KR102320581B1 - 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템 - Google Patents

딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템 Download PDF

Info

Publication number
KR102320581B1
KR102320581B1 KR1020180166265A KR20180166265A KR102320581B1 KR 102320581 B1 KR102320581 B1 KR 102320581B1 KR 1020180166265 A KR1020180166265 A KR 1020180166265A KR 20180166265 A KR20180166265 A KR 20180166265A KR 102320581 B1 KR102320581 B1 KR 102320581B1
Authority
KR
South Korea
Prior art keywords
predictor
data
myopia progression
development
premature
Prior art date
Application number
KR1020180166265A
Other languages
English (en)
Other versions
KR20200077086A (ko
Inventor
오세열
박경아
조백환
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020180166265A priority Critical patent/KR102320581B1/ko
Publication of KR20200077086A publication Critical patent/KR20200077086A/ko
Application granted granted Critical
Publication of KR102320581B1 publication Critical patent/KR102320581B1/ko

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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

본 발명은 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템에 관한 것으로서, 본 발명의 일 실시 예에 따른 예측 방법에는, 데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계, 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계 및 추출된 예측인자들의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 소정의 나이를 기준으로 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성하는 단계가 포함될 수 있다.

Description

딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템{SIGHT DEVELOPMENT AND MYOPIA PREDICTION METHOD AND SYSTEM OF PREMATRUE INFANTS USING DEEP LEARNING}
본 발명은 딥러닝을 이용한 미숙아 시력 발달 및 근시 진행을 예측하는 방법 및 시스템에 관한 것으로, 더욱 상세하게는 미숙아의 시력 발달 예후 및 근시 진행 정도를 예측하기 위해 필요한 인자들의 상관관계를 딥러닝을 이용한 학습 과정을 통해 분석하고, 분석된 결과를 기초로 미숙아의 시력 발달 예후 및 시력 발달 정도에 따른 근시 진행 정도를 예측할 수 있는 방법 및 시스템에 관한 것이다.
현재 의료기술의 발달, 노산, 난임치료로 인한 쌍태아의 증가 등에 의해 미숙아의 유병률이 지속적으로 증가하는 추세이다. 미숙아들은 안구에 생기는 여러 합병증 이외에도 망막 및 시신경의 분화가 잘 되지 않아 시력 발달이 잘 되지 않고 근시, 난시, 사시 등의 발병률이 높다. 이들을 대상으로 한 질병 치료 연구는 많지만 정상 시력 발달에 영향을 미치는 인자에 대한 연구는 아직 부족한 상태이다.
즉, 아직까지도 미숙아의 시력 발달 정도에 따른 안질환의 발병에 대한 치료 시점, 치료 방법 등에 대한 연구가 제대로 이루어지고 있지 않기 때문에, 미숙아를 대상으로 어느 시점에 시력 발달을 위한 치료를 수행해야 하는지, 미숙아를 대상으로 어떠한 치료 방법들을 수행해야 근시 진행을 최소화할 수 있는지 등을 명확하게 설정하여 임상의가 치료를 수행하기 어려운 문제가 존재한다.
따라서, 미숙아의 정상 시력 발달에 영향을 미치는 인자들을 분석하여 미숙아의 상태를 예측하고 미숙아의 정상 시력 발달을 위한 치료 방향 및 시력 발달 정도에 따라 발생할 수 있는 근시 등의 치료 방향을 올바르게 설정할 수 있도록 하는 기술의 개발이 필요한 실정이다.
대한민국 등록특허공보 제10-1857624호 (2018.05.08)
본 발명은 전술한 바와 같은 문제점 및 필요성에 의해 안출된 것으로서, 미숙아의 시력 발달 및 근시 진행에 영향을 미치는 안구 정보, 나이, 성별, 재태주수, 출생 체중 등의 정보들에 대한 상관관계를 딥러닝을 이용하여 학습함으로써, 미숙아의 특정 시점에서의 시력 발달 예후를 예측하고, 예측된 예후에 따라 미숙아별로 적절한 안과적 치료가 수행될 수 있도록 하는 방법 및 시스템을 제공함에 목적이 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에는, 데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계, 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계 및 추출된 예측인자들의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 소정의 나이를 기준으로 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성하는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 1 예측인자에는 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함되며, 제 2 예측인자에는 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 미숙아 시력 발달 예측 모델을 생성하는 단계에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 단계 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에는, 미숙아의 안구검사 결과 데이터 및 미숙아의 개인정보 데이터가 입력되는 단계, 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 미숙아의 개인정보 데이터로부터 제 2 입력정보를 추출하는 단계, 미숙아 시력 발달 예측 모델을 통해 추출된 입력정보들을 기초로 하여 미숙아에 대한 시력 발달 예후 및 근시 진행 정도를 분석하는 단계 및 분석된 시력 발달 예후 및 근시 진행 정도에 기초하여 미숙아에 대한 안구 치료 방향을 결정하는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 1 입력정보에는 미숙아의 안구에 대한 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함되며, 제 2 입력정보에는 미숙아의 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에는, 미숙아의 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향에 대한 정보를 출력하는 단계가 더 포함되며, 미숙아의 근시 진행 정도에 대한 정보는 미숙아의 안구에 대한 굴절값의 변화량으로 출력될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 미숙아 시력 발달 예측 모델을 갱신하는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템에는, 데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하고, 미숙아의 안구검사 결과 데이터 및 미숙아의 개인정보 데이터가 입력되는 데이터 수집부, 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하며, 미숙아의 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 미숙아의 개인정보 데이터로부터 제 2 입력정보를 추출하는 제 1 데이터 분석부 및 추출된 예측인자들의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 소정의 나이를 기준으로 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성하며, 미숙아 시력 발달 예측 모델을 통해 추출된 입력정보들을 기초로 하여 미숙아에 대한 시력 발달 예후 및 근시 진행 정도를 분석하는 제 2 데이터 분석부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 2 데이터 분석부에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 제 1 딥러닝 학습부 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 제 2 딥러닝 학습부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 2 데이터 분석부에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 미숙아 시력 발달 예측 모델을 갱신하는 예측모델 갱신부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템에는, 분석된 시력 발달 예후 및 근시 진행 정도에 기초하여 미숙아에 대한 안구 치료 방향을 결정하는 치료방향 도출부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템에는, 미숙아의 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향에 대한 정보를 출력하는 데이터 출력부가 더 포함되며, 미숙아의 근시 진행 정도에 대한 정보는 미숙아의 안구에 대한 굴절값의 변화량으로 출력될 수 있다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
본 발명의 일 실시 예로서 제공되는 근시 진행 예측 방법 및 시스템에 따르면, 미숙아의 시력 발달 및 근시 진행 정도를 예측하기 위해 필요한 인자들의 상관관계를 딥러닝을 이용한 학습 과정을 통해 분석하고, 분석된 결과를 기초로 미숙아의 시력 발달 및 근시 진행 정도를 예측함으로써, 미숙아별로 시력 발달을 위한 치료 방향을 설정할 수 있으므로, 적절한 시점에 알맞은 안과 치료가 수행될 수 있도록 할 수 있다.
또한, 시력 개선이 되지 않은 약시 환자수를 감소시켜 의료비 절감을 유도할 수 있으며, 미숙아 개개인별로 정확한 시력 발달 및 근시 치료가 수행될 수 있도록 함으로써 불필요한 치료가 수행되고 이로 인한 부작용 등의 문제가 발생하는 것을 방지할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 방법을 나타낸 제 1 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 안구검사 데이터의 일 예를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아 시력 발달 예측 모델 생성 과정을 나타낸 순서도이다.
도 4는 본 발명의 일 실시 예에 따라 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 방식의 일 예를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 방법을 나타낸 제 2 순서도이다.
도 6은 본 발명의 일 실시 예에 따라 미숙아의 시력 발달 예후 및 근시 진행 정도를 분석하고, 시력 발달 예후 및 근시 진행 정도에 따른 안구 치료 방향을 결정하는 과정을 나타낸 순서도이다.
도 7은 본 발명의 일 실시 예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템을 나타낸 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
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 있음을 의미한다. 또한, 명세서에 기재된 "...부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
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 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법은 크게 (1) 미숙아 시력 발달 예측 모델의 생성 과정과 (2) 미숙아 시력 발달 예측 모델에 기반한 미숙아의 시력 발달 및 근시 진행을 예측하는 과정으로 구분될 수 있다.
이에 따라, 먼저 도 1 내지 도 5를 참조하여 미숙아 시력 발달 예측 모델의 생성 과정에 대해서 상세히 살펴본 후, 도 6 내지 도 7을 참조하여 미숙아의 시력발달 및 근시 진행을 예측하는 과정에 대해서 상세히 살펴보도록 한다.
(1) 미숙아 시력 발달 예측 모델의 생성 과정
도 1은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법을 나타낸 제 1 순서도이며, 도 2는 본 발명의 일 실시 예에 따른 안구검사 데이터의 일 예를 나타낸다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에는, 데이터베이스(200)에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계(S100), 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계(S200) 및 추출된 예측인자들의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 소정의 나이를 기준으로 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성하는 단계(S300)가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아 시력 발달 예측 모델의 생성을 위한 데이터 수집 단계(S100)에서는, 데이터베이스(200)에서 이미 관리되고 있는 안구검사 데이터 및 개인정보 데이터가 데이터 수집부(10)에 의해 수집될 수 있다. 이때, 데이터베이스(200)에는 본 발명의 일 실시 예에 따른 시스템(100)을 이용하는 병원 내의 데이터베이스뿐만 아니라 접근이 가능한 외부 기관의 데이터베이스가 모두 포함될 수 있다.
이때, 안구검사 데이터에는 도 2와 같은 안저 이미지, 빛간섭단층촬영 이미지 등과 같은 안구와 관련된 이미지 정보, 안구검사에 따른 시력 정보, 안구 계측 정보 등이 모두 포함될 수 있다. 또한, 개인정보 데이터에는 전술한 안구검사 데이터에 대응되는 미숙아의 신상 정보(ex. 나이, 성별, 거주지, 재태주수 등)가 포함될 수 있다.
즉, 안구검사 데이터와 그에 대응하는 개인정보 데이터는 하나의 세트(set) 데이터로 구성될 수 있다. 따라서, 데이터 수집부(10)에 의해 수집된 안구검사 데이터와 개인정보 데이터는 후술할 학습 과정이 용이하게 수행될 수 있도록 세트 데이터별로 분류되어 시스템(100) 내의 저장부에서 관리될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아 시력 발달 예측 모델의 생성을 위한 데이터 추출 단계(S200)에서는, 제 1 데이터 분석부(20)에 의해 안구검사 데이터 및 개인정보 데이터가 분석되어 안구검사 데이터로부터 제 1 예측인자가 추출되고, 개인정보 데이터로부터 제 2 예측인자가 추출될 수 있다.
먼저, 제 1 데이터 분석부(20)에 의한 안구검사 데이터의 분석은 안저 이미지 등과 같은 안구검사 데이터 전체에 대한 분석을 통해 제 1 예측인자를 도출하고, 제 1 예측인자의 학습을 위한 기초값을 도출하는 과정을 의미한다. 이때, 제 1 예측인자에는 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함될 수 있다.
예를 들어, 안구검사 데이터로 도 2의 (a)와 같은 안저 이미지가 수집된 경우, 제 1 데이터 분석부(20)에서는 안저 이미지로부터 시신경의 비틀림 정도, 혈관의 구불거림, 황반부 반사 정도를 분석할 수 있으며, 빛간섭단층촬영 이미지로부터 망막신경 섬유층의 두께를 분석할 수 있다. 즉, 제 1 데이터 분석부(20)에서는 안저 이미지 전체에 대한 분석을 통해 도출된 시신경의 비틀림 정도에 따라 시신경 모양을 판단하고, 혈관의 구불거림, 황반부의 반사 정도를 판단하여 제 1 예측인자(ex. 시신경 모양, 혈관의 구불거림, 황반부 반사)를 안저 이미지로부터 추출할 수 있다. 또한, 제 1 데이터 분석부(20)에서는 빛간섭단층촬영 이미지 전체에 대한 분석을 통해 망막신경 섬유층의 두께가 어느 정도인지를 파악하여 제 1 예측인자(ex. 망막신경 섬유층의 두께)를 빛간섭단층촬영 이미지로부터 추출할 수 있다. 이와 같은 안저 이미지 또는 빛간섭단층촬영 이미지의 분석에는 딥러닝 또는 기계학습에 의한 이미지 분석 방식이 사용될 수 있다.
제 1 예측인자에 포함되는 초기 굴절값, 시신경 모양, 혈관의 구불거림, 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께는 모두 시력 발달 및 근시 진행에 영향을 끼치는 중요한 요인들에 해당한다. 예를 들어, 도 2의 (b)를 참조하면, 미숙아의 황반부 빛간섭단층촬영 이미지에 대한 분석의 결과, 미숙아의 망막신경 섬유층의 두께는 정상아동에 비해 유의미하게 저하됨을 확인할 수 있다. 즉, 망막신경 섬유층의 두께가 미숙아의 시력 발달에 영향을 미친다는 것을 확인할 수 있다. 또한, 미숙아의 시력 발달 및 근시 진행과 관련하여 수행한 연구 결과에 따르면, 초기 굴절값(ex. 0세 내지 9세의 아동기에 측정된 안구의 굴절값), 시신경 모양, 혈관의 구불거림, 황반부 반사, 안축장 길이 역시 각각의 요인들이 시력 발달 및 근시 진행에 영향을 미친다는 것을 확인할 수 있다.
이와 같이 미숙아의 시력 발달 및 근시 진행에 영향을 미치는 중요한 요인에 해당하는 제 1 예측인자들을 안구검사 데이터로부터 제 1 데이터 분석부(20)에서 추출함으로써, 미숙아의 시력 발달 및 근시 진행의 예측에 필요한 정보들만을 선별하여 학습 과정에 활용할 수 있다. 이에 따라, 불필요한 정보들을 사전에 필터링함으로써, 효율적인 데이터 학습 및 모델링이 수행될 수 있도록 할 수 있다.
한편, 제 1 데이터 분석부(20)에 의한 개인정보 데이터의 분석은 환자의 나이, 성별 등 인구통계학적 요소(demographioc data)에 대한 분석을 통해 제 2 예측인자를 도출하고, 제 2 예측인자의 학습을 위한 기초값을 도출하는 과정을 의미한다. 이때, 제 2 예측인자에는 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함될 수 있다.
예를 들어, 안구검사 데이터에 대응되는 미숙아의 신상 정보가 포함된 개인정보 데이터가 수집된 경우, 제 1 데이터 분석부(20)에서는 개인정보 데이터에 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무에 대한 정보가 포함되어 있는지 여부를 분석할 수 있다. 제 1 데이터 분석부(20)에서는 전술한 정보들 중 수집된 개인정보 데이터에 포함된 정보들을 모두 추출할 수 있다.
제 2 예측인자에 포함되는 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무는 모두 역시나 시력 발달 및 근시 진행에 영향을 끼치는 중요한 요인들에 해당한다. 예를 들어, 미숙아의 망막 병증의 치료가 종료된 환자에 대한 연구 결과에 따르면, 망막 병증의 병기에 따라 환자의 안구에 합병증 혹은 구조 변화가 나타남을 확인할 수 있다. 이를 통해 미숙아 망막증 자체가 시력 발달 및 근시 진행에 영향을 미친다는 것을 확인할 수 있다. 또한, 미숙아의 시력 발달 및 근시 진행과 관련하여 수행한 연구 결과에 따르면, 성별, 재태주수, 출생체중 등의 요인들 역시 각각의 요인들이 미숙아의 시력 발달 및 근시 진행에 영향을 미친다는 것을 확인할 수 있다.
아래의 [표 1]은 망막 병증의 정도를 나타내는 단계 및 각 단계의 의미를 표시한 테이블이다. [표 1]을 참조하면, 망막 병증은 총 6개의 스테이지로 구분될 수 있으며, 각 스테이지는 망막 병증으로 인해 환자의 안구에 발생하는 합병증 혹은 구조 변화에 따라 구분될 수 있다. 제 2 예측인자로 추출되는 망막 병증의 정도 역시 [표 1]과 같이 6개의 단계로 구별되어 표현될 수 있으나, 이에 한정되지는 않는다.
[표 1]
Figure 112018128493640-pat00001
이와 같이 미숙아의 시력 발달 및 근시 진행에 영향을 미치는 중요한 요인에 해당하는 제 2 예측인자들을 개인정보 데이터로부터 제 1 데이터 분석분에서 추출함으로써, 시력 발달 및 근시 진행 예측에 필요한 정보들만을 선별하여 학습 과정에 활용할 수 있다. 이에 따라, 불필요한 정보들을 사전에 필터링함으로써, 효율적인 데이터 학습 및 모델링이 수행될 수 있도록 할 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아 시력 발달 예측 모델을 생성하는 단계(S300)에서는, 제 2 데이터 분석부(30)에 의해 전술한 제 1 예측인자 및 제 2 예측인자들의 상관관계가 소정의 나이를 기준으로 딥러닝 과정을 통해 분석될 수 있으며, 분석된 결과에 따라 미숙아 시력 발달 예측 모델이 생성될 수 있다.
이때, 예측 모델의 생성을 위한 데이터 학습에 기준이 되는 소정의 나이란 안정적인 검사 및 데이터 수집이 가능한 만 4세 내지 7세의 나이를 말한다. 즉, 제 2 데이터 분석부(30)에서는 만 4세 내지 7세의 나이에 해당하는 환자의 데이터를 활용하여 예측인자들의 상관관계에 대한 딥러닝 과정이 수행되며, 만 4세 이하 또는 만 7세 이상의 나이에 해당하는 환자의 데이터는 딥러닝 과정에서 활용되지 않고 무시되거나 제거될 수 있다.
한편, 예측인자들의 상관관계에 따라 도출되는 시력 발달 예후는 소정의 시점(ex. 만 8세)을 기준으로 한 시력 발달 정도를 의미할 수 있다. 이러한 시력 발달 정도는 후술할 미숙아의 시력 발달 및 근시 진행의 예측 과정에서 학습 과정에서 분류되는 소정의 단계를 나타내는 값 또는 연속된 범위값 등으로 도출될 수 있다.
또한, 예측인자들의 상관관계에 따라 도출되는 근시 진행 정도는 소정의 시점(ex. 만 8세)을 기준으로 한 근시 진행 확률을 의미할 수 있다. 즉, 미숙아 시력 발달 예측 모델을 통해 근시 진행 예측에 관한 유의미한 결과값을 도출하기 위해서 소정의 시점(ex. 만 8세)을 기준으로 한 근시가 진행될 확률에 대한 분석이 제 2 데이터 분석부(30)에 의해 수행될 수 있다.
본 발명의 일 실시 예에 따른 미숙아 시력 발달 예측 모델의 생성 단계(S300)에서의 딥러닝을 이용한 예측인자들의 상관관계 분석 과정은 도 3 내지 도 4를 참조하여 이하에서 보다 구체적으로 설명하도록 한다.
도 3은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아 시력 발달 예측 모델 생성 과정을 나타낸 순서도이며, 도 4는 본 발명의 일 실시 예에 따라 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 방식의 일 예를 나타낸다.
도 3을 참조하면, 본 발명의 일 실시 예에 따른 미숙아 시력 발달 예측 모델을 생성하는 단계(S300)에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 단계(S310) 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 단계(S320, S330)가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아 시력 발달 예측 모델을 위한 1차 학습 단계(S310)로서, 제 1 딥러닝 학습부(31)에 의해 제 1 예측인자 및 제 2 예측인자에 각각 포함된 기초정보들의 상관관계가 딥러닝을 이용한 학습 과정을 통해 분석될 수 있다. 여기서 말하는 기초정보란 각각의 예측인자 중에서도 시력 발달 및 근시 진행 예측을 위해 필수적으로 요구되는 정보(Liminted Value)를 말한다. 즉, 제 1 딥러닝 학습부(31)에서 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들간의 상관관계를 딥러닝을 이용하여 학습한 결과만으로도 근시 진행 예측의 정확성을 담보할 수 있다.
예를 들어, 제 1 예측인자에 포함된 정보들 중 기초정보에는 초기 굴절값, 시신경 모양, 혈관의 구불거림, 황반부 반사가 포함될 수 있으며, 제 2 예측인자에 포함된 정보들 중 기초정보에는 나이, 성별, 재태주수, 출생체중이 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아 시력 발달 예측 모델을 위한 2차 학습 단계(S320, S330)로서, 먼저 제 2 딥러닝 학습부(32)에 의해 제 1 예측인자 및 제 2 예측인자에 각각 확장정보가 포함되어 있는지 여부가 판단(S320)될 수 있다. 여기서 말하는 확장정보란 시력 발달 및 근시 진행 예측을 위해 필수적으로 요구되지는 않으나 시력 발달 및 근시 진행 예측의 정확도를 향상시키기 위한 보정값에 해당하는 정보(Extended Value)를 말한다. 즉, 제 2 딥러닝 학습부(32)에서는 제 1 예측인자 및 제 2 예측인자 각각에 기초정보들을 제외한 확장정보가 추가적으로 존재하는지 여부를 판단함으로써, 근시 진행 예측의 정확성을 보다 향상시키기 위한 추가 학습 과정을 수행할 수 있다.
예를 들어, 제 1 예측인자에 포함된 정보들 중 확장정보에는 안축장 길이, 망막신경 섬유층의 두께가 포함될 수 있으며, 제 2 예측인자에 포함된 정보들 중 확장정보에는 망막 병증 유무 및 정도, 망막증 치료 유무가 포함될 수 있다.
본 발명의 일 실시 예에 따라 제 2 딥러닝 학습부(32)에 의해 예측인자들에 확장정보가 포함되어 있지 않은 것으로 판단되는 경우, 추가적인 학습 과정없이 제 1 딥러닝 학습부(31)에서는 기초정보들의 상관계를 딥러닝을 이용하여 학습한 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성할 수 있다(S340).
제 2 딥러닝 학습부(32)에 의해 예측인자들에 확장정보가 포함된 것으로 판단되는 경우에는, 제 2 딥러닝 학습부(32)에서는 확장정보를 포함하는 예측인자들 전체의 상관관계를 딥러닝을 이용하여 추가적으로 학습하고(S330), 학습한 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성할 수 있다(S340).
전술한 제 1 딥러닝 학습부(31) 및 제 2 딥러닝 학습부(32)에 의한 딥러닝 과정은 예측인자들 상호간에 시력 발달 및 근시 진행에 영향을 미치는 정도를 학습하여 예측인자들 간의 상관관계를 소정의 단계로 나타내는 값 또는 연속된 변수값으로 분석하는 과정으로 이해될 수 있다. 이러한 과정에서 이용되는 딥러닝 알고리즘에는 Convolutional Neural Network을 비롯하여 Attention Mechanism, Deconvlutional Deep Neural Network 등이 포함될 수 있다.
예를 들어, 도 4를 참조하면, 제 2 딥러닝 학습부(32)에서는 안구검사 데이터로부터 추출된 제 1 예측인자(ex. 초기 굴절값, 시신경 모양, 혈관의 구불거림 등)와 개인정보 데이터로부터 추출된 제 2 예측인자(ex. 나이, 성별, 재태주수, 출생체중등)가 서로 간에 근시 진행에 영향을 미치는 정도를 소정의 단계로 테이블화하여 학습할 수 있다. 이때, 학습되는 정보가 누적됨에 따라 소정의 단계는 세분화 또는 재설정됨으로써, 예측인자들 간의 상관관계에 대한 정확도 및 정밀도가 향상될 수 있다.
도 4를 참조하면, 제1 예측인자와 제2 예측인자의 상관관계는 도 4에 도시된 바와 같이 제1 예측인자를 행으로, 제2 예측인자를 열로 갖는 표로 나타날 수 있다.
발명의 일 실시예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 방법은 도 4의 윗쪽 표에 도시된 바와 같이 만 4세 내지 만 7세의 나이를 갖는 환자의 안구검사 데이터로부터 제1 예측인자를 추출하고, 만 4세 내지 만 7세의 나이를 갖는 환자의 개인정보 데이터로부터 제2 예측인자를 각각 추출한 다음 상기 추출한 제1 예측인자와 제2 예측인자가 해당하는 표의 공간(칸)에 시력 발달 예후 및 근시 진행 정도를 표시할 수 있으며, 상기 표와 딥러닝을 이용하여 제1 예측인자와 제2 예측인가 간의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 학습할 수 있다.
예를 들어, 도 4의 위의 표에 나타난 바와 같이, 본 발명은 안구검사 데이터로부터 혈관의 구불거림을 추출하고, 개인정보 데이터로부터 망막 병증의 유무 및 정도를 추출한 다음, 혈관의 구불거림과 망막 병증의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 표 내부의 색으로 표현할 수 있다. 이때, 표 내부(칸)의 색이 진할수록 시력 발달 예후가 나쁘고, 근시 진행 정도가 큰 것을 의미할 수 있다. 또한, 도 4의 표에서 행은 아래쪽으로 갈수록 혈관의 구불거림이 큰 것을 의미하며, 열은 왼쪽으로 갈수록 망막 병증의 정도가 심한 것을 의미할 수 있다.
또한, 실시예에 따라, 미숙아 시력 발달 예측 모델의 생성과정은 도 4의 윗쪽 표가 도 4의 아랫쪽 표로 변경되는 과정으로 표현될 수 있을 것이다.
예를 들어, 도 4의 윗쪽 표의 윗부분에 하얀색으로 표시된 칸과 같이 기존에 축적된 데이터를 통해서도 제1 예측인자와 제2 예측인자의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 알 수 없는 경우(즉, 해당 데이터가 존재하지 않는 경우)가 있을 수 있다.
상기 근시 진행 정도를 알 수 없는 경우의 시력 발달 예후와 근시 진행 정도는 기존에 축적된 데이터를 통해 알 수 있는 제1 예측모델과 제2 예측모델의 상관관계와 시력 발달 예후 및 근시 진행 정도의 상관관계를 분석한 다음 이를 기준으로 예상될 수 있다.
이때, 도 4의 아랫쪽 표는 본 발명의 일 실시예에 따라 생성된 근시 진행 정도 예측 모델의 예시도일 수 있다.
도 4에서와 같이 제 1 예측인자와 제 2 예측인자가 각각의 독립된 값으로 학습될 수도 있으나, 도 5와는 달리 제 1 예측인자와 제 2 예측인자에 포함된 모든 정보들이 각각 서로 독립된 값으로 학습될 수도 있다.
(2) 미숙아의 시력 발달 및 근시 진행을 예측하는 과정
이하에서는 전술한 (1) 미숙아 시력 발달 예측 모델의 생성 과정을 통해 설명한 내용과 동일한 내용에 대해서는 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시 예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 방법을 나타낸 제 2 순서도이며, 도 6은 본 발명의 일 실시 예에 따라 미숙아의 시력 발달 예후 및 근시 진행 정도를 분석하고, 시력 발달 예후 및 근시 진행 정도에 따른 안구 치료 방향을 결정하는 과정을 나타낸 순서도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 미숙아의 안구검사 결과 데이터 및 미숙아의 개인정보 데이터가 입력되는 단계(S400), 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 미숙아의 개인정보 데이터로부터 제 2 입력정보를 추출하는 단계(S500), 미숙아 시력 발달 예측 모델을 통해 추출된 입력정보들을 기초로 하여 미숙아에 대한 시력 발달 예후 및 근시 진행 정도를 분석하는 단계(S600) 및 분석된 시력 발달 예후 및 근시 진행 정도에 기초하여 미숙아에 대한 안구 치료 방향을 결정하는 단계(S700)가 더 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아의 안구검사 결과 데이터 및 미숙아의 개인정보 데이터는 시력 발달 및 근시 진행 예측을 위해 임상의로부터 인가된 외부입력에 의해 데이터 수집부(10)를 통해 직접 입력되거나, 후술할 사용자 단말(300)을 통해 데이터 수집부(10)로 전달되어 입력될 수 있다.
미숙아의 안구검사 결과 데이터에는 전술한 미숙아 시력 발달 예측 모델의 생성 과정에서와 마찬가지로 안저 이미지, 빛간섭단층촬영 이미지 등과 같은 안구와 관련된 이미지 정보, 안구검사에 따른 시력 정보 등이 포함될 수 있다. 또한, 미숙아의 개인정보 데이터에는 미숙아의 신상 정보(ex. 나이, 성별, 거주지, 병력 등)가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아의 시력 발달 및 근시 진행 예측을 위한 데이터 추출 단계(S500)에서는, 제 1 데이터 분석부(20)에 의해 미숙아의 안구검사 결과 데이터로부터 제 1 입력정보가 추출되고, 미숙아의 개인정보 데이터로부터 제 2 입력정보가 추출될 수 있다.
이때, 제 1 입력정보는 제 1 예측인자에 상응하는 정보로서, 미숙아의 안구에 대한 초기 굴절값, 시신경 모양, 혈관의 구불거림, 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함될 수 있다. 또한, 제 2 입력정보는 제 2 예측인자에 상응하는 정보로서, 미숙아의 나이, 성별, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 미숙아의 시력 발달 및 근시 진행 예측을 위한 데이터 분석 과정(S600)에서는, 제 2 데이터 분석부(30)에 의해 미숙아 시력 발달 예측 모델에서 제 1 입력정보 및 제 2 입력정보에 기초하여 미숙아의 시력 발달 예후 및 근시 진행 정도가 분석될 수 있다.
도 4를 참조하면, 제1 예측인자와 제2 예측인자의 상관관계는 도 4에 도시된 바와 같이 제1 예측인자를 행으로, 제2 예측인자를 열로 갖는 표로 나타날 수 있다.
실시예에 따라, 미숙아의 시력 발달 및 근시 진행 예측 과정은 안구검사 결과 데이터로부터 제1 입력정보를 추출하고, 개인정보 데이터로부터 제2 입력정보를 추출한 다음 이를 도 4의 아랫쪽 표와 같이 생성된 예측모델과 비교하여, 제1 입력정보 및 제2 입력정보가 해당하는 근시 진행 정도를 추출함으로써 예측되는 것일 수 있다.
즉, 본 발명의 일 실시 예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 과정은 도 4의 아랫쪽 표와 같이 생성된 시력 발달 예측 모델에서, 미숙아의 안구검사 결과 데이터로부터 추출한 제1 입력정보 및 미숙아의 개인정보 데이터에서 추출한 제2 입력정보가 해당하는 칸의 시력 발달 예후 및 근시 진행 정도를 추출함으로써 예측되는 것일 수 있다.
예를 들어, 제 1 입력정보로 미숙아의 안구에 대한 초기 굴절값, 시신경 모양, 혈관의 구불거림, 황반부 반사가 추출되고, 제 2 입력정보로 미숙아의 나이, 성별, 재태주수, 출생체중이 추출된 경우, 초기 굴절값, 시신경 모양, 혈관의 구불거림, 황반부 반사, 나이, 성별, 재태주수, 출생체중이 입력값으로서 미숙아 시력 발달 예측 모델에 입력될 수 있다. 미숙아 시력 발달 예측 모델에서는 학습된 결과를 기초로 입력값에 따라 미숙아의 시력 발달 예후 및 근시 진행 정도를 분석할 수 있다.
이때, 분석된 결과값으로서 미숙아의 시력 발달 예후는 소정의 시점(ex. 만 8세)을 기준으로 한 시력 발달 수치가 소정의 단계별로 분류되어 도출되거나, 연속된 범위값으로 도출될 수 있다. 또한, 근시 진행 정도는 소정의 시점(ex. 만 8세)을 기준으로 한 근시 진행 확률값으로 도출될 수 있다.
도 6을 참조하면, 본 발명의 일 실시 예에 따라 미숙아의 시력 발달 예후 및 근시 진행 정도에 대한 분석이 완료되면, 제 2 데이터 분석부(30)에 의해 근시 진행 정도는 미숙아의 안구에 대한 굴절값의 예측치로 변환될 수 있다(S650). 이는 임상의가 미숙아의 시력 발달 예후 및 근시 진행 정도를 손쉽게 파악할 수 있도록 하기 위함이며, 근시 진행 정도에 따라 결정되는 안구 치료 방향에 대한 분석이 빠르게 수행될 수 있도록 하기 위함이다.
예를 들어, 미숙아의 근시 진행 정도가 만 8세에서의 근시 진행 확률 값으로 분석되면, 제 2 데이터 분석부(30)에서는 해당 확률값에 따라 실제 미숙아의 근시 진행이 예상되는 굴절값의 변화량을 추정하여 근시 진행 정도를 미숙아의 안구에 대한 굴절값의 예측치로 변환할 수 있다.
본 발명의 일 실시 예에 따라 근시 진행 정도가 미숙아의 안구에 대한 굴절값의 예측치로 변환되면, 시력 발달 예후 및 근시 진행 정도에 기초하여 치료방향 도출부(40)에 의해 미숙아의 안구 치료 방향이 분석 및 결정될 수 있다(S700). 여기서 말하는 안구 치료 방향이란 미숙아의 시력 발달 치료 및 근시 치료를 위한 시점 및 방법에 관한 것으로, 현재 시력 발달 정도 및 근시 진행 정도에 근거하여 미숙아가 어느 시점에 시력 발달을 위한 치료 및 근시 치료를 시작해야하며, 시력 발달을 위한 치료 및 근시 치료 방법으로는 어떠한 방법들이 수행되어야 하는지 등에 대한 정보를 말한다.
예를 들어, 시력 발달 예후에 따라 미숙아가 만 8세의 나이에도 시력 발달이 더디게 진행되는 경우에는, 만 6세의 나이부터 안경을 착용하고, 가림 치료를 적극적으로 수행해야 하는 것으로 시력 발달을 위한 치료 방향이 분석될 수 있다.
또한, 근시 진행 정도가 연령대에 따라 0.24디옵터 값 이상 또는 0.5디옵터 값 이상으로 추정된 경우에는 해당 미숙아는 곧바로 근시 치료를 수행해야 하며, 환경조절, 각막굴절교정술렌즈, 아트로핀 점안 등의 근시 치료 방법을 미숙아의 안구 상태에 알맞게 선택적으로 수행해야 하는 것으로 근시 치료 방향이 분석될 수 있다. 근시 진행 정도가 연령대에 따라 0.5디옵터 값 이상 또는 1.0디옵터 값 이상으로 추정된 경우에는 전술한 근시 치료 방법들을 모두 병합해서 수행해야 하는 것으로 근시 치료 방향이 분석될 수 있다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에는, 미숙아의 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향에 대한 정보를 출력하는 단계(S800)가 더 포함될 수 있다. 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향(i.e. 안구 치료 시점 및 방법)에 대한 정보는 데이터 출력부(50) 통해 출력되거나, 사용자 단말(300)로 전달되어 출력될 수 있다.
이때, 미숙아의 시력 발달 예후는 소정의 시점을 기준으로 한 시력 발달 정도를 단계별로 나타내는 값 또는 연속된 범위값으로 출력될 수 있다. 또한, 근시 진행 정도에 대한 정보는 미숙아의 안구에 대한 굴절값의 변화량(i.e. 굴절값의 예측치)으로 출력될 수 있다. 예를 들어, 데이터 출력부(50)에 포함된 디스플레이를 통해 미숙아에 대한 근시 진행 정도는 0.5디옵터 값을 나타내는 텍스트 형태로 출력되거나, 변화를 가시적으로 보여주기 위해서 그래프 형태로 출력될 수 있다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 미숙아 시력 발달 예측 모델을 갱신하는 단계(S900)가 더 포함될 수 있다.
전술하였듯이 제 1 입력정보 및 제 2 입력정보는 제 1 예측인자 및 제 2 예측인자에 상응하는 정보이므로, 제 1 입력정보 및 제 2 입력정보는 미숙아의 시력 발달 및 근시 진행 예측의 학습에 재사용될 수 있다. 따라서, 미숙아의 시력 발달 및 근시 진행 예측을 위해 입력된 정보들은 예측인자로서 딥러닝 과정에 사용될 수 있으며, 이를 통해 예측 모델 갱신부(33)에서는 미숙아 시력 발달 예측 모델을 지속적으로 갱신할 수 있다.
(3) 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템
도 7은 본 발명의 일 실시 예에 따른 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템(100)을 나타낸 블록도이다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템(100)에는, 데이터베이스(200)에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하고, 미숙아의 안구검사 결과 데이터 및 미숙아의 개인정보 데이터가 입력되는 데이터 수집부(10), 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하며, 미숙아의 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 미숙아의 개인정보 데이터로부터 제 2 입력정보를 추출하는 제 1 데이터 분석부(20) 및 추출된 예측인자들의 상관관계에 따른 시력 발달 예후 및 근시 진행 정도를 소정의 나이를 기준으로 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 미숙아 시력 발달 예측 모델을 생성하며, 미숙아 시력 발달 예측 모델을 통해 추출된 입력정보들을 기초로 하여 미숙아에 대한 시력 발달 예후 및 근시 진행 정도를 분석하는 제 2 데이터 분석부(30)가 포함될 수 있다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 제 2 데이터 분석부(30)에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 제 1 딥러닝 학습부(31) 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 제 2 딥러닝 학습부(32)가 포함될 수 있다.
또한, 본 발명의 일 실시 예에 따른 제 2 데이터 분석부(30)에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 미숙아 시력 발달 예측 모델을 갱신하는 예측 모델 갱신부(33)가 포함될 수 있다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 시스템(100)에는, 분석된 시력 발달 예후 및 근시 진행 정도에 기초하여 미숙아에 대한 안구 치료 방향을 결정하는 치료방향 도출부(40)가 더 포함될 수 있다.
또한, 미숙아의 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향에 대한 정보를 출력하는 데이터 출력부(50)가 더 포함될 수 있다. 이때, 미숙아의 근시 진행 정도에 대한 정보는 미숙아의 안구에 대한 굴절값의 변화량으로 출력될 수 있다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 시스템(100)은 사용자 단말(300)과 연동 가능할 수 있다. 이때, 사용자 단말(300)은 유무선 네트워크 통신이 가능한 단말로서, 스마트폰, PMP(Portable Multimedia Player), PDA(Personal Digital Assistants), 데스크탑(Desktop) PC, 랩탑(Laptop) PC, 태블릿(Tablet) PC 등일 수 있다.
본 발명의 일 실시 예에 따른 시스템(100)과 사용자 단말(300)이 연동됨으로써, 데이터 수집부(10)는 사용자 단말(300)로부터 환자의 안구검사 결과 데이터, 개인정보 데이터 등을 입력받을 수 있다. 또한, 전술한 데이터 출력부(50)가 없이도 시스템(100)이 사용자 단말(300)을 통해 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력할 수도 있다.
본 발명의 일 실시 예에 따른 시스템(100)과 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 시스템(100)과 관련하여, 전술한 방법에 대한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 다시 말해서, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 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 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 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.
10: 데이터 수집부 20: 제 1 데이터 분석부
30: 제 2 데이터 분석부 31: 제 1 딥러닝 학습부
32: 제 2 딥러닝 학습부 33: 예측 모델 갱신부
40: 치료방향 도출부 50: 데이터 출력부
100: 근시 진행 예측 시스템 200: 데이터베이스
300: 사용자 단말

Claims (15)

  1. 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법에 있어서,
    데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계;
    상기 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 상기 안구검사 데이터로부터 제 1 예측인자를 추출하고, 상기 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계; 및
    상기 제1 예측인자 및 제2 예측인자의 상관관계와 시력 발달 예후 및 근시 진행 정도의 상관관계를 상기 딥러닝을 이용하여 학습하고, 상기 제1 예측인자 및 제2 예측인자의 상관관계와 시력 발달 예후 및 근시 진행 정도의 상관관계에 기초하여 미숙아 시력 발달 예측 모델을 생성하는 단계가 포함되며,
    상기 안구검사 데이터 및 상기 개인정보 데이터는 만4세 내지 만7세의 나이에 해당하는 환자에 관한 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  2. 제 1 항에 있어서,
    상기 제 1 예측인자에는 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함되며,
    상기 제 2 예측인자에는 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  3. 제 1 항에 있어서,
    상기 미숙아 시력 발달 예측 모델을 생성하는 단계에는,
    상기 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 상기 딥러닝을 이용하여 학습하는 단계 및 상기 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 상기 확장정보가 존재하는 경우에 상기 확장정보를 포함하는 예측인자들의 상관관계를 상기 딥러닝을 이용하여 학습하는 단계가 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  4. 제 1 항에 있어서,
    미숙아의 안구검사 결과 데이터 및 상기 미숙아의 개인정보 데이터가 입력되는 단계;
    상기 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 상기 미숙아의 개인정보 데이터로부터 제 2 입력정보를 추출하는 단계;
    상기 미숙아 시력 발달 예측 모델을 통해 상기 추출된 입력정보들을 기초로 하여 상기 미숙아에 대한 시력 발달 예후 및 근시 진행 정도를 분석하는 단계; 및
    상기 분석된 시력 발달 예후 및 근시 진행 정도에 기초하여 상기 미숙아에 대한 안구 치료 방향을 결정하는 단계가 더 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  5. 제 4 항에 있어서,
    상기 제 1 입력정보에는 상기 미숙아의 안구에 대한 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함되며,
    상기 제 2 입력정보에는 상기 미숙아의 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  6. 제 4 항에 있어서,
    상기 미숙아의 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향에 대한 정보를 출력하는 단계가 더 포함되며,
    상기 미숙아의 근시 진행 정도에 대한 정보는 상기 미숙아의 안구에 대한 굴절값의 변화량으로 출력되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  7. 제 4 항에 있어서,
    상기 제 1 입력정보 및 상기 제 2 입력정보를 기초로 상기 딥러닝을 이용한 학습을 통해 상기 미숙아 시력 발달 예측 모델을 갱신하는 단계가 더 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 방법.
  8. 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템에 있어서,
    데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하고, 미숙아의 안구검사 결과 데이터 및 상기 미숙아의 개인정보 데이터가 입력되는 데이터 수집부;
    상기 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 상기 안구검사 데이터로부터 제 1 예측인자를 추출하고, 상기 개인정보 데이터로부터 제 2 예측인자를 추출하며, 상기 미숙아의 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 상기 미숙아의 개인정보 데이터로부터 제 2 입력정보를 추출하는 제 1 데이터 분석부; 및
    상기 제1 예측인자 및 제2 예측인자의 상관관계와 시력 발달 예후 및 근시 진행 정도의 상관관계를 상기 딥러닝을 이용하여 학습하고, 상기 제1 예측인자 및 제2 예측인자의 상관관계와 시력 발달 예후 및 근시 진행 정도의 상관관계에 기초하여 미숙아 시력 발달 예측 모델을 생성하며, 상기 미숙아 시력 발달 예측 모델을 통해 상기 추출된 입력정보들을 기초로 하여 상기 미숙아에 대한 시력 발달 예후 및 근시 진행 정도를 분석하는 제 2 데이터 분석부가 포함되고,
    상기 안구검사 데이터 및 상기 개인정보 데이터는 만4세 내지 만7세의 나이에 해당하는 환자에 관한 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  9. 제 8 항에 있어서,
    상기 제 1 예측인자에는 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함되며,
    상기 제 2 예측인자에는 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  10. 제 8 항에 있어서,
    상기 제 1 입력정보에는 상기 미숙아의 안구에 대한 초기 굴절값, 시신경 모양, 혈관의 구불거림(Tortuosity), 황반부 반사, 안축장 길이 또는 망막신경 섬유층의 두께 중 적어도 하나 이상이 포함되며,
    상기 제 2 입력정보에는 상기 미숙아의 나이, 성별, 재태주수, 출생체중, 망막 병증의 유무 및 정도 또는 망막증에 대한 치료 유무 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  11. 제 8 항에 있어서,
    상기 제 2 데이터 분석부에는,
    상기 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 상기 딥러닝을 이용하여 학습하는 제 1 딥러닝 학습부 및 상기 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 상기 확장정보가 존재하는 경우에 상기 확장정보를 포함하는 예측인자들의 상관관계를 상기 딥러닝을 이용하여 학습하는 제 2 딥러닝 학습부가 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  12. 제 8 항에 있어서,
    상기 제 2 데이터 분석부에는,
    상기 제 1 입력정보 및 상기 제 2 입력정보를 기초로 상기 딥러닝을 이용한 학습을 통해 상기 미숙아 시력 발달 예측 모델을 갱신하는 예측모델 갱신부가 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  13. 제 8 항에 있어서,
    상기 분석된 시력 발달 예후 및 근시 진행 정도에 기초하여 상기 미숙아에 대한 안구 치료 방향을 결정하는 치료방향 도출부가 더 포함되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  14. 제 13 항에 있어서,
    상기 미숙아의 시력 발달 예후, 근시 진행 정도 및 안구 치료 방향에 대한 정보를 출력하는 데이터 출력부가 더 포함되며,
    상기 미숙아의 근시 진행 정도에 대한 정보는 상기 미숙아의 안구에 대한 굴절값의 변화량으로 출력되는 것을 특징으로 하는 미숙아의 시력 발달 및 근시 진행을 예측하는 시스템.
  15. 제 1 항 내지 제 7 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020180166265A 2018-12-20 2018-12-20 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템 KR102320581B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180166265A KR102320581B1 (ko) 2018-12-20 2018-12-20 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180166265A KR102320581B1 (ko) 2018-12-20 2018-12-20 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200077086A KR20200077086A (ko) 2020-06-30
KR102320581B1 true KR102320581B1 (ko) 2021-11-03

Family

ID=71121470

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180166265A KR102320581B1 (ko) 2018-12-20 2018-12-20 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102320581B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887194B1 (ko) * 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL258706A (en) * 2017-04-25 2018-06-28 Johnson & Johnson Vision Care Treatment follow-up methods in emmetropia and system
KR101857624B1 (ko) 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887194B1 (ko) * 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치

Also Published As

Publication number Publication date
KR20200077086A (ko) 2020-06-30

Similar Documents

Publication Publication Date Title
Lavric et al. KeratoDetect: keratoconus detection algorithm using convolutional neural networks
KR102320580B1 (ko) 딥러닝을 이용한 근시 진행 예측 방법 및 시스템
KR102329468B1 (ko) 인공지능을 이용한 안질환 진단 방법 및 시스템
Lopes et al. Estimating heritability and shared environmental effects for refractive error in twin and family studies
RU2703654C1 (ru) Способы и система слежения за лечением аметропии
RU2664173C2 (ru) Способы и система слежения за лечением аметропии
Willmann et al. Quantification of optic disc edema during exposure to high altitude shows no correlation to acute mountain sickness
KR20190101458A (ko) 인지 기능 평가 시스템
KR102608915B1 (ko) 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하기 위한 모델을 구축하는 방법 및 장치
Daiber et al. Visual acuity
KR102250775B1 (ko) 근시 치료를 위한 디지털 장치 및 애플리케이션
JP2022512505A (ja) 視力関連パラメータの経時的な進展を予測するための方法及び装置
JP2022510876A (ja) 視力低下を抑制する眼鏡レンズの有効性を評価する方法及び装置
Gupta et al. Comparison of near visual acuity and reading metrics in presbyopia correction
Xiang et al. Changes of corneal biomechanics in children using orthokeratology and their roles in predicting axial length progression—A prospective 2‐year study
Zhao et al. Is it possible to predict progression of childhood myopia using short-term axial change after orthokeratology?
KR102320581B1 (ko) 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템
Wang et al. Advances in artificial intelligence models and algorithms in the field of optometry
Verdú-Monedero et al. Automatic measurement of isnt and cdr on retinal images by means of a fast and efficient method based on mathematical morphology and active contours
Du et al. Artificial intelligence-aided diagnosis and treatment in the field of optometry
CN114048687A (zh) 一种近视、高度近视预测模型及其应用
Tekouabou et al. Machine learning aprroach for early detection of glaucoma from visual fields
Mani et al. An automated hybrid decoupled convolutional network for laceration segmentation and grading of retinal diseases using optical coherence tomography (OCT) images
ÇİFTCİ ARTIFICIAL INTELLIGENCE FOR CATARACT
EP4177907A1 (en) A method and system for determining a risk of an onset or progression of myopia

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant