KR102477592B1 - 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 - Google Patents
신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 Download PDFInfo
- Publication number
- KR102477592B1 KR102477592B1 KR1020200187691A KR20200187691A KR102477592B1 KR 102477592 B1 KR102477592 B1 KR 102477592B1 KR 1020200187691 A KR1020200187691 A KR 1020200187691A KR 20200187691 A KR20200187691 A KR 20200187691A KR 102477592 B1 KR102477592 B1 KR 102477592B1
- Authority
- KR
- South Korea
- Prior art keywords
- sarcopenia
- body fluid
- diagnosis
- unit
- artificial intelligence
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Fuzzy Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
Abstract
본 발명은 근 감소증 인공지능 진단 시스템 및 방법에 관한 것으로, 더욱 상세하게는 따라서 본 발명의 목적은 근 감소증 환자의 신체액(혈액, 침, 소변 등)의 바이오마커 중 근 감소에 영향을 줄 수 있는 복수의 신체액 바이오마커(이하 "선택 신체액 바이오마커"라 함)를 추출하고, 추출된 선택 신체액 바이오마커와, 연령, 성별, 키, 몸부게, 지방량 등을 포함하는 환자정보를 포함하는 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 학습시키고, 학습된 근 감소증 인공지능 모델에 검사자의 신체액으로부터 검출되는 선택 신체액 바이오마커 및 환자정보를 적용하여 상기 검사자에 대한 근 감소증 결과정보를 출력하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법에 관한 것이다.
Description
본 발명은 근 감소증 인공지능 진단 시스템 및 방법에 관한 것으로, 더욱 상세하게는 따라서 본 발명의 목적은 근 감소증 환자의 신체액(혈액, 침, 소변 등)의 바이오마커 중 근 감소에 영향을 줄 수 있는 복수의 신체액 바이오마커(이하 "선택 신체액 바이오마커"라 함)를 추출하고, 추출된 선택 신체액 바이오마커와, 연령, 성별, 키, 몸부게, 지방량 등을 포함하는 환자정보를 포함하는 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 학습시키고, 학습된 근 감소증 인공지능 모델에 검사자의 신체액으로부터 검출되는 선택 신체액 바이오마커 및 환자정보를 적용하여 상기 검사자에 대한 근 감소증 결과정보를 출력하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법에 관한 것이다.
골격근은 인체에서 가장 큰 부분을 차지하는 기관으로 총 몸무게의 40-50%를 차지하며, 에너지 항상성 및 열생성 등을 비롯한 체내 여러 대사 기능에도 중요한 역할을 한다. 사람의 근육은 40세 이후부터 매년 1% 이상씩 감소하며, 80세가 되면 최대 근육량의 50% 수준이 감소되며, 노년의 근육 감소는 전반적인 신체 기능을 떨어뜨리는 가장 중요한 요소로 인식되고 있다. 노화가 진행되는 동안 근육량(skeletal muscle mass) 감소에 따른 근력의 저하를 근 감소증(Sarcopenia)이라 일컫는다.
근 감소증의 원인은 개인마다 다르지만, 가장 흔한 원인은 단백질 섭취 저하, 운동량 부족, 잘못된 운동 방법 등이며, 특히 필수 아미노산의 섭취 및 흡수 부족 등이 될 수 있을 것이다. 또 다른 원인으로는 노화와 동반된 호르몬 부족이 있을 수 있다.
이러한 근 감소증을 진단하기 위한 방법으로는 근육량, 근력, 근 기능을 측정하는 방법이 이용되며, 이때 연령, 성별, 키, 몸부게, 지방량 등과 같은 환자정보를 고려한다.
근육량은 골격 근육량을 측정하는데, 이를 위해 이중에너지 방사선 흡수법(Dual Energy X-ray Absorptiometry), 바이오 임피던스 측정법, CT, MRI 등의 방법을 사용한다.
근력은 다리 근력 또는 악력으로 측정하고, 근 기능은 신체 기능을 평가하여 확인하는데, 보행 속도 측정, SPPB(Short Physical Performance Battery), 400미터 보행 검사, 6분 보행 검사 등을 이용하여 측정한다.
이와 같이 근육량, 근력 및 근 기능을 복합적으로 분석하여 근 감소증을 진단한다.
상술한 바와 같이 종래 근 감소증을 진단하기 위해서는 근육량, 근력, 근 기능 등과 같이 많은 검사를 수행하여야 하므로 많은 시간이 소요되고, 고가의 장비를 이용한 검사를 수행하여야 하므로 진단 비용이 비싸지는 문제점이 있었다.
따라서 본 발명의 목적은 근 감소증 환자의 신체액(혈액, 침, 소변 등)의 바이오마커 중 근 감소에 영향을 줄 수 있는 복수의 신체액 바이오마커(이하 "선택 신체액 바이오마커"라 함)를 추출하고, 추출된 선택 신체액 바이오마커와, 연령, 성별, 키, 몸부게, 지방량 등을 포함하는 환자정보를 포함하는 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 학습시키고, 학습된 근 감소증 인공지능 모델에 검사자의 신체액으로부터 검출되는 선택 신체액 바이오마커 및 환자정보를 적용하여 상기 검사자에 대한 근 감소증 결과정보를 출력하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템은: 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성부; 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득부; 상기 데이터세트를 입력받아 표준화하여 출력하는 전처리부; 근 감소증 진단 인공지능 모델을 가지고 있으며, 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습부; 및 상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용되어, 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델의 입력 데이터로 적용하여 상기 진단 데이터에 대한 근 감소증 진단 결과정보를 출력하는 진단부를 포함하는 것을 특징으로 한다.
상기 데이터세트 생성부는, 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택부; 근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득부; 및 다수의 근 감소증 환자의 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 한다.
상기 진단 데이터 획득부는, 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득부; 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득부; 및 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성부를 포함하는 것을 특징으로 한다.
상기 학습부의 근 감소증 진단 인공지능 모델은, 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망부; 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트부; 및 상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측부를 포함하는 것을 특징으로 한다.
상기 심층 신경망부는, 입력 계층(Input Layer); 각각 30개, 16개 및 8개의 노드로 구성되고 드롭아웃 비율 0.3이 적용되는 3개의 완전연결 계층(Fully Connected Layer: FC Layer); 및 출력 계층을 포함하여, 10회 반복 10배 계층화된 교차 검증을 수행하는 100개의 모델을 생성하고, 상기 100개의 모델을 하기 수학식에 의해 앙상블하여 상기 신경망 근 감소증 진단 결과를 출력하는 것을 특징으로 한다.
[수학식]
상기 랜덤 포레스트부는, 최대 깊이가 4, 최대 특징 수 5로 훈련되는 100개의 랜덤 포레스트 모델을 훈련하고, 하기 수학식과 같이 100개의 랜덤 포레스트 모델의 출력을 통합하여 포레스트 근 감소증 진단 결과를 출력하는 것을 특징으로 한다.
[수학식]
상기 3개의 완전 연결 계층 중 마지막 완전 연결 계층은 소프트 맥스 계층으로 구성되는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법은: 진단 데이터 생성부가 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성 과정; 전처리부가 상기 데이터세트 생성부로부터 상기 데이터세트를 입력받아 표준화하여 출력하는 전처리 과정; 근 감소증 진단 인공지능 모델을 가지고 있는 학습부가 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습 과정; 진단 데이터 획득부가 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득 과정; 및 상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용된 진단부가 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델에 적용하여 상기 진단 데이터에 대응하는 근 감소증 진단 결과를 출력하는 진단 과정을 포함하는 것을 특징으로 한다.
상기 데이터세트 생성 과정은, 혈액 바이오마커 선택부가 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택 단계; 환자 데이터 획득부가 근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득 단계; 및 데이터세트 구성부가 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 한다.
상기 진단 데이터 획득 과정은, 신체액 바이오마커 획득부가 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득 단계; 환자정보 획득부가 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득 단계; 및 진단 데이터 구성부가 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성 단계를 포함하는 것을 특징으로 한다.
상기 진단 과정은, 심층 신경망부가 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망 진단 단계; 랜덤 포레스트부가 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트 진단 단계; 및 근 감소증 예측부가 상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측 단계를 포함하는 것을 특징으로 한다.
본 발명은 신체에서 발생되는 신체액의 바이오마커 중 근 감소증에 영향을 주는 신체액의 바이오마커만을 측정 및 추출한 후 근 감소증 진단 인공지능 모델에 적용하여 근 감소증을 진단할 수 있는 효과가 있다.
본 발명은 신체액의 바이오마커만을 측정하면 되므로, 기존의 오래 걸리는 다수의 검사를 수행하지 않아도 되므로 환자의 검사 시간을 줄일 수 있는 효과가 있다.
또한, 본 발명은 신체액의 바이오마커만을 측정하면 되므로 기존 고가의 검사를 수행하지 않아도 되므로 검사 비용을 낮출 수 있는 효과가 있다.
도 1은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 근 감소증 인공지능 진단 시스템의 근 감소증 진단 인공지능 모델의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법을 나타낸 흐름도이다.
도 2는 본 발명에 따른 근 감소증 인공지능 진단 시스템의 근 감소증 진단 인공지능 모델의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 구성 및 동작을 설명하고, 상기 시스템에서의 근 감소증 인공지능 진단 방법을 설명한다.
도 1은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 구성을 나타낸 도면이다.
본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템은 데이터세트 생성부(10), 진단 데이터 획득부(20), 전처리부(30), 학습부(40) 및 진단부(50)를 포함한다.
데이터세트 생성부(10)는 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성한다. 상기 신체액은 사람의 신체에 존재하는 액으로, 혈액, 침, 소변 등이 될 수 있을 것이다. 상기 데이터세트에 구성되는 신체액은 혈액, 침, 소변 각각이 될 수도 있고, 혈액, 침 및 소변 중 둘 이상이 될 수도 있을 것이다.
구체적으로 설명하면, 데이터세트 생성부(10)는 신체액 바이오마커 선택부(11), 환자 데이터 획득부(12) 및 데이터세트 구성부(13)를 포함한다.
신체액 바이오마커 선택부(11)는 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력한다.
환자 데이터 획득부(12)는 검사자의 신체액에 대한 선택 신체액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득한다.
상기 신체 특성 정보는 연령, 성별, 키, 몸무게 및 지방량 등을 포함할 수 있을 것이다.
데이터세트 구성부(13)는 다수의 근 감소증 환자들에 대한 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하여 전처리부(30)로 출력한다.
전처리부(30)는 상기 데이터세트의 데이터들을 하기 수학식 1에 의해 표준화하여 출력한다.
여기서 Data-meam(train)은 각 훈련 데이터의 특성에 대한 평균이고, SD(train)은 표준 편차값이다.
진단 데이터 획득부(20)는 신체액 바이오마커 획득부(21), 환자정보 획득부(22) 및 진단 데이터 구성부(23)를 포함하여, 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하여 진단부(50)로 출력한다.
상기 신체액 바이오마커 획득부(21)는 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부(11)에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력한다.
환자정보 획득부(22)는 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력한다.
진단 데이터 구성부(23)는 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력한다.
학습부(40)는 근 감소증 진단 인공지능 모델을 가지고 있으며, 상기 데이터세트 생성부(10) 및 전처리부(30) 어느 하나 이상을 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시킨 후 진단부(50)로 제공한다.
진단부(50)는 상기 학습부(40)에서 학습된 근 감소증 진단 인공지능 모델이 적용되어, 상기 진단 데이터 획득부(20)로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델의 입력 데이터로 적용하여 상기 진단 데이터에 대한 근 감소증 진단 결과정보를 출력한다.
상기 근 감소증 진단 결과정보는 근 감소증 진단, 근 감소증 위험, 정상 중 어느 하나일 것이다.
상기 근 감소증 진단 인공지능 모델의 상세 구성 및 동작은 다음의 도 2를 참조하여 설명한다.
도 2는 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 학습부 및 진단부에 적용되는 근 감소증 진단 인공지능 모델의 구성을 나타낸 도면이다. 도 2를 참조함에 있어 진단부(50)에 적용된 근 감소증 진단 인공지능 모델 관점에서 설명한다.
본 발명에 따른 근 감소증 진단 인공지능 모델은 심층 신경망부(Deep Neural Network: DNN)(110), 랜덤 포레스트부(Random Forest: RF)(120) 및 근 감소증 예측부(130)를 포함한다.
심층 신경망부(110)는 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 적용하여 상기 근 감소증 진단 및 예측을 수행하여 신경망 근 감소증 결과 정보를 출력한다.
랜덤 포레스트부(120)는 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 삼기 근 감소증 진단 및 예측을 수행하여 포레스트 근 감소증 결과 정보를 출력한다.
근 감소증 예측부(130)는 심층 신경망부(110)로부터 상기 신경망 근 감소증 결과 정보를 입력받고, 랜덤 포레스트부(120)로부터 상기 포레스트 근 감소증 결과 정보를 입력받아, 소프트 투표를 사용하여 최종 근 감소증을 예측하여 최종 근 감소증 결과 정보를 출력한다.
좀 더 구체적으로 설명하면, 심층 신경망부(110)는 도 2에서 보이는 바와 같이 5개의 계층, 즉 입력 계층(Input Layer), 3개의 완전 연결 계층(Fully Connected Layer: FC Layer) 및 출력 계층(Output Layer)을 포함하여 구성되어, 10회 반복 10배 계층화된 교차 검증을 수행하는 100개의 모델을 생성하고 100개의 모델을 하기 수학식 2 내지 수학식 4에 의해 앙상블하여 신경망 근 감소증 결과 정보를 예측하여 출력한다.
여기서 Pm(DNN)은 DNN의 m번째 모델에서 예측된 근 감소증 진단 확률값이고, p(DNN)은 예측된 근 감소증 진단 확률값들을 앙상블한 결과이며, (DNN)은 m 번째 모델에 대한 정규화된 가중치이며, 하기 수학식 3에 의해 계산된다.
여기서 가중치 Wm(DNN)은 m 번째 모델 Im(DNN)의 검증 손실을 사용하여 얻은 값으로 하기 수학식 4에 의해 계산된다.
상기 첫 번째 완전 연결 계층은 30개의 노드를 갖고, 두 번째 완전 연결 계층은 16개의 노드를 가지며, 세 번째 완전 연결 계층은 8개의 노드를 갖는다.
상기 완전 연결 계층들의 드롭아웃 비율은 과적합 문제를 완화하기 위해 0.3으로 설정된다.
세 번째 완전 연결 계층은 소프트맥스 계층으로 구성된다.
상술한 계층 구성, 노드 수, 드롭아웃 비율 등은 신체액이 혈액인 경우를 나타낸 것으로, 신체액의 종류, 바이오마커의 수 및 종류, 신체액 및 바이오마커의 구성 등에 따라 달라질 수 있을 것이다.
랜덤 포레스트부(120)는 최대 깊이가 4, 최대 특징 수 5로 훈련되는 100개의 랜덤 포레스트 모델을 훈련하고, 하기 수학식 5 내지 수학식 7과 같이 100개의 랜덤 포레스트 모델의 출력을 통합하여 포레스트 근 감소증 진단 확률을 출력한다.
여기서 Pm(RF)은 랜덤 포레스트(Ramdom Forest: RF)의 m번째 모델에서 예측된 근 감소증 진단 확률값이고, p(RF)은 예측된 근 감소증 진단 확률값들을 앙상블한 결과이며, (RF)은 m 번째 모델에 대한 정규화된 가중치이며, 하기 수학식 6에 의해 계산된다.
여기서 가중치 Wm(RF)은 m 번째 모델 Im(RF)의 검증 손실을 사용하여 얻은 값으로 하기 수학식 7에 의해 계산된다.
근 감소증 예측부(130)는 두 앙상블 결과값인 신경망 근 감소증 결과 정보인 신경망 근 감소증 진단 확률(P(DNN)) 및 포레스트 근 감소증 결과 정보인 포레스트 근 감소증 진단 확률(P(RF))을 입력받고 소프트 투표를 사용하여 최종 근 감소증 결과 정보를 출력한다. 따라서 두 확률값 신경망 근 감소증 결과 정보 및 포레스트 근 감소증 결과 정보의 평균에 따라 근 감소증 진단, 근 감소증 위험, 정상 중 어느 하나가 결정될 수 있을 것이다. 예를 들면, 상기 근 감소증 결과 정보의 평균 값이 0.7 이상이면 근 감소증 진단이고, 0.4 이상 0.7 미만이면 근 감소증 위험이며, 0.4 미만이면 정상임을 나타낸다.
도 3은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법을 나타낸 흐름도이다.
도 3을 참조하면, 데이터세트 생성부(10)는 신체액 종류 및 신체액별 바이오마커들 중 적어도 하나 이상의 신체액을 선택하고, 선택된 하나 이상의 신체액에 대한 바이오마커들 중 근 감소증에 영향을 주는 바이오마커를 선택받아 선택 바이오마커로서 저장하고, 근 감소증 환자의 연령, 성별, 키, 몸무게, 지방량을 포함하는 신체 특성 정보를 포함하는 환자정보를 획득한 후, 상기 근 감소증 환자의 신체액에 대한 바이오마커 및 환자정보를 포함하는 데이터세트를 생성한다(S111).
데이터세트가 생성되면 전처리부(30)는 상기 데이터세트를 표준화하는 데이터 전처리를 수행한다(S113).
데이터세트의 데이터 전처리가 완료되면 학습부(40)는 상기 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 근 감소증에 대한 선택된 신체액, 바이오마커 및 신체 특성 정보에 대한 학습을 수행한다(S115).
학습이 완료되면 진단 데이터 획득부(20)는 근 감소증 검사자에 대한 진단 데이터가 입력되는지를 모니터링하고(S117), 근 감소증 검사자에 대한 진단 데이터가 입력되면 근 감소증 진단 인공지능 모델에 진단 데이터를 적용한다(S119).
상기 진단 데이터의 적용 후 진단부(50)는 근 감소증 진단 인공지능 모델로부터 근 감소증 진단 결과 정보가 출력되는지를 모니터링하고(S121), 근 감소증 진단 결과 정보가 출력되면 디스플레이 장치, 프린터 등과 같은 출력수단을 통해 출력한다(S123).
근 감소증 진단 결과 정보가 출력되면 학습부(40)는 상기 근 감소증 진단 결과 정보를 입력받고 상기 근 감소증 진단 결과 정보가 근 감소증 진단인 경우 해당 신체액, 바이오마커, 신체 특성 정보를 포함하는 데이터세트를 구성하고(S125), 이러한 데이터세트가 미리 설정된 양 이상 확보되면(S127) 근 감소증 진단 인공지능 모델에 적용하여 재학습시킨다(S129).
한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.
10: 데이터세트 생성부 11: 신체액 바이오마커 선택부
12: 환자 데이터 획득부 13: 데이터세트 구성부
20: 진단 데이터 획득부 21: 신체액 바이오마커 획득부
22: 환자정보 획득부 23: 진단 데이터 구성부
30: 전처리부 40: 학습부
50: 진단부 110: 심층 신경망부
111: 입력 계층 112: 완전 연결 계층
113: 출력 계층 130: 근 감소증 예측부
12: 환자 데이터 획득부 13: 데이터세트 구성부
20: 진단 데이터 획득부 21: 신체액 바이오마커 획득부
22: 환자정보 획득부 23: 진단 데이터 구성부
30: 전처리부 40: 학습부
50: 진단부 110: 심층 신경망부
111: 입력 계층 112: 완전 연결 계층
113: 출력 계층 130: 근 감소증 예측부
Claims (11)
- 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성부;
검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득부;
상기 데이터세트를 입력받아 표준화하여 출력하는 전처리부;
근 감소증 진단 인공지능 모델을 가지고 있으며, 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습부; 및
상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용되어, 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델의 입력 데이터로 적용하여 상기 진단 데이터에 대한 근 감소증 진단 결과정보를 출력하는 진단부를 포함하고,
상기 학습부의 근 감소증 진단 인공지능 모델은,
5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망부;
랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트부; 및
상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측부를 포함하는
신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 제1항에 있어서,
상기 데이터세트 생성부는,
상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택부;
근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득부; 및
다수의 근 감소증 환자의 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 하는 근 감소증 인공지능 진단 시스템.
- 제2항에 있어서,
상기 진단 데이터 획득부는,
근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득부;
상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득부; 및
상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성부를 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 삭제
- 제5항에 있어서,
상기 3개의 완전 연결 계층 중 마지막 완전 연결 계층은 소프트 맥스 계층으로 구성되는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200187691A KR102477592B1 (ko) | 2020-12-30 | 2020-12-30 | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200187691A KR102477592B1 (ko) | 2020-12-30 | 2020-12-30 | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220095803A KR20220095803A (ko) | 2022-07-07 |
KR102477592B1 true KR102477592B1 (ko) | 2022-12-15 |
Family
ID=82398315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200187691A KR102477592B1 (ko) | 2020-12-30 | 2020-12-30 | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102477592B1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102568107B1 (ko) | 2022-09-14 | 2023-08-18 | 주식회사 니어네트웍스 | 멀티 센싱 및 비전 인식을 통한 근손실 진단 시스템 |
KR20240076001A (ko) * | 2022-11-23 | 2024-05-30 | 원광대학교산학협력단 | 근육세포 기반 근감소증 진단을 위한 근감소증 진단 기준 제공 방법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180023236A (ko) * | 2016-08-25 | 2018-03-07 | 삼성전자주식회사 | 건강 관리 장치 및 방법 |
KR102167204B1 (ko) | 2019-01-16 | 2020-10-20 | 고려대학교 산학협력단 | 인공지능망 기반 근전도 검사 분석 장치 및 방법 |
KR20200120076A (ko) * | 2019-04-11 | 2020-10-21 | 경상대학교산학협력단 | 기계학습을 이용한 근감소증 예측장치 |
-
2020
- 2020-12-30 KR KR1020200187691A patent/KR102477592B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20220095803A (ko) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109069014B (zh) | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 | |
KR102477592B1 (ko) | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 | |
Sejdinović et al. | Classification of prediabetes and type 2 diabetes using artificial neural network | |
CN104217095A (zh) | 人体健康功能状态评估模型 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
JP6914896B2 (ja) | 健康状態診断システム | |
CN101149767A (zh) | 一种无创型健康评估模型的通用建立方法及其装置 | |
CN102670190A (zh) | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 | |
CN106295205A (zh) | 基于bp神经网络的体脂百分比测量方法及其应用 | |
CN106295805A (zh) | 基于bp神经网络的人体最大摄氧量评价方法及其应用 | |
CN111508607A (zh) | 一种基于bp神经网络的肥胖症预测系统 | |
CN114496243A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
O'Connor et al. | The Bland-Altman method should not be used in regression cross-validation studies | |
US20180085008A1 (en) | Health Metric Validation System | |
Vainamo et al. | Artificial neural networks for aerobic fitness approximation | |
CN114241187A (zh) | 基于超声双模态影像的肌肉疾病诊断系统、设备及介质 | |
CN116453656B (zh) | 一种心理健康评估预警系统及方法 | |
KR102033484B1 (ko) | 적대적 인공지능 생성망 (gan)을 활용한 반려동물 검사의 정상범위 기준치 설정 방법 및 장치 | |
CN107951474A (zh) | 基于心率和血压的实时监测的运动心肺测试方法及系统 | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
CN109659031A (zh) | 肺功能指标预测装置及确定方法 | |
CN106572813A (zh) | 用于量化慢性疾病的多种可能形式对被报告呼吸困难的患者的贡献的可能性的模式识别系统 | |
Mikołajczyk et al. | Evaluation of a smartphone application for diagnosis of skin diseases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |