KR102436359B1 - 의료 정보를 생성하는 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 안과 진료 데이터 처리하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작; 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작; 및 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하는 동작을 포함할 수 있다.

Description

의료 정보를 생성하는 방법 {METHOD FOR GENERATING MEDICAL INFORMATION}

본 발명은 컴퓨터 장치를 이용한 데이터 처리에 관한 것으로써 보다 구체적으로는 안과 진료 데이터를 처리하기 위한 방법에 관한 것이다.

일반적으로 각막은 안구의 가장 바깥쪽 표면에 위치하며, 눈에서 제일 먼저 빛이 통과하는 부분으로 투명하며, 빛을 굴절시켜 망막 위에 이미지를 만들어주는 눈의 전방 조직이고, 망막은 그 위에 형성된 이미지로부터 빛을 감지하고 이미지로부터 신호를 뇌에 전달해 주는 눈의 조직이다.

각막 두께에 따라 시력에 변동이 발생하므로, 안구의 불완전한 시력을 교정하는 방법으로써, 각막 두께를 변경하여 불완전한 시력을 교정하는 시력교정술이 있다. 대표적으로 많이 사용되는 시력교정술로는 라식(LASIK), 라섹(LASEK), 스마일(SMILE)이 있다.

대한민국 등록특허 1143745 호는 예측 눈 교정 시스템을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 안과 진료 데이터를 처리하기 위한 방법을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 상기 동작들은, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작; 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작; 및 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 학습 데이터 세트는, 환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함할 수 있다.

대안적 실시예에서, 상기 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작은, 상기 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 사전 결정된 기준은, 상기 학습 데이터 세트의 항목 간 상관 관계를 기초로 결정된 기준이고, 상기 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과일 수 있다.

대안적 실시예에서, 상기 회귀(Regression) 분석은, 오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석일 수 있고, 상기 분류(Classification) 분석은, 상기 학습 데이터 세트의 오분류 정도 및 균등 분포 정도를 나타내는 불순도(impurity)를 기초로 산출된 분석일 수 있다.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리; 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델-상기 분류 모델은 결정 트리로 구성됨-을 포함하고, 상기 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.

대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작은, 상기 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 상기 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 상기 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 상기 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델일 수 있다.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 상기 학습 데이터 세트를 기초로 상기 학습 입력 데이터의 피처(feature)를 추출하는 피처추출부; 및 추출된 상기 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부를 포함하고, 상기 출력 생성부는, 의료 처치 데이터를 분류하는 제 1 출력 생성부; 및 의료 처치 결과 데이터를 분류하는 제 2 출력 생성부를 포함할 수 있다.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 상기 학습 입력 데이터의 피처를 추출하고, 상기 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델; 및 의료 처치 결과 데이터의 피처를 추출하고, 의료 처치 결과 데이터를 분류하는 제 2 서브모델을 포함하는 모델일 수 있다.

대안적 실시예에서, 상기 의료 정보는, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 의료 정보를 생성하기 위한 방법이 개시된다. 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 단계; 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 단계; 및 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하고, 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키고, 그리고 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성할 수 있다.

본 개시는 안과 진료 데이터를 처리하기 위한 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 안과 진료 데이터 처리를 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 교사 학습 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 안과 진료 예측 모델의 학습 과정을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 분류 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 회귀 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.
도 6a 및 도 6b는 본 개시의 일 실시예에 따라 교사 학습 모델의 모듈을 예시적으로 구성한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하는 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 안과 진료 데이터 처리를 수행하는 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 안과 진료 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

프로세서(110)는 안과 진료 데이터 처리를 수행할 수 있다. 프로세서(110)는 과거 진료 기록에 기초하여 학습 데이터 세트를 생성할 수 있다. 학습 데이터 세트는 안과 진료 예측 모델을 생성하기 위해 사용되는 데이터일 수 있다.

본 개시의 일 실시예에 따라, 학습 데이터 세트는, 환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함할 수 있다. 환자 정보는 환자의 개인 정보일 수 있다. 환자 개인 정보는 예를 들어, 환자의 연령, 주민등록 번호, 성별, 직업 등과 같은 정보일 수 있다. 환자 진단 데이터는 적어도 하나 이상의 검사장비를 통해 환자를 검사한 결과 데이터를 포함할 수 있다. 환자 검사 장비는 예를 들어, 굴절 검사 장비 ARK(AutoRefractor & Keratometer), 안압 검사 장비 IOP(intraocular pressure), 굴절 검사 장비 MR(Manifest Refraction), 각막 지형도를 출력하는 펜타캠(Pentacam) 등과 같은 장비일 수 있다. 환자 진단 데이터는 예를 들어, 근시, 난시, 난시축, 각막 두께, 동공크기, 눈물량, 안압, 교정시력, 망막 등과 같은 항목에 대한 검사 결과를 포함할 수 있다. 의료 처치 데이터는 환자 검사 데이터를 기초로 의사가 수행한 의료 처치에 대한 정보를 포함할 수 있다. 의료 처치는 인간의 눈에 행해지는 안과 시술 방법 및 안과 수술 방법을 포함할 수 있다. 의료 처치는 시력 개선 및/또는 안질환 치료를 목표로 할 수 있다. 의료 처치는 예를 들어, 라식, 라섹, 스마일 라식, 각막 이식술, 각막 내 렌티큘 추출, 각막 내 링 세그먼트 삽입술, 각막 인레이 이식술 등과 같은 처치를 포함할 수 있다. 의료 처치 결과 데이터는 환자에 대해 행하여진 의료 처치 후 환자의 검사 결과 데이터를 포함할 수 있다. 의료 처치 결과 데이터는 예를 들어, 의료 처치 후 교정 시력을 포함할 수 있다. 전술한 학습 데이터는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 학습 데이터 세트의 항목을 결정할 수 있다. 학습 데이터 세트의 항목은 데이터 값(value)의 속성(attribute)을 나타내는 정보일 수 있다. 예를 들어, 환자 A 왼쪽 눈의 교정 시력 데이터 값(value)이 1.2인 경우 항목은 왼쪽 눈의 교정 시력일 수 있다. 학습 데이터 세트의 항목 우선 순위는 항목의 중요도를 나타낼 수 있으며, 항목의 중요도는 예를 들어, 교정 시력 항목에 가장 영향을 많이 미치는 항목일수록 중요도가 높게 표현되는 수치일 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사전 결정된 기준은, 학습 데이터 세트의 항목 간 상관 관계를 기초로 결정된 기준이고, 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과일 수 있다. 항목 간 상관 관계는 하나의 항목 값이 변경됨에 따라 다른 항목의 값이 변경되는지, 변경된다면 얼마나 변경되는지에 따라 결정되는 관계일 수 있다. 즉 하나의 항목 값이 다른 항목 값의 변동에 얼마나 영향을 주는지를 나타내는 관계일 수 있다.

본 개시의 일 실시예에 따라, 회귀(Regression) 분석은, 오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석일 수 있다. 잔차 제곱합(RSS: Residual Sum of square)은 실제 데이터와 예측 모델이 산출한 데이터 사이의 불일치를 평가하는 척도일 수 있다. 또한, 회귀(Regression) 분석은 종속 변수와 하나 이상의 독립 변수의 상관 관계를 설명하기 위한 분석일 수 있다. 예를 들어 종속 변수가 교정 시력이고, 독립 변수가 안압인 경우, 환자 안압에 따른 교정 시력 상관 관계가 선형일 수 있다. 프로세서(110)는 회귀 분석 결과, 항목 중요도를 산출할 수 있다. 프로세서(110)는 잔차 제곱합(RSS: Residual Sum of square)을 최소화시키는 항목일수록 예측 모델의 예측 정확도를 높이는 항목으로 판단하여 항목 중요도를 높게 평가할 수 있다. 전술한 회귀(Regression) 분석은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 분류(Classification) 분석은, 학습 데이터 세트의 불순도(impurity)를 기초로 산출된 분석일 수 있다. 불순도(impurity)는 지니 계수(Gini Index) 및 엔트로피(Entropy)일 수 있다. 지니 계수(Gini Index) 및 엔트로피(Entropy)는 분류 결과 데이터의 균등 분포를 나타내는 지표일 수 있다. 예를 들어, 특정 항목을 기준으로 데이터를 분류하였을 경우, 분류된 양쪽 데이터 수의 차이가 클수록 지니 계수(Gini Index) 및 엔트로피(Entropy)의 값은 클 수 있다. 또한 불순도(impurity)는 데이터의 순도(homogeneity), 불확실성(uncertainty)을 나타내는 수치일 수 있다. 데이터의 순도(homogeneity), 불순도(impurity), 불확실성(uncertainty)은 데이터 분류 결과 오분류 데이터의 비율을 나타낼 수 있다. 따라서 오분류 데이터 비율이 높을수록 순도(homogeneity)는 낮아지며, 불순도(impurity), 불확실성(uncertainty)은 높아진다. 지니 계수(Gini Index) 및 엔트로피(Entropy)가 작을수록 불순도(impurity)도 낮아질 수 있다. 프로세서(110)는 지니 계수(Gini Index) 및 엔트로피(Entropy)를 낮추는 항목일수록 예측 모델의 정확도를 높이는 항목으로 판단하여 항목의 중요도를 결정할 수 있다. 전술한 분류(Classification) 분석은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시킬 수 있다. 본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함할 수 있다. 예를 들어, 회귀(Regression) 트리는 의사 결정 트리에서 단말 노드(leaf node)가 실수 값인 트리일 수 있다. 예를 들어, 단말 노드(leaf node)에 해당하는 데이터 값이 왼쪽 눈의 교정 시력 1.2인 경우, 입력 데이터에 따라 라식 단말 노드에 도달하면 교정 시력이 1.2인 것을 예측할 수 있다. 분류(Classification) 트리는 의사 결정 트리에서 단말 노드(leaf node)가 항목인 트리일 수 있다. 예를 들어, 단말 노드(leaf node)가 라식 항목인 경우, 입력 데이터에 따라 라식 단말 노드에 도달하면, 라식 수술을 받은 것이 적합하다는 예측을 할 수 있다. 전술한 회귀(Regression) 트리 및 분류(Classification) 트리는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델을 포함할 수 있다. 분류 모델은 결정 트리로 구성될 수 있다. 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다. 결정 트리(Decision Tree)는 노드가 분기 기준을 나타내고 가지가 분기 결과를 나타내는 트리일 수 있다. 제 2 분류 모델은 제 1 분류 모델의 다음 에포크(epoch)의 모델 일 수 있다. 오분류 학습 데이터는 결정 트리의 분류 결과 잘못 분류된 데이터일 수 있다. 가중치는 오분류 학습 데이터의 비율을 감소시키기 위한 것일 수 있다. 프로세서(110)는 초기에는 모든 학습 데이터에 대해 동일한 가중치를 부여한 후, 오분류 학습 데이터에 대해서만 가중치를 증가시켜 분류할 때 오분류 데이터에 대해서는 정확하게 분류된 데이터에 비해 더 집중적으로 분류하여, 오분류 데이터를 정확도 높게 분류할 수 있다. 즉, 프로세서(110)는 오분류 학습 데이터가 정확하게 분류될 수 있도록 트리를 구성 함으로써, 학습 에포크에 따라 오분류 학습 데이터가 감소하도록 모델을 학습 시킬 수 있다. 노드의 분기 기준은 잔차 제곱합(RSS: Residual Sum of square), 지니 계수(Gini Index) 및 엔트로피(Entropy) 중 적어도 하나에 기초하여 결정된 기준일 수 있다. 노드의 분기 기준은 학습 데이터 항목의 우선 순위에 기초하여 결정된 기준일 수 있다. 전술한 분류 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 상기 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작을 수행할 수 있다. 결정 트리의 노드를 생성하는 경우 노드에 해당하는 학습 데이터의 항목 중요도 값을 산출할 수 있다. 학습 데이터의 항목 중요도 값은 잔차 제곱합(RSS: Residual Sum of square), 지니 계수(Gini Index) 및 엔트로피(Entropy) 중 적어도 하나에 기초하여 결정된 것일 수 있다. 프로세서(110)는 노드의 항목 중요도 값을 계산하는 경우, 병렬적으로 노드의 항목 중요도 값을 계산하여 학습 시간을 단축시킬 수 있다. 예를 들어, 병렬적으로 노드의 항목 중요도 값을 계산하는 것은 한 노드에서 2개의 자식 노드가 생성되는 경우, 2개의 자식 노드의 항목 중요도 값을 동시에 계산하는 것일 수 있다. 전술한 병렬 처리는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다. 전술한 사항은 학습 시간은 단축시키기 위한 앙상불(ensemble) 학습 방식일 수 있다. 프로세서(110)는 적어도 하나 이상의 분류 모델에서 학습 데이터에 대해 부여한 가중치들을 선형적으로 합산하여 하나의 학습 데이터 세트를 구성한 후, 예측 모델을 생성할 수 있다. 이를 통해 프로세서(110)는 복수개의 분류 모델에서 발생한 오분류 데이터에 대해 부여한 가중치를 고려할 수 있음으로써, 예측 정확도가 높은 예측 모델 생성이 가능할 수 있다. 전술한 학습 과정은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다. 교사 학습(supervised learning)된 모델은 신경망(neural network) 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습(supervised learning)된 모델은 라벨이 되는 학습 출력 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다. 교사 학습(supervised learning)된 모델은 예를 들어, CNN(Convolutional Neural Network)를 이용하여 학습된 모델일 수 있다. 전술한 교사 학습(supervised learning)된 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 학습 데이터 세트를 기초로 학습 입력 데이터의 피처를 추출하는 피처추출부 및 추출된 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부를 포함하고, 출력 생성부는, 의료 처치 데이터를 분류하는 제 1 출력 생성부 및 의료 처치 결과 데이터를 분류하는 제 2 출력 생성부를 포함할 수 있다. 피처추출부는 컨볼루션 레이어(Convolutional Layer)과 풀링 레이어(Pooling Layer)을 포함할 수 있다. 출력 생성부는 완전 연결 레이어(fully connected layer)일 수 있다. 피처추출부는 학습 입력 데이터의 피처를 추출하는 것일 수 있다. 출력 생성부는 피처추출부에서 추출된 피처를 기초로 학습 입력 데이터를 분류(classify)하는 것일 수 있다. 제 1 출력 생성부는 의료 처치 데이터를 분류하고, 제 2 출력 생성부가 의료 처치 결과 데이터를 분류하도록 함으로써, 예측 모델의 예측 정확도를 높일 수 있다. 제 1 출력 생성부 및 제 2 출력 생성부는 병렬적으로 연결된 생성부일 수 있다. 전술한 예측 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 학습 입력 데이터의 피처를 추출하고, 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델; 및 의료 처치 결과 데이터의 피처를 추출하고, 의료 처치 결과 데이터를 분류하는 제 2 서브모델을 포함하는 모델일 수 있다. 프로세서(110)는 제 1 서브모델을 의료 처치 데이터를 출력하도록 의료 처치 데이터가 라벨링된 학습 데이터를 이용하여 학습시킴으로서, 제 1 서브모델에서 의료 처치 데이터와 관련한 피처를 추출할 수 있다. 또한 프로세서(110)는 제 2 서브모델을 의료 처치 결과를 출력하도록 의료 처치 결과 데이터가 라벨링된 학습 데이터를 이용하여 학습시킴으로써, 제 2 서브모델에서 의료 처치 결과 데이터와 관련한 피처를 추출할 수 있다. 이를 이용하여 각각의 서브모델은 각각 학습 결과 데이터에 대하여 높은 정확도로 예측할 수 있다. 전술한 예측 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 의료 정보는, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따른 안과 진료 데이터 처리 방법은 학습 데이터를 기초로 의료 정보를 자동으로 생성해 냄으로써, 환자에게 최적화된 의료 서비스를 제공할 수 있다. 본 개시의 일 실시예에 따라 안과 병원에서 전산 담당자 없이 진료 데이터를 활용하여 고객에게 최적화된 진료 서비스를 제공할 수 있다. 또한 전산 담당자가 불필요하므로, 저렴하게 진료 데이터를 활용하여 의료 서비스 투자 비용 감소 및 병원 매출 증대 효과를 기대할 수 있다. 또한 본 개시의 일 실시예를 통해, 기존에는 수술 장비 및 렌즈 선택에 따라 30~200여가지의 의료 처치가 가능하여 최적의 의료 처치를 선택하는데 많은 시간이 소요되었으나, 머신 러닝을 통해 환자별 가장 최적화된 수술 방법 예측 서비스를 단시간 내에 제공할 수 있다.

도 2는 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 교사 학습 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 안과 진료 예측 모델의 학습 과정을 설명하기 위한 예시도이다.

도 3에 도시된 바와 같이, 제 1 분류기(210), 제 2 분류기(211), 제 3 분류기(212)는 모두 결정 트리일 수 있다. 예측 모델(230)은 제 1 분류기(210), 제 2 분류기(211), 제 3 분류기(212)를 기초로 생성된 모델일 수 있다. 프로세서(110)는 제 2 분류기(211)를 생성함에 있어, 제 1 분류기(210) 생성 결과 오분류 학습 데이터에 대해 가중치를 부여하여 결정 트리 재구성함으로서 결정 트리를 생성할 수 있다. 프로세서(110)는 제 3 분류기(212)를 생성함에 있어, 제 2 분류기(211) 생성 결과 오분류 학습 데이터에 대해 가중치를 부여하여 결정 트리를 생성할 수 있다. 따라서 제 2 분류기(211)는 제 1 분류기(210)에 비해 개선된 분류 모델일 수 있고, 제 3 분류기(212)는 제 2 분류기(211)에 비해 개선된 분류 모델일 수 있다. 따라서 예측 모델(230)을 생성하는데 기초가 되는 복수개의 분류 모델이 동일한 성능을 가진 것이 아니라 적어도 전의 분류 모델에 비해 개선된 것이어서, 예측 모델(230)의 예측 정확도를 향상시킬 수 있다. 프로세서(110)는 예측 모델(230)을 생성함에 있어 제 1 분류기(210), 제 2 분류기(211) 및 제 3 분류기(212) 생성 결과 도출된 학습 데이터에 대한 가중치를 선형 합산할 수 있다. 따라서 예측 모델(230)은 복수개의 분류 모델의 오분류 데이터를 고려할 수 있어 예측 정확도가 향상된 예측 모델을 생성할 수 있다. 전술한 안과 진료 예측 모델의 학습 과정은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 4는 본 개시의 일 실시예에 따라 분류 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.

도 4에 도시된 바와 같이 분류 트리의 단말 노드는 항목 또는 집단일 수 있다.

도 4에 도시된 바와 같이 노드에는 항목 안압(310) 및 각막 두께(330)가 기재되어 있다. 예를 들어 프로세서(110)는 안압(310) 노드에서 안압이 10mmHg 이하인 경우 왼쪽 자식으로, 초과인 경우 오른쪽 자식으로 분류를 진행시키고, 각막 두께(330) 노드에서 각막 두께가 0.55mm 이하이면 왼쪽 자식으로, 초과이면 오른쪽 자식으로 분류를 진행시킬 수 있다. 즉, 프로세서(110)는 입력 데이터 및 노드의 분기 기준에 기초하여 해당 노드의 왼쪽 자식 노드 또는 오른쪽 자식 노드로 갈지 결정할 수 있다. 단말 노드(leaf node)에는 결과 항목 값인 비수술(320), 렌즈삽입술(321), 라식(322)이 기재되어 있다. 단말 노드(leaf node) 아래에 기재된 0.82(340), 0.90(341), 0.95(342)는 학습 데이터를 기초로 학습한 결과, 단말 노드에 존재하는 학습 데이터들이 단말 노드의 항목에 해당할 확률 값을 의미할 수 있다. 예를 들어 학습 결과 라식(322) 단말 노드에 포함된 학습 데이터 중 라식 수술을 받은 환자는 95% 존재함을 의미할 수 있다. 나머지 5%는 오분류 데이터일 수 있다. 본 개시의 일 실시예에 따라, 입력 데이터가 안압 = 15mmHg, 각막 두께 = 0.60mm인 경우, 입력 데이터는 루트 노드에서 시작하여 라식(322) 단말 노드에서 분류의 진행이 멈추게 된다. 따라서 안압 = 15mmHg, 각막 두께 = 0.60mm인 환자의 경우에는 라식 수술 방법이 높은 확률로 예측됨을 알 수 있다. 전술한 분류 트리를 사용한 수술 방법의 예측은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 5는 본 개시의 일 실시예에 따라 회귀 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.

도 5에 도시된 바와 같이 단말 노드는 실수 값을 가지는 데이터일 수 있다.

도 5에 도시된 바와 같이 노드에는 항목 근시(410) 및 라식(430)이 기재되어 있다. 근시(410) 노드의 분기 기준은 예를 들어, 디옵터 -1.00 일 수 있고, 라식(430) 노드의 분기기준은 라식 수술 여부일 수 있다. 단말 노드(leaf node)는 환자 시력의 실수 값을 나타낼 수 있다. 예를 들어, 단말 노드는 환자의 시력 값(예를 들어, 왼쪽 눈 또는 오른쪽 눈의 시력 값일 수 있다.)인 0.4(450), 1.2(451), 1.7(452)일 수 있다. 프로세서(110)는 입력 데이터가 예를 들어 근시 = 디옵터 -4.00, 라식 수술 여부 = yes 인 경우, 1.2(451)라는 단말 노드에 입력 데이터가 도달하게 된다. 따라서 근시 = 디옵터 -4.00, 라식 수술 여부 = yes인 환자의 예측 교정 시력은 1.2 로 예측될 수 있다. 전술한 회귀 트리를 사용한 예측 시력은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 6a 및 도 6b는 본 개시의 일 실시예에 따라 교사 학습 모델의 모듈을 예시적으로 구성한 블록 구성도이다.

도 6a는 공통된 피처 추출부를 가지는 안과 진료 예측 모델의 예시를 도시한다. 도 6a에 도시된 바와 같이 프로세서(110)는 학습 데이터를 기초로 피처 추출부(510)에서 피처를 추출할 수 있다. 프로세서(110)는 피처 추출부(510)를 이용하여 학습 입력 데이터에서 의료 처치 데이터 및 의료 처치 결과 데이터를 라벨링하여 공통된 피처 추출부에서 피처를 얻을 수 있다. 예를 들어, 안과 진료 예측 모델은 공통된 피처 추출부에서 의료 처치 데이터 및 의료 처치 결과 데이터가 라벨링된 학습 입력 데이터를 입력 받아 학습될 수 있다. 이를 통해, 안과 진료 예측 모델은 의료 처치 및 의료 처치 결과에 대한 상관 관계도 학습 가능 할 수 있다. 예를 들어, 의료 처치로써 라섹 수술을 진행한 결과 환자의 수술 후 교정된 시력이 0.5 증가하였다는 상관 관계 분석 결과를 얻을 수 있다. 또 다른 실시예로, 환자의 진단 데이터와 의료 처치 데이터인 예측 교정 시력 값을 입력하여, 최적의 의료 처치 방법이 라식 수술 이라는 분석 결과를 얻을 수 있다.

도 6b는 학습 데이터를 기초로 피처를 추출함에 있어 서로 다른 2개의 피처 추출부를 포함하는 안과 진료 예측 모델을 도시하고 있다. 프로세서(110)는 제 1 서브모델(550)의 피처 추출부(551)를 이용하여 의료 처치 데이터가 라벨링된 입력 데이터로부터 피처를 추출할 수 있고, 또 제 2 서브모델(570)의 피처 추출부(571)를 이용하여 의료 처치 결과 데이터가 라벨링된 입력 데이터로부터 피처를 추출할 수 있다. 별도의 피처 추출부를 운용함으로써, 학습 데이터를 의료 처치 및 의료 처치 결과에 따라 서브셋을 구성하여 각각의 서브 모델을 간소화할 수 있어 안과 진료 예측 모델의 학습 시간을 단축시킬 수 있다. 또한 의료 처치 및 의료 처치 결과 각각에 대한 패턴을 학습하여 각각 학습 결과 데이터에 대한 피처를 추출함으로써, 제 1 서브모델(550) 및 제 2 서브모델(570)의 예측 정확도를 높일 수 있다. 이는 전체 예측 모델의 예측 정확도를 높이는 것으로 귀결될 수 있다.

전술한 교사 학습 모델의 모듈은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하는 방법의 순서도이다.

컴퓨팅 장치(100)는 환자의 안과 진료 데이터 처리할 수 있다. 그리고 컴퓨팅 장치(100)는 과거 진료 기록에 기초하여 학습 데이터 세트를 생성할 수 있다(610). 과거 진료 기록은 환자의 개인 정보, 환자 검사 결과 데이터, 의료 처치 정보, 의료 처치 결과 정보를 포함할 수 있다.

본 개시의 일 실시예에서, 학습 데이터 세트는, 환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함할 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 학습 데이터 세트의 항목을 결정하는 동작을 수행할 수 있다.

본 개시의 일 실시예에서, 사전 결정된 기준은, 학습 데이터 세트의 항목 간 상관 관계를 기초로 결정된 기준이고, 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과일 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시킬 수 있다(620).

본 개시의 일 실시예에서, 회귀(Regression) 분석은, 오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석이고, 분류(Classification) 분석은, 학습 데이터 세트의 오분류 정도 및 균등 분포 정도를 나타내는 불순도(impurity)를 기초로 산출된 분석일 수 있다.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델-분류 모델은 결정 트리로 구성됨-을 포함하고, 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작을 수행할 수 있다.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델일 수 있다.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 학습 데이터 세트를 기초로 학습 입력 데이터의 피처를 추출하는 피처추출부 및 추출된 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부를 포함하고, 출력 생성부는, 의료 처치 데이터를 분류하는 제 1 출력 생성부 및

의료 처치 결과 데이터를 분류하는 제 2 출력 생성부를 포함할 수 있다.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 학습 입력 데이터의 피처를 추출하고, 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델 및 의료 처치 결과 데이터의 피처를 추출하고, 의료 처치 결과 데이터를 분류하는 제 2 서브모델을 포함하는 모델일 수 있다.

본 개시의 일 실시예에서 따라, 컴퓨팅 장치(100)는 학습된 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성할 수 있다(630).

본 개시의 일 실시예에서, 의료 정보는, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 환자의 안과 진료 데이터 처리를 통해 저렴한 비용으로 진료 데이터를 활용하여 환자에게 최적화된 의료 서비스를 제공하여 병원의 매출 증대를 기대할 수 있다. 나아가 머신 러닝을 통해 환자에게 최적화된 의료서비스를 제공하여 안과 뿐만 아니라 치과, 산부인과, 내과, 정형외과 등 고객 관리가 필요한 모든 과에 대해 본 개시를 확장할 수 있다.

도 8은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 안과 진료 데이터 처리는 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하기 위한 모듈(710); 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키기 위한 모듈(720); 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하기 위한 모듈(730)에 의하여 구현될 수 있다.

안과 진료 데이터 처리의 대안적 실시예에서, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하기 위한 모듈(710)은 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하기 위한 모듈을 포함할 수 있다.

안과 진료 데이터 처리의 대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키기 위한 모듈(720)은 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리; 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 학습시키기 위한 모듈을 포함할 수 있다. 또한 상기 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델을 학습 시키기 위한 모듈을 포함할 수 있다.

안과 진료 데이터 처리의 대안적 실시예에서, 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하기 위한 모듈(730)은 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 생성하기 위한 모듈을 포함할 수 있다.

본 개시의 일 실시예에 따르면 안과 진료 데이터 처리하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로　컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램으로서, 상기 동작들은;
   과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작;
   상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작; 및
   학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 처치 방법에 대한 설명에 대한 데이터 및 상기 의료 처치 방법에 따른 결과 데이터를 포함하는 의료 정보를 생성하는 동작;
   을 포함하고, 그리고
   상기 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작은,
   상기 학습 데이터 세트의 항목을 학습 데이터 세트의 항목 간 상관관계를 기초로 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 학습 데이터 세트는,
   환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제3 항에 있어서,
   상기 회귀(Regression) 분석은,
   오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석이고,
   상기 분류(Classification) 분석은,
   상기 학습 데이터 세트의 오분류 정도 및 균등 분포 정도를 나타내는 불순도(impurity)를 기초로 산출된 분석인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 1 항에 있어서,
   상기 안과 진료 예측 모델은,
   의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리; 및
   의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 안과 진료 예측 모델은,
   적어도 하나 이상의 분류 모델-상기 분류 모델은 결정 트리로 구성됨-을 포함하고,
   상기 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 제 6 항에 있어서,
   상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작은,
   상기 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 상기 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 제 6 항에 있어서,
   상기 안과 진료 예측 모델은,
   적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 상기 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 안과 진료 예측 모델은,
   상기 학습 데이터 세트에 포함된 학습 입력 데이터 및 상기 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델인,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 제 9 항에 있어서,
    상기 안과 진료 예측 모델은,
    상기 학습 데이터 세트를 기초로 상기 학습 입력 데이터의 피처를 추출하는 피처추출부; 및
    추출된 상기 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부;
    를 포함하고,
    상기 출력 생성부는,
    의료 처치 데이터를 분류하는 제 1 출력 생성부; 및
    의료 처치 결과 데이터를 분류하는 제 2 출력 생성부;
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
11. 제 9 항에 있어서,
    상기 안과 진료 예측 모델은,
    상기 학습 입력 데이터의 피처를 추출하고, 상기 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델; 및
    의료 처치 결과 데이터의 피처를 추출하고, 상기 의료 처치 결과 데이터를 분류하는 제 2 서브모델,
    를 포함하는 모델인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
12. 삭제
13. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 의료 정보를 생성하는 방법에 있어서,
    상기 하나 이상의 프로세서가 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 단계;
    상기 하나 이상의 프로세서가 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 단계; 및
    상기 하나 이상의 프로세서가 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 처치 방법에 대한 설명에 대한 데이터 및 상기 의료 처치 방법에 따른 결과 데이터를 포함하는 의료 정보를 생성하는 단계;
    를 포함하고,
    상기 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 단계는,
    상기 학습 데이터 세트의 항목을 학습 데이터 세트의 항목 간 상관관계를 기초로 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 의료 정보를 생성하기 위한 방법.
    
14. 의료 정보를 생성하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    과거 진료 기록에 기초하여 학습 데이터 세트를 생성하고,
    상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키고, 그리고
    학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 처치 방법에 대한 설명에 대한 데이터 및 상기 의료 처치 방법에 따른 결과 데이터를 포함하는 의료 정보를 생성하고,
    상기 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 경우, 상기 학습 데이터 세트의 항목을 학습 데이터 세트의 항목 간 상관관계를 기초로 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하는,
    의료 정보를 생성하기 위한 컴퓨팅 장치.
    

Images