KR102293496B1 - System for cancer therapeutic recommendation using machine learning technique and method thereof - Google Patents

System for cancer therapeutic recommendation using machine learning technique and method thereof Download PDF

Info

Publication number
KR102293496B1
KR102293496B1 KR1020190106544A KR20190106544A KR102293496B1 KR 102293496 B1 KR102293496 B1 KR 102293496B1 KR 1020190106544 A KR1020190106544 A KR 1020190106544A KR 20190106544 A KR20190106544 A KR 20190106544A KR 102293496 B1 KR102293496 B1 KR 102293496B1
Authority
KR
South Korea
Prior art keywords
patient
cancer
characteristic information
cancer treatment
neural network
Prior art date
Application number
KR1020190106544A
Other languages
Korean (ko)
Other versions
KR20200049503A (en
Inventor
손준우
김은주
박명옥
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Publication of KR20200049503A publication Critical patent/KR20200049503A/en
Application granted granted Critical
Publication of KR102293496B1 publication Critical patent/KR102293496B1/en

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 머신러닝 기법을 이용한 치료제 추천 시스템 및 그 방법에 관한 것이다.
본 발명에 따르면, 머신러닝 기법을 이용한 치료제 추천 시스템을 이용한 암 치료제 추천 방법에 있어서, 암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 단계, 상기 완치 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 제1 신경망 모델을 생성하는 단계, 상기 사망 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습에 적용하여 제2 신경망 모델을 생성하는 단계, 암 치료제를 추천 받기 위한 피검자의 특성정보를 입력 받는 단계, 상기 피검자의 특성 정보를 상기 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출하는 단계, 상기 피검자의 특성 정보를 상기 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출하는 단계, 그리고 상기 제1 치료제 중에 상기 제2 치료제가 중복되어 포함된 경우, 상기 제1 치료제에서 상기 제2 치료제를 제거하여 최종 추천 암 치료제를 상기 피검자에게 제공하는 단계를 포함한다.The present invention relates to a system for recommending a therapeutic agent using a machine learning technique and a method therefor.
According to the present invention, in a method for recommending a cancer treatment using a treatment recommendation system using a machine learning technique, the steps of constructing a cured patient database and a deceased patient database using characteristic information of cancer patients and cancer treatment prescription data, respectively; Creating a first neural network model by applying the characteristic information and prescription data included in the cured patient database to multi-level machine learning; Generating a second neural network model by applying to machine learning, receiving an input of characteristic information of a subject for receiving a recommendation for a cancer treatment agent, applying the characteristic information of the subject to the first neural network model to obtain one or more first cancer treatments extracting, applying the characteristic information of the subject to the second neural network model to extract one or more second cancer therapeutic agents, and when the second therapeutic agent is overlapped in the first therapeutic agent, the first therapeutic agent and providing a final recommended cancer treatment agent to the subject by removing the second therapeutic agent.

Description

머신러닝 기법을 이용한 치료제 추천 시스템 및 그 방법{SYSTEM FOR CANCER THERAPEUTIC RECOMMENDATION USING MACHINE LEARNING TECHNIQUE AND METHOD THEREOF}Treatment recommendation system and method using machine learning technique

본 발명은 머신러닝 기법을 이용한 치료제 추천 시스템 및 그 방법에 관한 것으로, 상반 데이터를 기반으로 학습모델을 생성하고, 생성된 학습모델에 환자의 특성 정보와 암 치료제 처방 데이터를 적용하여 암 치료제를 추천하는 머신러닝 기법을 이용한 치료제 추천 시스템 및 그 방법에 관한 것이다.The present invention relates to a system for recommending a therapeutic agent using a machine learning technique and a method therefor. A learning model is generated based on conflicting data, and patient characteristic information and cancer therapy prescription data are applied to the generated learning model to recommend a cancer therapy. It relates to a system for recommending a treatment using a machine learning technique and a method therefor.

정밀 의료에 대한 사회적, 기술적 요구는 2015년 미국 백악관에서 발표한 PMI (Precision Medicine Initiative) 추진 계획에 반영되었고, 국내에서도 2016년 8월 제 2차 과학기술자문위원회에서 제안한 9대 국가전략 프로젝트 중 하나로 선정되어 정책적, 기술적, 그리고 학문적 연구 개발의 필요성과 시급성이 부각되고 있다.The social and technological demands for precision medicine were reflected in the PMI (Precision Medicine Initiative) promotion plan announced by the White House in the United States in 2015. The necessity and urgency of policy, technical, and academic research and development are highlighted.

또한, 점진적인 높은 의료비 부담에도 불구하고 암과 같은 난치성 질환의 치료효과에 대한 불확실성이 여전히 존재하고, ICT 기반 커뮤니케이션 기술, 빅데이터 기술, 모바일 기기, 클라우드 컴퓨팅, 인공지능 기술 등의 발전으로 보건의료 기술은 인공지능 기반 예방 중심 의료로 혁신적인 변화가 일어나고 있다.In addition, despite the gradual high medical cost burden, there is still uncertainty about the therapeutic effect of incurable diseases such as cancer. Innovative changes are taking place with artificial intelligence-based preventive medicine.

이러한 변화를 반영하여 개인 맞춤형 의료에서 한발 더 나아간 정밀의료가 차세대 의료 기술의 대안으로 인식되면서 각 의료 선진국들의 관심과 투자가 최근 1~2년 동안 급격히 진행되고 있으며, 급변하는 보건 의료 세계 동향에 맞대응 하면서, 국내 의료수준의 향상을 위하여 차별화된 정밀의료 기반 기술을 시급히 확보해야 할 필요가 있다.Reflecting these changes, as precision medicine, which has gone one step further from personalized medicine, is recognized as an alternative to next-generation medical technology, interest and investment from advanced medical countries has been rapidly progressing in the last 1-2 years, responding to the rapidly changing health care world trend. In the meantime, it is necessary to urgently secure differentiated precision medicine-based technology to improve domestic medical standards.

본 발명의 배경이 되는 기술은 대한민국 공개특허 제10-2017-0144307호(2019.05.09)에 개시되어 있다.The technology that is the background of the present invention is disclosed in Korean Patent Laid-Open No. 10-2017-0144307 (2019.05.09).

본 발명이 이루고자 하는 기술적 과제는 생성된 학습모델에 환자의 특성 정보와 암 치료제 처방 데이터를 적용하여 암 치료제를 추천하는 머신러닝 기법을 이용한 치료제 추천 시스템 및 그 방법을 제공하기 위한 관한 것이다.The technical problem to be achieved by the present invention is to provide a therapeutic agent recommendation system and method using a machine learning technique for recommending a cancer treatment agent by applying patient characteristic information and cancer treatment prescription data to a generated learning model.

이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따르면, 머신러닝 기법을 이용한 치료제 추천 시스템 및 그 방법을 이용한 치료제 추천 방법에 있어서, 암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 단계, 상기 완치 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 제1 신경망 모델을 생성하는 단계, 상기 사망 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습에 적용하여 제2 신경망 모델을 생성하는 단계, 암 치료제를 추천 받기 위한 피검자로부터 특성정보를 입력 받는 단계, 상기 피검자의 특성 정보를 상기 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출하는 단계, 상기 피검자의 특성 정보를 상기 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출하는 단계, 그리고 상기 제1 치료제 중에 상기 제2 치료제가 중복되어 포함된 경우, 상기 제1 치료제에서 상기 제2 치료제를 제거하여 최종 추천 암 치료제를 상기 피검자에게 제공하는 단계를 포함한다. According to an embodiment of the present invention for achieving this technical task, in a therapeutic agent recommendation system using a machine learning technique and a therapeutic agent recommendation method using the method, a cured patient database and Each of the steps of constructing a database of deceased patients, applying characteristic information and prescription data contained in the database of cured patients to multi-level machine learning to generate a first neural network model, the database of deceased patients generating a second neural network model by applying the characteristic information and prescription data included in the multi-level machine learning; receiving characteristic information from a subject to receive a cancer treatment recommendation; and applying the characteristic information of the subject to the first neural network extracting at least one first cancer treatment agent by applying it to a model; extracting at least one second cancer treatment agent by applying the characteristic information of the subject to the second neural network model; and removing the second therapeutic agent from the first therapeutic agent to provide a final recommended cancer therapeutic agent to the subject.

상기 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 단계는, 완치 후 5년 이상 생존한 경우 완치환자로 분류하고, 상기 완치환자의 치료제 처방을 정규화하여 상기 완치환자 데이터베이스를 구성할 수 있다.In the step of constructing the cured patient database and the deceased patient database, respectively, the cured patient database may be configured by classifying the cured patient as a cured patient and normalizing the treatment regimen of the cured patient if the patient survives for more than 5 years after being cured.

상기 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 단계는, 완치 후 5년 이내에 사망한 경우 사망환자로 분류하고, 상기 사망 환자의 치료제 처방을 정규화하여 상기 사망환자 데이터베이스를 구성할 수 있다.In the step of constructing the cured patient database and the deceased patient database, respectively, if the patient died within 5 years of being cured, the patient may be classified as a deceased patient, and the treatment prescription of the deceased patient may be normalized to configure the deceased patient database.

상기 특성 정보는, 상기 암환자 또는 피검자의 성별, 나이, 유전체 정보, 식사 횟수, 채소 섭취량, 음주 습관, 흡연 여부, 일일 흡연량, 일일 걸음수, 심박수 및 활동정보 중에서 적어도 하나에 대한 정보를 포함할 수 있다.The characteristic information may include information on at least one of sex, age, genomic information, number of meals, vegetable intake, drinking habit, smoking status, daily smoking amount, daily steps, heart rate and activity information of the cancer patient or subject. can

상기 제1 암 치료제는 추천 암 치료제이고, 상기 제2 암 치료제는 비 추천 암 치료제를 나타낼 수 있다.The first cancer treatment agent may be a recommended cancer treatment agent, and the second cancer treatment agent may represent a non-recommended cancer treatment agent.

상기 최종 추천 암 치료제는, 항암제의 종류, 용량 및 사용 방법 중에서 적어도 하나에 대한 정보를 포함할 수 있다.The final recommended cancer treatment agent may include information on at least one of the type, dose, and method of use of the anticancer agent.

본 발명의 다른 실시예에 따르면, 상반 데이터 기반 치료제 추천 장치에 있어서, 상반 데이터 기반 치료제 추천 장치를 이용한 치료제 추천 방법에 있어서, 암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 데이터베이스부, 상기 완치 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 제1 신경망 모델을 생성하는 제1 신경망 모델링부, 상기 사망 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습에 적용하여 제2 신경망 모델을 생성하는 제2 신경망 모델링부, 암 치료제를 추천 받기 위한 피검자로부터 특성정보를 입력 받는 입력부, 그리고 상기 피검자의 특성 정보를 상기 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출하고, 상기 피검자의 특성 정보를 상기 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출하며, 상기 제1 치료제 중에 상기 제2 치료제가 중복되어 포함된 경우, 상기 제1 치료제에서 상기 제2 치료제를 제거하여 최종 추천 암 치료제를 상기 피검자에게 제공하는 제어부를 포함한다.According to another embodiment of the present invention, in a device for recommending a treatment based on contradictory data, in the method for recommending a treatment using the device for recommending a treatment based on contradictory data, a cured patient database and death using characteristic information of a cancer patient and cancer treatment prescription data A database unit for constructing each patient database, a first neural network modeling unit for generating a first neural network model by applying the characteristic information and prescription data included in the cured patient database to multi-level machine learning; A second neural network modeling unit for generating a second neural network model by applying the characteristic information and prescription data included in the dead patient database to multi-level machine learning, an input unit for receiving characteristic information from a subject for receiving a cancer treatment recommendation, and the Applying the characteristic information of the subject to the first neural network model to extract one or more first cancer therapeutic agents, applying the characteristic information of the subject to the second neural network model to extract one or more second cancer therapeutic agents, the first and a controller configured to remove the second therapeutic agent from the first therapeutic agent to provide a final recommended cancer therapeutic agent to the subject when the second therapeutic agent is included in the therapeutic agent.

이와 같이 본 발명에 따르면, 상반 데이터를 머신러닝 알고리즘에 학습시키고, 암 환자의 특성 정보와 암 치료제 처방 데이터를 적용하여 암 환자에 대한 정확한 치료제의 추천이 가능하다.As described above, according to the present invention, it is possible to recommend an accurate treatment for a cancer patient by learning the opposite data to a machine learning algorithm and applying the cancer patient's characteristic information and cancer treatment prescription data.

도 1은 본 발명의 실시예에 따른 치료제 추천 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 암 치료제를 추천하기 위한 신경망 모델을 생성하는 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 암 치료제를 추천하는 방법을 나타낸 순서도이다.1 is a diagram showing the configuration of a therapeutic agent recommendation system according to an embodiment of the present invention.
2 is a flowchart illustrating a method of generating a neural network model for recommending a cancer treatment agent according to an embodiment of the present invention.
3 is a flowchart illustrating a method of recommending a cancer treatment agent according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily carry out the present invention. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Then, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them.

도 1은 본 발명의 실시예에 따른 치료제 추천 시스템의 구성을 나타낸 도면이다. 1 is a diagram showing the configuration of a therapeutic agent recommendation system according to an embodiment of the present invention.

도 1에서 나타낸 것처럼, 본 발명의 실시예에 따른 치료제 추천 시스템(100)는 데이터베이스부(110), 제1 신경망 모델 생성부(120), 제2 신경망 모델 생성부(130), 입력부(140) 및 제어부(150)를 포함한다.As shown in FIG. 1 , the therapeutic agent recommendation system 100 according to the embodiment of the present invention includes a database unit 110 , a first neural network model generator 120 , a second neural network model generator 130 , and an input unit 140 . and a control unit 150 .

먼저, 데이터베이스부(110)는 암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 및 사망환자 각각에 대한 데이터베이스를 구축한다.First, the database unit 110 builds a database for each cured patient and deceased patient using characteristic information of cancer patients and cancer treatment prescription data.

여기서, 특성 정보는 사용자의 성별, 나이, 유전체 정보, 식사 횟수, 채소 섭취량, 음주 습관, 흡연 여부, 일일 흡연량, 일일 걸음수, 심박수 및 활동정보 중에서 적어도 하나에 대한 정보를 포함한다.Here, the characteristic information includes information on at least one of the user's gender, age, genomic information, number of meals, vegetable intake, drinking habit, smoking status, daily smoking amount, daily steps, heart rate, and activity information.

특히, 유전체 정보는 KRAS, TP53, PIK3CA, BRAF 및 ACP등과 같은 정보를 나타낸다.In particular, the genome information indicates information such as KRAS, TP53, PIK3CA, BRAF and ACP.

또한, 완치환자는 암 치료가 종료된 후 5년 이상 생존한 환자이며, 사망환자는 암 치료가 종료된 후 5년 이내에 사망한 환자를 의미한다.In addition, a cured patient is a patient who has survived more than 5 years after cancer treatment is finished, and a deceased patient means a patient who died within 5 years after the cancer treatment is finished.

다음으로, 제1 신경망 모델링부(120)는 완치 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 신경망 모델을 생성한다.Next, the first neural network modeling unit 120 generates a neural network model by applying the characteristic information and prescription data included in the cured patient database to multi-level machine learning.

또한, 제2 신경망 모델링부(130)는 완치환자 데이터베이스와 사망환자 데이터베이스를 멀티 레벨 기계 학습에 적용하여 각각 신경망 모델을 생성한다.In addition, the second neural network modeling unit 130 generates a neural network model by applying the cured patient database and the deceased patient database to multi-level machine learning.

여기서, 멀티 레벨 기계 학습(Multi-Level Machine Learning)은 복수의 레벨 또는 레이어를 이용하여 학습을 시키는 방식으로, 인공지능을 통하여 빅 데이터를 분석하여 예측할 수 있다. Here, multi-level machine learning is a method of learning using a plurality of levels or layers, and can be predicted by analyzing big data through artificial intelligence.

다음으로, 입력부(140)는 암 치료제를 추천 받기 위한 피검자로부터 특성정보를 입력받는다.Next, the input unit 140 receives characteristic information from a subject for receiving a cancer treatment recommendation.

그리고, 제어부(150)는 피검자의 특성 정보를 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출하고, 피검자의 특성 정보를 상기 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출한다.Then, the control unit 150 applies the characteristic information of the subject to the first neural network model to extract one or more first cancer therapeutic agents, and applies the characteristic information of the subject to the second neural network model to extract one or more second cancer therapeutic agents. do.

또한, 제어부(150)는 제1 치료제 중에서 제2 치료제가 중복되어 포함된 경우, 제1 치료제에서 제2 치료제를 제거하여 최종 추천 암 치료제를 피검자에게 제공한다.In addition, when the second therapeutic agent is included in the first therapeutic agent, the controller 150 removes the second therapeutic agent from the first therapeutic agent and provides the final recommended cancer therapeutic agent to the subject.

여기서, 최종 추천 암 치료제는 항암제의 종류, 용량 및 사용 방법 중에서 적어도 하나에 대한 정보를 포함한다.Here, the final recommended cancer treatment includes information on at least one of the type, dose, and method of use of the anticancer agent.

이하에서는 도 2 및 도 3을 이용하여 본 발명의 실시예에 따른 상반 데이터 기반 치료제 추천 시스템을 이용한 암 치료제 추천 방법을 설명한다.Hereinafter, a method for recommending a cancer treatment agent using a reciprocal data-based treatment agent recommendation system according to an embodiment of the present invention will be described with reference to FIGS. 2 and 3 .

도 2는 본 발명의 실시예에 따른 암 치료제를 추천하기 위한 신경망 모델을 생성하는 방법을 나타낸 순서도이다.2 is a flowchart illustrating a method of generating a neural network model for recommending a cancer treatment agent according to an embodiment of the present invention.

도 2에서 나타낸 것처럼, 데이터베이스부(110)는 암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스 및 사망환자 데이터베이스를 각각 구축한다(S210).As shown in FIG. 2 , the database unit 110 constructs a cured patient database and a deceased patient database using characteristic information of cancer patients and cancer treatment prescription data ( S210 ).

여기서, 데이터베이스부(110)는 암 치료 후 5년이상 생존한 완치 환자의 특성정보와 당시의 완치 환자가 복용한 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스를 구축한다.Here, the database unit 110 builds a cured patient database using characteristic information of a cured patient who has survived for more than 5 years after cancer treatment and cancer treatment prescription data taken by the cured patient at the time.

이때, 암 치료 후 5년이 경과되지 않은 환자는 완치환자로 분류하지 않는다.In this case, a patient for which 5 years have not elapsed since cancer treatment is not classified as a cured patient.

또한, 데이터베이스부(110)는 암 치료 후 5년이내에 사망한 환자의 특성정보와 암치료 과정에서 복용했던 암 치료제 처방 데이터를 이용하여 사망환자 데이터베이스를 구축한다.In addition, the database unit 110 builds a deceased patient database using characteristic information of a patient who died within 5 years after cancer treatment and cancer treatment prescription data taken during cancer treatment.

이때, 암 치료 후 5년 이후에 사망한 환자의 경우 완치된 것으로 판단하여 완치환자 데이터베이스로 분류한다.In this case, patients who died after 5 years of cancer treatment are judged to have been cured and classified into a cured patient database.

예를 들어, 암 치료가 완료된 환자가 100명이고, 5년이내에 사망한 환자가 38명이고, 5년이상 생존한 환자가 34명이라고 하면, 데이터베이스부(110)는 완치된 환자 34명의 데이터를 이용하여 완치환자 데이터베이스를 구축하고, 사망한 환자 38명의 데이터를 이용하여 사망환자 데이터베이스를 구축한다.For example, if 100 patients have completed cancer treatment, 38 patients died within 5 years, and 34 patients survived 5 years or more, the database unit 110 stores data of 34 cured patients. A database of cured patients is established using data from 38 deceased patients, and a database of deceased patients is built.

그러면, 제1 신경망 모델링부(120)는 완치환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 제1 신경망 모델을 생성한다(S220).Then, the first neural network modeling unit 120 generates a first neural network model by applying the characteristic information and prescription data included in the cured patient database to multi-level machine learning (S220).

또한, 제2 신경망 모델링부(130)는 사망환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습에 적용하여 제2 신경망 모델을 생성한다(S230).In addition, the second neural network modeling unit 130 generates a second neural network model by applying the characteristic information and prescription data included in the deceased patient database to multi-level machine learning ( S230 ).

여기서, 환자의 특성정보를 이용하는 것은 특성정보에 따라 달라지는 약물 반응을 고려하기 위함이다.Here, the use of the patient's characteristic information is to consider the drug response that varies depending on the characteristic information.

또한, 제1 신경망 모델은 완치환자와 관련된 신경망 모델이고, 제2 신경망 모델은 사망환자와 관련된 신경망 모델이다.In addition, the first neural network model is a neural network model associated with a cured patient, and the second neural network model is a neural network model associated with a deceased patient.

이때, 처방 데이터는 환자에 따라 사용량이 다르며, 제1 신경망 모델링부(120) 및 제2 신경망 모델링부(130)는 처방 데이터를 정규화하여 사용한다.In this case, the amount of prescription data used varies according to the patient, and the first neural network modeling unit 120 and the second neural network modeling unit 130 normalize and use the prescription data.

여기서, 정규화는 데이터를 동일한 기준으로 변환하는 것으로, 본 발명의 실시예에서는 처방 데이터를 동일한 기준을 가지는 데이터로 변환하기 위해 사용한다.Here, normalization is to convert data to the same standard, and in an embodiment of the present invention, it is used to convert prescription data into data having the same standard.

도 3은 본 발명의 실시예에 따른 암 치료제를 추천하는 방법을 나타낸 순서도이다.3 is a flowchart illustrating a method of recommending a cancer treatment agent according to an embodiment of the present invention.

도 3에서 나타낸 것처럼, 제1 신경망 모델과 제2 신경망 모델이 생성되면, 입력부(140)는 암 치료제를 추천받기 위한 피검자의 특성정보를 입력받는다(S310).As shown in FIG. 3 , when a first neural network model and a second neural network model are generated, the input unit 140 receives characteristic information of a subject for receiving a cancer treatment recommendation ( S310 ).

여기서, 입력받는 특성정보는 피검자의 성별, 나이, 유전체 정보, 식사 횟수, 채소 섭취량, 음주 습관, 흡연 여부, 일일 흡연량, 일일 걸음수, 심박수 및 활동정보 중에서 적어도 하나에 대한 정보이다.Here, the received characteristic information is information on at least one of sex, age, genome information, number of meals, vegetable intake, drinking habit, smoking status, daily smoking amount, daily steps, heart rate, and activity information of the subject.

이러한, 특성정보는 피검자의 상태 및 획득된 정보에 따라서 변경될 수 있다.Such characteristic information may be changed according to the condition of the examinee and the obtained information.

그러면, 제어부(150)는 피검자의 특성 정보를 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출한다(S320).Then, the controller 150 extracts one or more first cancer therapeutic agents by applying the characteristic information of the subject to the first neural network model ( S320 ).

즉, 제어부(150)는 피검자에게 추천하고자 하는 제1 암 치료제를 선택한다. That is, the controller 150 selects the first cancer treatment agent to be recommended to the subject.

그 다음, 제어부(150)는 피검자의 특성 정보를 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출한다(S330).Next, the controller 150 extracts one or more second cancer treatments by applying the characteristic information of the subject to the second neural network model ( S330 ).

이때, 제어부(150)는 피검자에게 피할 것을 추천하고자 하는 제2 암 치료제를 선택한다.In this case, the controller 150 selects the second cancer treatment agent to be recommended to be avoided by the examinee.

여기서, 추출된 제1 암 치료제와 제2 암 치료제의 개수는 피검자의 정보 및 관리자에 따라서 변경될 수 있다.Here, the number of the extracted first cancer treatment agent and the second cancer treatment agent may be changed according to information of the subject and an administrator.

이때, 치료제는 베바시주맙(Bevacizumab), 플루오로유라실(Fluorouracil), 이리노테칸(Irinotecan) 및 류코보린(Leucovorin)와 같은 다양한 종류의 암 치료제를 포함할 수 있다. In this case, the therapeutic agent may include various types of cancer therapeutic agents such as bevacizumab, fluorouracil, irinotecan, and leucovorin.

그러면, 제어부(150)는 제1 치료제 중에 제2 치료제가 중복되어 포함된 경우, 제1 치료제에서 제2 치료제를 제거하여 최종 추천 암 치료제를 피검자에게 제공한다(S340).Then, when the second therapeutic agent is included in the first therapeutic agent, the controller 150 removes the second therapeutic agent from the first therapeutic agent and provides the final recommended cancer therapeutic agent to the subject (S340).

예를 들어, 제1 치료제가 베바시주맙, 플루오로유라실 및 이리노테칸이고, 제2 치료제가 플루오로유라실, 이리노테칸 및 류코보린이라고 가정하면, 제어부(150)는 최종 추천 치료제로서 베바시주맙를 추천할 수 있다.For example, assuming that the first therapeutic agent is bevacizumab, fluorouracil, and irinotecan, and the second therapeutic agent is fluorouracil, irinotecan, and leucovorin, the controller 150 recommends bevacizumab as the final recommended therapeutic agent can do.

즉, 제어부(150)는 추출된 최종 추천 치료제를 해당 피검자에게 제공하며, 제2 치료제로 선정된 치료제는 배제를 시키도록 한다. That is, the controller 150 provides the extracted final recommended therapeutic agent to the subject, and excludes the therapeutic agent selected as the second therapeutic agent.

이와 같이 본 발명의 실시예에 따르면, 상반 데이터를 머신러닝 알고리즘에 학습시키고, 암 환자의 데이터를 적용하여 암 환자에 대한 정확한 치료제의 예측이 가능하다.As described above, according to an embodiment of the present invention, it is possible to accurately predict a therapeutic agent for a cancer patient by learning the opposite data to a machine learning algorithm and applying the cancer patient data.

본 발명은 도면에 도시된 실시 예를 참고로 설명 되었으나 이는 예시적인 것이 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiment shown in the drawings, which is merely exemplary, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

100: 치료제 추천 시스템, 110: 데이터베이스부,
120: 제1 신경망 모델링부, 130: 제2 신경망 모델링부,
140: 입력부, 150: 제어부100: treatment recommendation system, 110: database unit;
120: a first neural network modeling unit, 130: a second neural network modeling unit,
140: input unit, 150: control unit

Claims (12)

머신러닝 기법을 이용한 치료제 추천 시스템을 이용한 암 치료제 추천 방법에 있어서,
암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 단계,
상기 완치 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 제1 신경망 모델을 생성하는 단계,
상기 사망 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습에 적용하여 제2 신경망 모델을 생성하는 단계,
암 치료제를 추천 받기 위한 피검자의 특성정보를 입력 받는 단계,
상기 피검자의 특성 정보를 상기 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출하는 단계,
상기 피검자의 특성 정보를 상기 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출하는 단계, 그리고
상기 제1 치료제 중에 상기 제2 치료제가 중복되어 포함된 경우, 상기 제1 치료제에서 상기 제2 치료제를 제거하여 최종 추천 암 치료제를 상기 피검자에게 제공하는 단계를 포함하고,
상기 완치환자 데이터베이스 및 사망환자 데이터베이스를 각각 구축하는 단계는,
완치 후 5년 이상 생존한 경우 완치환자로 분류하고, 상기 완치환자의 치료제 처방을 정규화하여 상기 완치환자 데이터베이스를 구성하고, 완치 후 5년 이내에 사망한 경우 사망환자로 분류하고, 상기 사망 환자의 치료제 처방을 정규화하여 상기 사망환자 데이터베이스를 구성하며,
상기 특성 정보는,
상기 암환자 또는 피검자의 성별, 나이, 유전체 정보, 식사 횟수, 채소 섭취량, 음주 습관, 흡연 여부, 일일 흡연량, 일일 걸음수, 심박수 및 활동정보 중에서 적어도 하나에 대한 정보를 포함하는 암 치료제 추천 방법.A method for recommending a cancer treatment using a treatment recommendation system using a machine learning technique, the method comprising:
Building a cured patient database and a deceased patient database using cancer patient’s characteristic information and cancer treatment prescription data, respectively;
generating a first neural network model by applying the characteristic information and prescription data included in the cured patient database to multi-level machine learning;
generating a second neural network model by applying the characteristic information and prescription data included in the dead patient database to multi-level machine learning;
receiving characteristic information of the subject to receive a cancer treatment recommendation;
extracting one or more first cancer therapeutic agents by applying the characteristic information of the subject to the first neural network model;
extracting one or more second cancer therapeutic agents by applying the characteristic information of the subject to the second neural network model; and
When the second therapeutic agent is included in the first therapeutic agent overlappingly, removing the second therapeutic agent from the first therapeutic agent and providing a final recommended cancer therapeutic agent to the subject;
The step of constructing the cured patient database and the deceased patient database, respectively,
If the patient survives for more than 5 years after being cured, it is classified as a cured patient, the cured patient database is configured by normalizing the treatment prescription of the cured patient, and if the patient died within 5 years after the cure, it is classified as a deceased patient, and the treatment for the deceased patient Normalize the prescription to compose the deceased patient database,
The characteristic information is
A cancer treatment recommendation method comprising information on at least one of sex, age, genomic information, number of meals, vegetable intake, drinking habit, smoking status, daily smoking amount, daily steps, heart rate, and activity information of the cancer patient or subject. 삭제delete 삭제delete 삭제delete 제1항에 있어서,
상기 제1 암 치료제는 추천 암 치료제이고, 상기 제2 암 치료제는 비 추천 암 치료제를 나타내는 암 치료제 추천 방법.According to claim 1,
wherein the first cancer treatment agent is a recommended cancer treatment agent, and the second cancer treatment agent represents a non-recommended cancer treatment agent. 제1항에 있어서,
상기 최종 추천 암 치료제는,
항암제의 종류, 용량 및 사용 방법 중에서 적어도 하나에 대한 정보를 포함하는 암 치료제 추천 방법.According to claim 1,
The final recommended cancer treatment is,
A method of recommending a cancer treatment agent comprising information on at least one of the type, dose, and method of use of the anticancer agent. 머신러닝 기법을 이용한 치료제 추천 시스템에 있어서,
암 환자의 특성 정보와 암 치료제 처방 데이터를 이용하여 완치환자 데이터베이스 및 사망환자 데이터 베이스를 각각 구축하는 데이터베이스부,
상기 완치 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 제1 신경망 모델을 생성하는 제1 신경망 모델링부,
상기 사망 환자 데이터베이스에 포함된 특성 정보와 처방 데이터를 멀티 레벨 기계 학습에 적용하여 제2 신경망 모델을 생성하는 제2 신경망 모델링부,
암 치료제를 추천 받기 위한 피검자로부터 특성정보를 입력 받는 입력부, 그리고
상기 피검자의 특성 정보를 상기 제1 신경망 모델에 적용하여 하나 이상의 제1 암 치료제를 추출하고, 상기 피검자의 특성 정보를 상기 제2 신경망 모델에 적용하여 하나 이상의 제2 암 치료제를 추출하며, 상기 제1 치료제 중에 상기 제2 치료제가 중복되어 포함된 경우, 상기 제1 치료제에서 상기 제2 치료제를 제거하여 최종 추천 암 치료제를 상기 피검자에게 제공하는 제어부를 포함하고,
상기 데이터베이스부는,
완치 후 5년 이상 생존한 경우 완치환자로 분류하고, 상기 완치환자의 치료제 처방을 정규화하여 상기 완치환자 데이터베이스를 구성하고, 완치 후 5년 이내에 사망한 경우 사망환자로 분류하고, 상기 사망 환자의 치료제 처방을 정규화하여 상기 사망환자 데이터베이스를 구성하며,
상기 특성 정보는,
상기 암환자 또는 피검자의 성별, 나이, 유전체 정보, 식사 횟수, 채소 섭취량, 음주 습관, 흡연 여부, 일일 흡연량, 일일 걸음수, 심박수 및 활동정보 중에서 적어도 하나에 대한 정보를 포함하는 치료제 추천 시스템.In the treatment recommendation system using machine learning technique,
A database unit that builds a cured patient database and a deceased patient database using cancer patient characteristic information and cancer treatment prescription data, respectively;
A first neural network modeling unit for generating a first neural network model by applying the characteristic information and prescription data included in the cured patient database to multi-level machine learning;
a second neural network modeling unit for generating a second neural network model by applying the characteristic information and prescription data included in the dead patient database to multi-level machine learning;
An input unit for receiving characteristic information from a subject to receive a cancer treatment recommendation, and
extracting one or more first cancer therapeutic agents by applying the characteristic information of the subject to the first neural network model, and extracting one or more second cancer therapeutic agents by applying the characteristic information of the subject to the second neural network model; When the second therapeutic agent is included in duplicate among one therapeutic agent, the control unit removes the second therapeutic agent from the first therapeutic agent and provides a final recommended cancer therapeutic agent to the subject;
The database unit,
If the patient survives for more than 5 years after being cured, it is classified as a cured patient, the cured patient database is configured by normalizing the treatment prescription of the cured patient, and if the patient died within 5 years after the cure, it is classified as a deceased patient, and the treatment for the deceased patient Normalize the prescription to compose the deceased patient database,
The characteristic information is
A treatment recommendation system comprising information on at least one of sex, age, genomic information, number of meals, vegetable intake, drinking habit, smoking status, daily smoking amount, daily steps, heart rate, and activity information of the cancer patient or subject. 삭제delete 삭제delete 삭제delete 제7항에 있어서,
상기 제1 암 치료제는 추천 암 치료제이고, 상기 제2 암 치료제는 비 추천 암 치료제를 나타내는 치료제 추천 시스템.8. The method of claim 7,
The first cancer treatment agent is a recommended cancer treatment agent, and the second cancer treatment agent is a non-recommended cancer treatment agent. 제7항에 있어서,
상기 최종 추천 암 치료제는,
항암제의 종류, 용량 및 사용 방법 중에서 적어도 하나에 대한 정보를 포함하는 치료제 추천 시스템.
8. The method of claim 7,
The final recommended cancer treatment is,
A therapeutic agent recommendation system comprising information on at least one of a type, a dose, and a method of use of an anticancer agent.
KR1020190106544A 2018-10-31 2019-08-29 System for cancer therapeutic recommendation using machine learning technique and method thereof KR102293496B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180132018 2018-10-31
KR20180132018 2018-10-31

Publications (2)

Publication Number Publication Date
KR20200049503A KR20200049503A (en) 2020-05-08
KR102293496B1 true KR102293496B1 (en) 2021-08-26

Family

ID=70677428

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190106544A KR102293496B1 (en) 2018-10-31 2019-08-29 System for cancer therapeutic recommendation using machine learning technique and method thereof

Country Status (1)

Country Link
KR (1) KR102293496B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115735253A (en) * 2020-06-29 2023-03-03 通用电气精准医疗有限责任公司 System and method for respiratory support recommendation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002510817A (en) * 1998-04-03 2002-04-09 トライアングル・ファーマシューティカルズ，インコーポレイテッド System, method and computer program product for guiding treatment prescription plan selection
JP2012524945A (en) * 2009-04-22 2012-10-18 リード ホース テクノロジーズ インコーポレイテッド Artificial intelligence assisted medical referencing system and method

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120016557A (en) * 2010-08-16 2012-02-24 아주대학교산학협력단 A method for detecting adverse drug reaction or adverse intervention reaction based on case-control analysis using electronic medical record and electrocardiogram
KR20170118560A (en) * 2016-04-16 2017-10-25 오상현 System and method for managing personnel foods and drugs by using database

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002510817A (en) * 1998-04-03 2002-04-09 トライアングル・ファーマシューティカルズ，インコーポレイテッド System, method and computer program product for guiding treatment prescription plan selection
JP2012524945A (en) * 2009-04-22 2012-10-18 リード ホース テクノロジーズ インコーポレイテッド Artificial intelligence assisted medical referencing system and method

Also Published As

Publication number Publication date
KR20200049503A (en) 2020-05-08

Similar Documents

Publication Publication Date Title
Mak et al. Use of crowd innovation to develop an artificial intelligence–based solution for radiation therapy targeting
Lee et al. Neural basis of strategic decision making
Tao et al. Adaptive contrast weighted learning for multi‐stage multi‐treatment decision‐making
Gover et al. A review of environmental enrichment as treatment for problem behavior maintained by automatic reinforcement
CN118609834A (en) Method and apparatus for assessing developmental conditions and providing coverage and reliability control
JP6950097B2 (en) Control device to achieve medical outcomes
CN109273098B (en) Medicine curative effect prediction method and device based on intelligent decision
Lutze Digital twins in ehealth–: Prospects and challenges focussing on information management
US11042916B1 (en) Computer-based marketplace for information
Aliaga et al. Modelling the longevity of dental restorations by means of a CBR system
KR102293496B1 (en) System for cancer therapeutic recommendation using machine learning technique and method thereof
Tambone et al. Using body ownership to modulate the motor system in stroke patients
Young-Wolff et al. Electronic cigarettes in jails: a panacea or public health problem?
Cotterill et al. A practical design for a dual‐agent dose‐escalation trial that incorporates pharmacokinetic data
Zeng et al. Patterns of pain and functional improvement in patients with bone metastases after conventional external beam radiotherapy and a telephone validation study
Ichiyama et al. Enhanced motor function by training in spinal cord contused rats following radiation therapy
WO2021054399A1 (en) Information generating device, information generating method, and recording medium
SE1550325A1 (en) Optimizing recommendations in a system for assessing mobility or stability of a person
KR20210103465A (en) How to choose wound products for patients
Ji et al. Adaptive randomization for multiarm comparative clinical trials based on joint efficacy/toxicity outcomes
Ngui et al. OS 26-04 targeting care gaps in patients with hypertension: a quality improvement project utilizing EMR hypertension dashboards and a chronic disease coordinator
Zhang Expert system for the development and formulation of push–pull osmotic pump tablets containing poorly water-soluble drugs
Melin et al. OS 26-01 Classification of arterial hypertension using a computational model based on artificial modular neural networks
Zahedi et al. Intelligent modelling of oesophageal cancer treatment and its use to determine the dose of chemotherapy drug
Campochiaro The Complexity of Animal Model Generation for Complex DiseasesANIMAL MODEL GENERATION FOR COMPLEX DISEASES

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right