출할 수 있는 병원균 그룹을, 최적 병원균 그룹으로 결정할 수 있다.
일실시예서, 상기 제1 병원균이 타네렐라 포르시티아(Tf)로 선택되는 경우, 처리부(130)는, 상기 타네렐라 포르시티아(Tf)에, 상기 제2 병원균으로서, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 순차적으로 조합하여 상기 최적 병원균 그룹을 결정할 수 있다.
즉, 처리부(130)는 (타네렐라 포르시티아(Tf) + 제2 병원균)을 형성하여 기계학습 모델에 적용하여 가장 우수한 결과를 도출하는 병원균 그룹 (타네렐라 포르시티아(Tf) + 펩티스트렙토코커스 애나로비어스(Pa))을 정하고, 이를 반복하여, (타네렐라 포르시티아(Tf) + 펩티스트렙토코커스 애나로비어스(Pa) + 포르리포모나스 진지발리스(Pg) + 프레보텔라 인터메디아(Pi))의 4개의 병원균이 포함되는 최적 병원체 그룹을 결정할 수 있다.
본 발명의 일실시예에 따르면, 치주 질환이 의심되는 피검체로부터 받은 타액 샘플에서, 동시다중 정량 기술(multiplex qPCR)을 활용하여 치주염과 연관된 병원균들의 개체 수를 확인하는, 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치를 제공할 수 있다.
또한, 본 발명의 일실시예에 따르면, 확인된 병원균의 개체 수를 바탕으로 네 가지 기계학습 모델(Regularized logistic regression, random forest, support vector machine, neural network)을 활용하여 치주염의 진행정도를 가장 정확하게 예측할 수 있는 유해균 균주의 조합을 찾을 수 있다.
또한, 본 발명의 일실시예에 따르면, 각 개인별로 가지고 있는 유해균의 개체 수 정보와 기계 학습 모델을 활용하여 가장 정확하게 치주염의 진행정도를 예측할 수 있는 유해균 균주의 조합을 찾을 수 있다.
또한, 본 발명의 실시예는, 기계학습 모델과 유해균 균주 조합을 활용하여 개인의 타액 샘플로부터 치주염의 진행 정도를 예측하여 개인 맞춤형으로 치주염의 진행 정도를 예측할 수 있다.
치주염의 정도를 진단하기 위한 기계학습 분류에 있어, 분류 방법(Classification method)은 랜덤 포레스트(random forest) 또는 신경망(neural network) 만을 특정하게 선택하여 활용할 수도 있다. 또한, 교차 유효성 검사 방법(Cross-validation method)에서는, Five-fold cross-validation(4교육 데이터, 1 검증 데이터)을 활용할 수 있다. 또한, 모델 유효성에서는 예컨대 44 샘플을 추가할 수 있다.
본 발명의 치주염 진행 정도 예측을 위한 실시예에서는, 총 692명의 치주염의 진행 정도를 진단받은 사람들로부터 타액 샘플을 기증 받았다(남성 361, 여성 331). 이들에 대한 분류는 4단계(정상(H), 초기(CP_E), 중기(CP_M), 후기(CP_S))으로 나뉘고, 144명은 정상으로 분류(진단) 되었고, 95명은 초기 치주염, 245명은 중기 치주염, 208명은 후기 치주염으로 분류(진단)을 되었다.
치주염의 병인으로서 관여된 병원균(bacteria complexes)은 총 9종으로, 예컨대 위험군(Red complex)으로 분류되는, 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)와, 보통군(Orange complex)으로 분류되는, 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)와, 기타군(Other complex)으로 분류되는, 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec) 일 수 있다.
본 발명에 따른 치주염 진행 정도 예측 장치는 타액 샘플로부터 multiplex qPCR 과정을 진행하여, 치주염과 연관된, 상술의 9종의 병원균에 대한 개체 수를 확보한다. 이후, 치주염 진행 정도 예측 장치는 확보된 유해균 개체 수와 기계학습 모델을 활용하여 각 단계(정상, 초기, 중기, 후기)을 가장 정확하게 예측할 수 있는 병원균 그룹과 정확도를 구한다.
도 2는 본 발명의 일실시예에 따른 치주염 샘플 정보를 예시하는 도면이다.
도 2에 예시되는 병원균은, 위험군(Red complex)의, 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)와, 보통군(Orange complex)의, 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)와, 기타군(Other complex)의, 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)이다.
도 2에 예시한 바와 같이, 위험군(Red complex)으로 분류되는 병원균들이 상대적으로 많은 병원균 개체 수를 많이 가지고 있음을 확인할 수 있다.
도 3은 본 발명의 일실시예에 따른 병원균 카피 번호 정보(Pathogen copy number information )를 통해 치주 상태를 예측하는 것을 예시하는 도면이다.
도 3에 도시한 바와 같이, 타네렐라 포르시티아(Tf), 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)에 비교적 높은 수치가 기록되는 경우에, 치주염의 중기/후기(CP_M, CP_S)로 진단되는 것을 확인할 수 있다.
이에 따라, 본 발명의 치주염 진행 정도 예측 장치는, 타네렐라 포르시티아(Tf)에, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 포함하는 병원균 그룹을, 최적 병원균 그룹으로 결정할 수 있다.
도 4는 본 발명의 일실시예에 따른 최적 병원균 그룹을 결정하는 일례를 설명하기 위한 도면이다.
도 4(a)는 각 병원균의 정확도를 예측한 값을 나열한 도이고, 도 4(b)는 예측 정확도에 대한 예시 결과를 나열한 도이다.
치주염 진행 정도 예측 장치는 복수의 병원균 각각을, 상기 기계학습 모델에 적용하여 Accuracy(정확성), 및 AUC(area under the curve)을 도출할 수 있다. 도 4(a)에서는, Accuracy와 AUC가 상대적으로 가장 높은 수치의 병원균 'Pathogen 2'를 선택하는 것이 예시된다.
이후, 치주염 진행 정도 예측 장치는 상기 병원균 'Pathogen 2'에, 다른 병원균을 순차적으로 조합한 병원균 그룹 각각에 대해, Accuracy 및 AUC을 연속 도출하고, 역시 가장 높은 수치의 Accuracy와 AUC를 나타내는 'Pathogen ☆', …'Pathogen ○'을 반복적으로 선택하여, 도 4(b)에서와 같은 최적 병원균 그룹을 결정할 수 있다.
도 5는 본 발명의 일시예에 따른 최적 병원균 그룹의 결과를 예시하기 위한 도면이다.
도 5에서는, 44개의 새로운 데이터 집합으로 유효성 검사를 실시한 실험 데이터를 보여주고 있다.
상기 44개의 새로운 데이터 집합에 대해, 치주염 진행 정도 예측 장치는,
1. 건강한 사람 집단 (Healthy) vs 초기 치주염 환자 집단 (CP_E),
2. 건강한 사람 집단 (Healthy) vs 초기, 중기, 후기 치주염 환자 집단 (CP_E_M_S),
3. 건강한 사람 집단 (Healthy) vs 중기, 후기 치주염 환자 집단 (CP_M_S),
4. 건강한 사람, 초기 치주염 환자 집단 (Healthy_CP_E) vs 중기, 후기 치주염 환자 집단 (CP_M_S),
5. 건강한 사람 집단 (Healthy) vs 초기 치주염 환자 집단 (CP_E) vs 중기, 후기 치주염 환자 집단 (CP_M_S)
등으로 샘플들을 분류하여, 기계학습 모델에 따른 결과 값을 도출 할 수 있다.
도 5(a)에서는 기계학습 모델 'Random forest'에 기초하여 다양한 병원균 그룹 각각에 대해 도출된 결과 값을 예시한다.
도 5(a)의 결과 값 중, '건강한 사람 집단과, 중등도 및 심한 치주염에 걸린 집단'(Healthy vs CP_M, CP_S)의 정확성에 대한 유효성(Validation Accuracy) 항목에서, 치주염 진행 정도 예측 장치는, 병원균 그룹 'Tf + Pg + Fn + Td + Ec + Cr'에서 가장 높은 수치가 도출 됨을 확인할 수 있다.
또한, 도 5(b)에서는 기계학습 모델 Neural Network'에 기초하여 다양한 병원균 그룹 각각에 대해 도출된 결과 값을 예시한다.
도 5(b)의 결과 값 중, '건강한 사람 집단 및 초기 치주염 집단과, 중등도 및 심한 치주염에 걸린 집단'(Healthy, CP_E vs CP_M, CP_S)의 정확성에 대한 유효성(Validation Accuracy) 항목에서, 치주염 진행 정도 예측 장치는 병원균 그룹 'Tf + Pg + Fn + Td' 에서 가장 높은 수치가 도출 됨을 확인할 수 있다.
상기 'Random forest'와 상기 'Neural Network'의 두 가지 모델로 기존의 데이터셋 (692 샘플)에 대하여 치주염의 진행 정도를 예측한 결과와 새로운 데이터셋 (44 샘플)에 대하여 치주염의 진행 정도를 예측한 결과를 정리한다.
1. 건강한 사람 집단과 치주염에 걸린 집단(Healthy vs CP_E, CP_M, CP_S), 두 그룹으로 나누어서 치주염의 진행 정도를 예측한 경우에는, 기존의 데이터셋을 활용하여 정확도가 약 90%인 모델을 만들었는데, 새로운 데이터셋에 검증을 해보니 정확도가 약 68 ~ 75% 로 도출된다.
2. 건강한 사람 집단과 중등도 및 심한 치주염에 걸린 집단'(Healthy vs CP_M, CP_S), 두 그룹으로 나누어서 치주염의 진행 정도를 예측한 경우에는, 기존의 데이터셋을 활용하여 정확도가 약 92%인 모델을 만들었는데, 새로운 데이터셋에 검증을 해보니 정확도가 약 86%로 도출된다.
3. 건강한 사람 및 초기 치주염 집단과, 중등도 및 심한 치주염에 걸린 집단'(Healthy, CP_E vs CP_M, CP_S), 두 그룹으로 나누어서 치주염의 진행 정도를 예측한 경우에는, 기존의 데이터셋을 활용하여 정확도가 약 84%인 모델을 만들었는데, 새로운 데이터셋에 검증을 해보니 정확도가 약 84% ~ 90%로 도출된다.
4. 최종적으로 44샘플에 대해서 검증하는 과정을 진행하였을 때, Random forest 모델의 경우에는 검증의 정확도가 최소 72% 최대 86%까지 나오는 것을 확인하였다.
5. 같은 과정을 Neural network 모델을 활용하여 진행하였을 때에는, 검증의 정확도가 최소 62% 최대 90%까지 나오는 것을 확인하였다.
이하, 도 6에서는 본 발명의 실시예들에 따른 치주염 진행 정도 예측 장치(100)의 작업 흐름을 상세히 설명한다.
도 6은 본 발명의 일실시예에 따른, 치주염 진행 정도 예측 방법을 도시한 흐름도이다.
본 실시예에 따른 치주염 진행 정도 예측 방법은 치주염 진행 정도 예측 장치(100)에 의해 수행될 수 있다.
우선, 치주염 진행 정도 예측 장치(100)는 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 n개(상기 n은 9이상의 자연수)의 병원균에 대한 개체 수를 카운트한다(610). 단계(610)는, 치주질환이 의심되는 피검체에서 채집한 타액(예, 침 등) 내에 존재하는 병원균 중에서, 치주질환을 일으키는 주요 병원균으로 지정되는 병원균(유해균) 각각에 대해 그 개체 수를 계수하는 과정일 수 있다.
병원균에 대한 개체 수의 카운트에 있어, 치주염 진행 정도 예측 장치(100)는 동시다중 정량 기술(multiplex qPCR)을 활용할 수 있다. 동시다중 정량 기술(Multiplex qPCR)은 단 하나의 qPCR 분석 기구 만을 이용하면서도 동시에 여러 표적을 증폭하고 검출할 수 있어, 임상 표본의 진단에 필요한 비용과 시간을 최소한으로 할 수 있다. 동시다중 정량기술에 의해서는, 치주염과 관련된 원인 병원균을 단일 반응으로, 동시에 빠르게 검출하고 이를 바탕으로 효과적으로 개체 수를 카운트 할 수 있다.
치주염 진행 정도 예측 장치(100)는, 치주염을 유발하는 원인 병원균으로서, 9개 이상의 병원균을, 각각에 등급에 맞춰 지정할 수 있다.
예컨대, 치주염 진행 정도 예측 장치(100)는 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)의 3개의 병원균을, 위험군(Red complex)으로 분류하여 지정할 수 있다. 위험군에 속하는 병원균들은 치주질환을 직접적으로 유발시키는 고위험군의 병원균일 수 있다.
또한, 치주염 진행 정도 예측 장치(100)는 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)의 3개의 병원균을, 보통군(Orange complex)으로 분류하여 지정할 수 있다. 보통군에 속하는 병원균들은 치주질환을 간접적으로 유발시키는 중위험군의 병원균일 수 있다.
또한, 치주염 진행 정도 예측 장치(100)는 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)의 3개의 병원균을, 기타군(Other complex)으로 분류하여 지정할 수 있다. 기타군에 속하는 병원균들은 단독으로 치주질환을 유발시키지 않지만, 다른 등급의 병원균과의 매커니즘을 통해, 치주질환을 악화시키는 저위험군의 병원균일 수 있다.
또한, 치주염 진행 정도 예측 장치(100)는 상기 n개의 병원균 중에서, 카운트된 상기 개체 수에 기초하여 제1 병원균을 선택한다(620). 단계(620)는 치주염의 진행정도를 가장 정확하게 예측할 수 있는 병원균의 조합을 찾기 위한 기준 병원균을 선정하는 과정일 수 있다. 상기 제1 병원균은 상술한 9개의 병원균 중 하나일 수 있고, 바람직하게는 위험군(Red complex)에 속하는 병원균 중에서 선택될 수 있다.
치주염 진행 정도 예측 장치(100)는 상기 n개의 병원균 중, 가장 많은 개체수가 카운트된 병원균을, 상기 제1 병원균으로 선택할 수 있다. 즉, 치주염 진행 정도 예측 장치(100)는 동시다중 정량 기술(multiplex qPCR)을 통해, 타액 내에 가장 많은 개체 수 분포를 갖는 것으로 분석되는 병원균을, 기준 병원균으로서의 제 1 병원균으로 선택할 수 있다.
계속해서, 치주염 진행 정도 예측 장치(100)는 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 합하여, 다수 개의 병원균 그룹으로 형성한다(630). 단계(630)는 기준 병원균에, 다른 병원균을 조합시키고 그 각각을 병원균 그룹으로 형성하는 과정일 수 있다.
상기 병원균 그룹의 형성에 있어, 치주염 진행 정도 예측 장치(100)는, 제1 병원균에 하나의 제2 병원균을 종류를 달리하면서 조합시킬 수 있고, 실시예에 따라 복수의 제2 병원균을 조합시킬 수 있다.
예컨대, 치주염 진행 정도 예측 장치(100)는 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균 각각을, 제1 병원균과 조합하여 (제1 병원균 + 제2 병원균) 형태의 다수 개의 병원균 그룹을 형성할 수 있다. 또는, 치주염 진행 정도 예측 장치(100)는 복수의 제2 병원균을, 제1 병원균과 조합하여 (제1 병원균 + 제2-1 병원균 + 제2-2 병원균 + …형태의 다수 개의 병원균 그룹을 형성할 수 있다.
또한, 치주염 진행 정도 예측 장치(100)는 상기 다수 개의 병원균 그룹을, 정해진 기계학습 모델에 적용하여 도출되는 진단 정확성을 비교하며, 진단 정확성이 가장 높은 최적 병원균 그룹을 결정함으로써, 상기 최적 병원균 그룹에 속하는 병원균을 이용하여, 상기 피검체에 대한 치주염의 상태가 진단되도록 할 수 있다(640). 단계(640)는 형성된 다수 개의 병원균 그룹을 규정된 4개의 기계학습 모델에 적용하고, 그 결과를 통해, 가장 우수한 진단 정확성을 나타내는 단일의 병원균 그룹을 선별하는 과정일 수 있다.
치주염 진행 정도 예측 장치(100)는 치주질환과 관련되는 정도를 수치로 환산하고, 이를 차기 환산 과정에서 학습 자료로 활용되게 하는 기계학습 모델을 정하는 역할을 할 수 있다.
예컨대, 치주염 진행 정도 예측 장치(100)는 정규화된 로지스틱 회귀(Regularized logistic regression), 랜덤 포레스트(random forest), SVM(support vector machine), 중 신경망(neural network) 중 적어도 하나를, 상기 기계학습 모델을 정할 수 있다.
정규화된 로지스틱 회귀(Regularized logistic regression)는, 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용되는 통계 기법일 수 있다. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속 변수와 독립 변수 간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것이다. 이는 독립 변수의 선형 결합으로 종속 변수를 설명한다는 관점에서는 선형 회귀 분석과 유사하다. 하지만 로지스틱 회귀는 선형 회귀 분석과는 다르게 종속 변수가 범주형 데이터를 대상으로 하며 입력 데이터가 주어졌을 때 해당 데이터의 결과가 특정 분류로 나뉘기 때문에 일종의 분류(classification) 기법으로도 볼 수 있다.
흔히, 로지스틱 회귀는 종속변수가 이항형 문제(즉, 유효한 범주의 개수가 두 개인 경우)를 지칭할 때 사용될 수 있다. 로지스틱 회귀 분석은 의료, 통신, 데이터마이닝 등과 같은 다양한 분야에서 분류 및 예측을 위한 모델로서 폭넓게 사용되고 있다.
또한, 랜덤 포레스트(random forest)는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정 트리로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력함으로써 동작할 수 있다.
SVM(support vector machine)은 기계 학습의 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용할 수 있다. 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만들 수 있다. 만들어진 분류 모델은 데이터가 사상된 공간에서 경계로 표현되는데 SVM 알고리즘은 그 중 가장 큰 폭을 가진 경계를 찾는 알고리즘일 수 있다. SVM은 선형 분류와 더불어 비선형 분류에서도 사용될 수 있다. 비선형 분류를 하기 위해서 주어진 데이터를 고차원 특징 공간으로 사상하는 작업이 필요한데, 이를 효율적으로 하기 위해서는 커널 트릭을 사용하기도 한다.
신경망(neural network)은 뉴로라고도 불리는 것으로, 인간의 뇌의 기능을 적극적으로 모방하려는 생각에 기초를 두고 있다. 즉, 신경망은 무언가를 보고, 그것이 무엇인가를 인식하여, 필요에 따라 행동을 취한다는, 인간에게는 아주 간단하고 당연한 사고방식을 컴퓨터에 학습시키려는 것이다. 신경망은 제어대상과 관련된 복수의 요인(패러미터)을 설정하고, 이들의 결합과 결합의 무게를 생각하는 방법일 수 있다. 신경망은 계산을 하는 과정에 학습기능을 부가함으로써 최적의 제어를 가능하게 할 수 있다.
다른 실시예에서, 치주염 진행 정도 예측 장치(100)는 상기 n개의 병원균 각각을, 기계학습 모델에 적용하여 도출되는 정확성(Accuracy), 균형 정확성(balanced accuracy) 및 교차률(odds ratio using log10)을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균을, 상기 제1 병원균으로 선택할 수 있다.
여기서 정확성(Accuracy)은 치주질환 진단에 있어서의, 기계학습 모델이 갖는 정확한 정도를 의미할 수 있다. 달리, 정확성은 동작 규정에 따른 적응도를 말할 수 있고, 적응도가 높다는 것은 그 만큼 해당 기계학습 모델의 정확성이 높다는 것을 의미할 수 있다.
균형 정확성(balanced accuracy)는 동일 조건에서 도출되는 결과치가 정해진 범위 내에서 균형을 갖으면서 정확하게 되는 정도를 의미할 수 있다.
교차률(odds ratio using log10)은 원인이 되는 파라메타의 다양한 결과 그룹과 비교하여, 이를 소급시켜 추정하는 항목으로, 복수 결과 그룹의 결과를 통해 관련성을 추정할 수 있다. 예컨대, 복수 결과 그룹의 교차률(odds ratio using log10)이 1이라면 관련된 이벤트가 동등하게 두 그룹에서 발생하는 것을 의미할 수 있고, 1보다 작거나 큰 경우 어느 한 그룹에서의 이벤트 발생이 더 높다는 것으로 예상할 수 있다.
즉, 치주염 진행 정도 예측 장치(100)는 규정된 기계학습 모델에 대해, 그 결과치가 가장 우수한 하나의 병원균을 기준 병원균인 제1 병원균으로 선택할 수 있다.
예컨대, 치주염 진행 정도 예측 장치(100)는, 치주염 진행 정도 예측 장치(100)에 의해 지정된 예시의 9개의 병원균을, 규정된 복수의 기계학습 모델에 적용하고, 이들 기계학습 모델로부터 결론으로 도출되는 모든 항목에 대해, 가장 큰 값의 병원균을, 제1 병원균을 선택할 수 있다.
또한, 치주염 진행 정도 예측 장치(100)는, 상기 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균과, 상기 제1 병원균을 순차적으로 조합한 병원균 그룹 각각을, 상기 기계학습 모델에 적용하여 도출되는 상기 정확성, 상기 균형 정확성 및 상기 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균 그룹을, 상기 최적 병원균 그룹으로 결정할 수 있다.
예컨대, 치주염 진행 정도 예측 장치(100)는 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균 각각을, 제1 병원균과 조합한 (제1 병원균 + 제2 병원균) 형태의 다수의 병원균 그룹을 형성하고, 이를 앞서의 기계학습 모델에 적용하여, 각 항목에서 가장 우수한 결과치를 도출할 수 있는 병원균 그룹을, 최적 병원균 그룹으로 결정할 수 있다.
이때, 치주염 진행 정도 예측 장치(100)는, 상기 최적 병원균 그룹에 속하는 병원균의 수가, 선정된 값에 도달할 때 까지, 상기 제1 병원균에 조합되는 상기 제2 병원균의 종류를 변경하거나 또는 상기 제2 병원균의 개수를 증가하면서 상기 최적 병원균 그룹의 결정을 반복할 수 있다.
예컨대, 상기 값이, '4'로 선정된 경우, 치주염 진행 정도 예측 장치(100)는 복수의 제2 병원균을, 제1 병원균과 순차적으로 조합하여, (제1 병원균 + 제2-1 병원균)을 형성하여 기계학습 모델에 적용하여 가장 우수한 결과를 도출하는 병원균 그룹을 정하고, 이를 (제1 병원균 + 제2-1 병원균 + 제2-2 병원균)와, (제1 병원균 + 제2-1 병원균 + 제2-2 병원균 + 제2-3 병원균)에 대해서도 반복하여, 최종적으로 4개의 병원균이 포함되는 최적 병원체 그룹을 결정할 수 있다.
동일하게, 상기 값을, '4'로 하여, 최적 병원균 그룹에 포함되는 병원균의 개수가 4개 되도록 하는 경우라면, 치주염 진행 정도 예측 장치(100)는 복수의 제2 병원균을, 제1 병원균과 순차적으로 조합하여, (제1 병원균 + 제2-1 병원균 + 제2-2 병원균 + 제2-3 병원균) 형태의 4 개의 병원균을 포함하는 병원균 그룹을 형성할 수 있다. 이후, 치주염 진행 정도 예측 장치(100)는 상기 4개의 병원균을 포함하는 병원균 그룹을, 앞서의 기계학습 모델에 적용하여, 각 항목에서 가장 우수한 결과치를 도출할 수 있는 병원균 그룹을, 최적 병원균 그룹으로 결정할 수 있다.
일실시예서, 상기 제1 병원균이 타네렐라 포르시티아(Tf)로 선택되는 경우, 치주염 진행 정도 예측 장치(100)는, 상기 타네렐라 포르시티아(Tf)에, 상기 제2 병원균으로서, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 순차적으로 조합하여 상기 최적 병원균 그룹을 결정할 수 있다.
즉, 치주염 진행 정도 예측 장치(100)는 (타네렐라 포르시티아(Tf) + 제2 병원균)을 형성하여 기계학습 모델에 적용하여 가장 우수한 결과를 도출하는 병원균 그룹 (타네렐라 포르시티아(Tf) + 펩티스트렙토코커스 애나로비어스(Pa))을 정하고, 이를 반복하여, (타네렐라 포르시티아(Tf) + 펩티스트렙토코커스 애나로비어스(Pa) + 포르리포모나스 진지발리스(Pg) + 프레보텔라 인터메디아(Pi))의 4개의 병원균이 포함되는 최적 병원체 그룹을 결정할 수 있다.
본 발명의 일실시예에 따르면, 치주 질환이 의심되는 피검체로부터 받은 타액 샘플에서, 동시다중 정량 기술(multiplex qPCR)을 활용하여 치주염과 연관된 병원균들의 개체 수를 확인하는, 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치를 제공할 수 있다.
또한, 본 발명의 일실시예에 따르면, 확인된 병원균의 개체 수를 바탕으로 네 가지 기계학습 모델(Regularized logistic regression, random forest, support vector machine, neural network)을 활용하여 치주염의 진행정도를 가장 정확하게 예측할 수 있는 유해균 균주의 조합을 찾을 수 있다.
또한, 본 발명의 일실시예에 따르면, 각 개인별로 가지고 있는 유해균의 개체 수 정보와 기계 학습 모델을 활용하여 가장 정확하게 치주염의 진행정도를 예측할 수 있는 유해균 균주의 조합을 찾을 수 있다.
또한, 본 발명의 실시예는, 기계학습 모델과 유해균 균주 조합을 활용하여 개인의 타액 샘플로부터 치주염의 진행 정도를 예측하여 개인 맞춤형으로 치주염의 진행 정도를 예측할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100 : 치주염 진행 정도 예측 장치
110 : 카운트부 120 : 선택부
130 : 처리부 140 : 지정부

Claims (16)

  1. 치주염 진행 정도 예측 장치에 의해 구현되는 치주염 진행 정도 예측 방법에 있어서,
    상기 치주염 진행 정도 예측 장치 내 지정부에서, 위험군(Red complex)으로 분류되는, 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)와, 보통군(Orange complex)으로 분류되는, 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)와, 기타군(Other complex)으로 분류되는, 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)를 적어도 포함하여, n개(상기 n은 9이상의 자연수)의 병원균을 지정하는 단계;
    상기 치주염 진행 정도 예측 장치 내 카운트부에서, 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 상기 n개의 병원균을 확인하는 단계;
    상기 치주염 진행 정도 예측 장치 내 선택부에서, 상기 n개의 병원균 각각을, 정해진 기계학습 모델에 적용하여 도출되는 정확성(Accuracy), 균형 정확성(balanced accuracy) 및 교차률(odds ratio using log10)을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균을, 제1 병원균으로 선택하는 단계;
    상기 치주염 진행 정도 예측 장치 내 처리부에서, 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 결정하는 단계; 및
    상기 처리부에서, 상기 다수 개의 병원균 그룹을, 상기 기계학습 모델에 적용하여 도출되는 정확성을 비교하고, 정확성이 가장 높은 최적 병원균 그룹을 결정하는 단계
    를 포함하고,
    상기 최적 병원균 그룹을 결정하는 단계는,
    상기 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균과, 상기 제1 병원균을 순차적으로 조합한 병원균 그룹 각각을, 상기 기계학습 모델에 적용하여 도출되는 상기 정확성, 상기 균형 정확성 및 상기 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균 그룹을, 상기 최적 병원균 그룹으로 결정하는 결정 단계; 및
    상기 최적 병원균 그룹에 속하는 병원균의 수가, 선정된 값에 도달할 때 까지, 상기 제1 병원균에 조합되는 상기 제2 병원균의 종류를 변경하거나 또는 상기 제2 병원균의 개수를 증가하면서 상기 결정 단계를 반복하는 단계
    를 포함하는 치주염 진행 정도 예측 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 치주염 진행 정도 예측 방법은,
    상기 카운트부에서, 상기 n개의 병원균에 대한 개체 수를 카운트하는 단계
    를 더 포함하고,
    상기 제1 병원균을 선택하는 단계는,
    상기 n개의 병원균 중, 가장 많은 개체수가 카운트된 병원균을, 상기 제1 병원균으로 선택하는 단계
    를 포함하는 치주염 진행 정도 예측 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 제1 병원균이 상기 타네렐라 포르시티아(Tf)로 선택되는 경우,
    상기 최적 병원균 그룹을 결정하는 단계는,
    상기 타네렐라 포르시티아(Tf)에, 상기 제2 병원균으로서, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 순차적으로 조합하여 상기 최적 병원균 그룹을 결정하는 단계
    를 포함하는 치주염 진행 정도 예측 방법.
  8. 제1항에 있어서,
    상기 지정부에서, 상기 기계학습 모델로서, 정규화된 로지스틱 회귀(Regularized logistic regression), 랜덤 포레스트(random forest), SVM(support vector machine), 및 신경망(neural network) 중 적어도 하나를 정하는 단계
    를 더 포함하는 치주염 진행 정도 예측 방법.
  9. 위험군(Red complex)으로 분류되는, 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)와, 보통군(Orange complex)으로 분류되는, 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)와, 기타군(Other complex)으로 분류되는, 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)를 적어도 포함하여, n개(상기 n은 9이상의 자연수)의 병원균을 지정하는 지정부;
    피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 상기 n개의 병원균을 확인하는 카운트부;
    상기 n개의 병원균 각각을, 상기 기계학습 모델에 적용하여 도출되는 정확성, 균형 정확성 및 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균을, 상기 제1 병원균으로 선택하는 선택부; 및
    상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 결정하고, 상기 다수 개의 병원균 그룹을, 상기 기계학습 모델에 적용하여 도출되는 정확성을 비교하며, 정확성이 가장 높은 최적 병원균 그룹을 결정하는 처리부
    를 포함하고,
    상기 처리부는,
    상기 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균과, 상기 제1 병원균을 순차적으로 조합한 병원균 그룹 각각을, 상기 기계학습 모델에 적용하여 도출되는 상기 정확성, 상기 균형 정확성 및 상기 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균 그룹을, 상기 최적 병원균 그룹으로 결정하고,
    상기 최적 병원균 그룹에 속하는 병원균의 수가, 선정된 값에 도달할 때 까지, 상기 제1 병원균에 조합되는 상기 제2 병원균의 종류를 변경하거나 또는 상기 제2 병원균의 개수를 증가하면서 상기 최적 병원균 그룹의 결정을 반복하는
    치주염 진행 정도 예측 장치.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제9항에 있어서,
    상기 카운트부는,
    상기 n개의 병원균에 대한 개체 수를 카운트하고,
    상기 선택부는,
    상기 n개의 병원균 중, 가장 많은 개체수가 카운트된 병원균을, 상기 제1 병원균으로 선택하는
    치주염 진행 정도 예측 장치.
  14. 삭제
  15. 제9항에 있어서,
    상기 제1 병원균이 상기 타네렐라 포르시티아(Tf)로 선택되는 경우,
    상기 처리부는,
    상기 타네렐라 포르시티아(Tf)에, 상기 제2 병원균으로서, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 순차적으로 조합하여 상기 최적 병원균 그룹을 결정하는
    치주염 진행 정도 예측 장치.
  16. 제9항에 있어서,
    상기 지정부는,
    상기 기계학습 모델로서, 정규화된 로지스틱 회귀, 랜덤 포레스트, SVM, 및 신경망 중 적어도 하나를 정하는
    치주염 진행 정도 예측 장치.
KR1020190095319A 2019-08-06 2019-08-06 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치 KR102288592B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190095319A KR102288592B1 (ko) 2019-08-06 2019-08-06 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095319A KR102288592B1 (ko) 2019-08-06 2019-08-06 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치

Publications (2)

Publication Number Publication Date
KR20210016912A KR20210016912A (ko) 2021-02-17
KR102288592B1 true KR102288592B1 (ko) 2021-08-11

Family

ID=74731796

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095319A KR102288592B1 (ko) 2019-08-06 2019-08-06 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치

Country Status (1)

Country Link
KR (1) KR102288592B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240048349A (ko) 2022-10-06 2024-04-15 경희대학교 산학협력단 치은염 및 치주염에 대한 구강 마이크로바이옴 기반의 진단 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003205913A1 (en) * 2002-02-20 2003-09-09 Ncc Technology Ventures Pte Limited Materials and methods relating to cancer diagnosis
KR101557192B1 (ko) * 2013-07-22 2015-10-05 서경대학교산학협력단 구강질환 유발 미생물의 농도를 기반으로 산출된 구강 미생물 환경 지수
KR101903526B1 (ko) * 2015-08-19 2018-10-05 한국전자통신연구원 바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A.C.M. Apolonio 외 6명, J Appl Microbiol. 2007 Jul;103(1):245-51. doi: 10.1111/j.1365-2672.2006.03211.x.

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240048349A (ko) 2022-10-06 2024-04-15 경희대학교 산학협력단 치은염 및 치주염에 대한 구강 마이크로바이옴 기반의 진단 방법

Also Published As

Publication number Publication date
KR20210016912A (ko) 2021-02-17

Similar Documents

Publication Publication Date Title
CN111710364B (zh) 一种菌群标记物的获取方法、装置、终端及存储介质
KR102288592B1 (ko) 치주염 진행 정도 예측 방법 및 치주염 진행 정도 예측 장치
US10957421B2 (en) System and method for inter-species DNA mixture interpretation
Sekaran et al. Predicting autism spectrum disorder from associative genetic markers of phenotypic groups using machine learning
Ramos et al. An interpretable approach for lung cancer prediction and subtype classification using gene expression
Saleh et al. A OBTAINING UNIQUE BY ANALYZING DNA USING A NEURO-FUZZY ALGORITHM.
Saroja et al. Data‐Driven Decision Making in IoT Healthcare Systems—COVID‐19: A Case Study
JP6876300B2 (ja) 予測装置
Mutegeki et al. Interpretable machine learning-based triage for decision support in emergency care
Naemi et al. Personalized predictive models for identifying clinical deterioration using LSTM in emergency departments
US20230274790A1 (en) Systems, methods, and media for classifying genetic sequencing results based on pathogen-specific adaptive thresholds
Fisher et al. Stochastic optimization of adaptive enrichment designs for two subpopulations
Grzyb et al. Multi-task cox proportional hazard model for predicting risk of unplanned hospital readmission
CN115836350A (zh) 用于确定新抗原的呈递可能性的方法、系统和计算机程序产品
KR20210059325A (ko) 딥러닝을 이용한 암의 예후 예측 모델
Chakkouch et al. A Comparative Study of Machine Learning Techniques to Predict Types of Breast Cancer Recurrence
EP4258268A1 (en) Detection of a genomic sequence in a microorganism genome by whole genome sequencing
Lisboa et al. Survival of breast cancer patients following surgery: a detailed assessment of the multi-layer perceptron and Cox's proportional hazard model
Cherlin et al. Cross-validated risk scores adaptive enrichment (CADEN) design
Yatskou et al. Identification of single nucleotide genetic polymorphism sites using machine learning methods
Khurana et al. Mental health prognosis using machine learning
Wooding PopHist: inferring population history from the spectrum of allele frequencies
Priyadharshini et al. PCOS Disease Prediction Using Machine Learning Algorithms
Gwak et al. Transformer-based embedding applied to classify bacterial species using sequencing reads
Okwori et al. Prediction of Patient’s Stroke Vulnerability Status Using Logistic Regression Machine Learning Model

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