KR102477860B1 - 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템 - Google Patents
대장암 예측을 위한 세부유전자정보 선택방법 및 시스템 Download PDFInfo
- Publication number
- KR102477860B1 KR102477860B1 KR1020210179463A KR20210179463A KR102477860B1 KR 102477860 B1 KR102477860 B1 KR 102477860B1 KR 1020210179463 A KR1020210179463 A KR 1020210179463A KR 20210179463 A KR20210179463 A KR 20210179463A KR 102477860 B1 KR102477860 B1 KR 102477860B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- colorectal cancer
- detailed
- genetic information
- cancer classification
- Prior art date
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000001072 colon Anatomy 0.000 title description 3
- 206010009944 Colon cancer Diseases 0.000 claims abstract description 237
- 208000001333 Colorectal Neoplasms Diseases 0.000 claims abstract description 233
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims description 205
- 238000009795 derivation Methods 0.000 claims description 50
- 108091008053 gene clusters Proteins 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 17
- 238000010187 selection method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 5
- 208000037062 Polyps Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 208000029742 colonic neoplasm Diseases 0.000 description 4
- 238000002052 colonoscopy Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 108091028043 Nucleic acid sequence Proteins 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000004804 Adenomatous Polyps Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 208000014081 polyp of colon Diseases 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- 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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Oncology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
Abstract
본 발명은 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템에 관한 것으로서, 더욱 상세하게는, 복수의 사람들 각각에 대한 복수의 유전자정보 및 대장암에 대한 라벨링정보를 포함하는 학습데이터로부터, 복수의 유전자정보 중 대장암 분류를 위한 세부유전자정보를 도출하고, 도출된 세부유전자정보에 기초하여 딥러닝 기반의 대장암 예측모델을 생성할 수 있는, 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템에 관한 것이다.
Description
본 발명은 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템에 관한 것으로서, 더욱 상세하게는, 복수의 사람들 각각에 대한 복수의 유전자정보 및 대장암에 대한 라벨링정보를 포함하는 학습데이터로부터, 복수의 유전자정보 중 대장암 분류를 위한 세부유전자정보를 도출하고, 도출된 세부유전자정보에 기초하여 딥러닝 기반의 대장암 예측모델을 생성할 수 있는, 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템에 관한 것이다.
대장암은 결장과 직장에 생기는 악성종양을 말하며, 최근 전 세계적으로 대장암 발생이 급속히 증가하고 있다. 그 중 우리나라의 대장암 발생률은 2012년 10만명당 51.7건으로 전체 발생 암 중 3위를 차지하고 있다. 최근 국내 대장암 발생률이 증가함에 따라 대장암 조기 검진에 대한 관심이 증가되면서 대장내시경 및 용종절제술이 활발하게 시행되고 있다. 대장에서 발생하는 선종성 용종은 암의 전구 병변으로 알려져 있으며, 이러한 용종을 제거함으로써, 대장암 발병률을 줄일 수 있는 것으로 보고되고 있다. 국립암센터에서는 현재 매년 8,000건 이상의 진단 및 치료대장내시경을 시행하고 있으며 이는 향후 환자들의 수요에 의해 더욱 증가될 것으로 예측되고 있다.
대장암은 30대까지는 발생률이 낮지만 40대 이후부터 발생률이 증가하기 시작하고 50대부터는 발생률이 큰 증가세를 보이는 것으로 나타난다. 또한 여자보다 남자에게서 발생률이 더 높게 나타나며 이와 같이 대장암의 경우 타 암과 비교하여 암 발생에 대한 위험 인자들이 비교적 뚜렷하게 밝혀져 있어 암의 예방에 초점을 맞춘 많은 연구들이 선행 되어져 왔다.
이에 기초하여 개개인의 특성 및 생활습관에 따라, 대장용종 및 대장암에 대한 가능성을 도출하여 대장암을 예측할 수 있는 지표를 제공해줄 수 있는 기술이 필요하나 이러한 종래 기술은 전무하다.
선행특허 1(한국공개특허 10-2021-0053064, “생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측하는 방법 및 시스템”)은 서버시스템에 의하여 수행되는, 생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측 방법으로서, 학습대상의 복수의 항목에 대한 생활습관정보, 대장내시경 결과정보, 및 조직검사 결과정보를 포함하는 학습정보를 수신하는 학습정보수신단계; 특정 생활습관정보를 갖는 1 이상의 학습대상의 대장내시경 결과정보, 및 조직검사 결과정보를 클러스터링하고, 클러스터링된 정보에 기초하여 특정 생활습관정보를 가진 그룹에 대한 용종가능성, 및 대장암가능성을 도출하는 가능성도출단계; 복수의 상기 특정 생활습관정보를 가진 그룹의 상기 용종가능성, 및 상기 대장암가능성에 대한 예측데이터셋을 도출하는 예측데이터셋도출단계; 및 입력된 입력생활습관정보에 대하여, 상기 예측데이터셋에 기초하여 기설정된 기준에 부합하는 유사그룹예측데이터를 도출하고, 상기 유사그룹예측데이터에 기초하여 해당 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성에 대한 결과를 도출하는 예측결과도출단계;를 포함하는, 대장암 관련 정보 예측 방법을 개시하고 있다.
본 발명은 복수의 사람들 각각에 대한 복수의 유전자정보 및 대장암에 대한 라벨링정보를 포함하는 학습데이터로부터, 복수의 유전자정보 중 대장암 분류를 위한 세부유전자정보를 도출하고, 도출된 세부유전자정보에 기초하여 딥러닝 기반의 대장암 예측모델을 생성할 수 있는, 대장암 예측를 위한 피쳐정보 선택방법 및 시스템을 제공하는 것을 그 목적으로 한다.
상기와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에서는, 1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템에서 수행되는 대장암 예측을 위한 세부유전자정보 선택방법으로서, 복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계; 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계; 세부유전자클러스터정보 각각에 대하여, 평규값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및 세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러서트링정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 및 상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계;를 포함하는, 세부유전자정보 선택방법을 제공한다.
본 발명의 몇 실시예에서는, 상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고, 상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있다.
파라미터값 = 
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
본 발명의 몇 실시예에서는, 상기 파라미터값이 기설정된 제1수치 이상인 경우에는, 해당 세부유정자정보를 주요세부유전자정보로 도출하고, 상기 파라키터값이 기설정된 제1수치 미만인 경우에는, 해당 세부유정자정보를 주요세부유전자정보에서 제외할 수 있다.
본 발명의 몇 실시예에서는, 각각의 세부유전자의 파라미터값이 기설정된 개수의 상위그룹에 포함되는 경우에, 해당 세부유정자정보를 주요세부유전자정보로 도출할 수 있다.
본 발명의 몇 실시예에서는, 상기 n는 3 이상이고, 상기 학습데이터에는 각각의 학습대상 별로 n개의 대장암분류정보 중 어느 하나가 라벨링되어 있고, 상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있다.
파라미터값 = 
(여기서, μi는 i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
본 발명의 몇 실시예에서는, 상기 파라미터값이 기설정된 제2수치 이상인 경우에는, 해당 세부유정자정보를 주요세부유전자정보로 도출하고, 상기 파라키터값이 기설정된 제2수치 미만인 경우에는, 해당 세부유정자정보를 주요세부유전자정보에서 제외하고, 상기 제2수치는 대장암분류정보의 개수인 n에 의하여 결정될 수 있다.
본 발명의 몇 실시예에서는, 상기 제2수치는 n-1일 수 있다.
상기와 같은 과제를 해결하기 위하여, 1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템으로 구현되는 대장암 예측을 위한 세부유전자정보 선택장치로서, 상기 선택장치는, 복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계; 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계; 세부유전자클러스터정보 각각에 대하여, 평규값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러서트링정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 및 상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계;를 수행하는, 세부유전자정보 선택장치를 제공한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템에서 수행되는 대장암 예측을 위한 추론모델의 생성방법으로서, 복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계; 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계; 세부유전자클러스터정보 각각에 대하여, 평규값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러서트링정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계; 및 상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계;를 포함하는, 추론모델의 생성방법을 제공한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템으로 구현되는 대장암 예측을 위한 추론모델의 생성장치로서, 상기 생성장치는, 복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계; 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계; 세부유전자클러스터정보 각각에 대하여, 평규값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러서트링정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계; 및 상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계;를 수행하는, 추론모델의 생성장치를 제공한다.
도 1은 본 발명의 일 실시예에 따른 세부유전자정보 선택방법 및 장치에 대한 전체적인 구성을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 학습데이터의 형태를 개략적으로 도시한다.
도 3 및 4는 2개의 대장암분류정보의 경우의 본 발명의 일 실시예에 따른 세부유전자클러스터정보의 분할에 대하여 개략적으로 도시한다.
도 5 및 6는 3개의 대장암분류정보의 경우 본 발명의 일 실시예에 따른 세부유전자클러스터정보의 분할에 대하여 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 2개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 9은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 파라미터값의 계산과정을 개략적으로 도시한다.
도 11은 본 발명의 일 실시예에 따른 주요세부유전자정보들의 통계정보을 예시적으로 도시한다.
도 12는 본 발명의 일 실시예에 따른 주요세부유전자정보들의 통계정보을 예시적으로 도시한다.
도 13는 본 발명의 일 실시예에 있어서, 컴퓨팅 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 학습데이터의 형태를 개략적으로 도시한다.
도 3 및 4는 2개의 대장암분류정보의 경우의 본 발명의 일 실시예에 따른 세부유전자클러스터정보의 분할에 대하여 개략적으로 도시한다.
도 5 및 6는 3개의 대장암분류정보의 경우 본 발명의 일 실시예에 따른 세부유전자클러스터정보의 분할에 대하여 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 2개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 9은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 파라미터값의 계산과정을 개략적으로 도시한다.
도 11은 본 발명의 일 실시예에 따른 주요세부유전자정보들의 통계정보을 예시적으로 도시한다.
도 12는 본 발명의 일 실시예에 따른 주요세부유전자정보들의 통계정보을 예시적으로 도시한다.
도 13는 본 발명의 일 실시예에 있어서, 컴퓨팅 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 세부유전자정보 선택방법 및 장치에 대한 전체적인 구성을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템에서 수행되는 대장암 예측을 위한 세부유전자정보 선택방법은 복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계(S100); 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계(S200); 세부유전자클러스터정보 각각에 대하여, 평규값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계(S300); 세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러서트링정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계(S400); 및 상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계(S500);을 더 포함한다.
상기 세부유전자 선택방법을 수행하는 컴퓨팅시스템은 학습데이터로드부(100), 클러스터도출부(200), 통계정보도출부(300), 파라미터값도출부(400), 주요세부유전자도출부(500)을 포함하고, 상기 학습데이터로드부(100), 클러스터도출부(200), 통계정보도출부(300), 파라미터값도출부(400), 주요세부유전자도출부(500)는 각각 학습데이터로드단계(S100), 클러스터도출단계(S200), 통계정보도출단계(S300), 파라미터값도출단계(S400), 주요세부유전자도출단계(S500)을 실행한다.
본 발명의 일 실시예에 따른 대장암 예측을 위한 추론모델의 생성방법은 전술한 단계 S100 내지 S500에 추가적으로, 상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계(S600);를 더 포함한다.
상기 추론모델은 VGG16 등의 CNN 기반의 딥러닝 모델에 해당할 수 있고, 주요세부유전자정보에 해당하는 복수의 실수를 포함하는 벡터가 입력되어, 대장암분류정보를 도출할 수 있다.
도 2는 본 발명의 일 실시예에 따른 학습데이터의 형태를 개략적으로 도시한다.
상기 단계 S100에서는, 복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;가 수행된다.
도 2에서의 학습대상 각각은 유전자정보 및 대장암분류정보(예를들어, 대장암의 유무 혹은 대장암종류 등)에 대한 데이터가 확보된 학습대상자들에 해당한다.
본 발명의 실시예들에서는, 각각의 학습대상의 세부유전자정보는 실수 형태에 해당한다. 인간의 유전자는 염기서열 형태를 가지고, 이와 같은 염기서열로부터 실수 형태의 복수의 세부유전자정보를 도출하는 것은 다양한 공지된 방법으로 수행할 수 있다.
상기 세부유전자정보 각각은 서로 다른 특정 유전정보에 상응한다. 도 2에서의 P는 유전자정보를 어떻게 획득하여 처리하는 지에 따라 가변될 수 있다.
한편, 각각의 학습대상에 대해서는 그라운드 트루스로 대장암분류정보가 있다.
본 발명의 일 실시예에서는, 이와 같은 대장암분류정보는 1)대장암 보유, 2)대장암 미보유로 나누어질 있다.
본 발명의 다른 실시예에서는, 이와 같은 대장암분류정보는 1)대장암 미보유, 2)대장암종류1, 3)대장암종류2), … 로 나누어질 있다.
도 3 및 4는 2개의 대장암분류정보의 경우의 본 발명의 일 실시예에 따른 세부유전자클러스터정보의 분할에 대하여 개략적으로 도시한다.
단계 S200에서는, 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;가 수행된다.
이와 같은 세부유전자클러스터정보는 각각의 세부유전자별로, 대장암분류정보에 따라 클러스터되어 생성된다.
도 3, 및 4의 실시예에서는 대장암분류정보가 2개 중 어느 하나로 되어 이는 경우에 해당한다. 도 4에 도시된 바와 같이, 세부유전자클러스터정보 1-1은 대장암분류정보가 1로 되어 있는 세부유전자정보 1의 그룹을 포함하고, 세부유전자클러스터정보 1-2는 대장암분류정보가 2로 되어 있는 세부유전자정보 2의 그룹을 포함한다.
도 5 및 6는 3개의 대장암분류정보의 경우 본 발명의 일 실시예에 따른 세부유전자클러스터정보의 분할에 대하여 개략적으로 도시한다.
단계 S200에서는, 상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;가 수행된다.
도 5 및 도 6에서는 대장암분류정보가 3개 중 어느 하나에 할당되는 경우를 도시한다. 이 경우, 3개(세부유전자클러서트정보 1-1, 세부유전자클러서트정보 1-2, 세부유전자클러서트정보 1-3)의 세부유전자클러스터정보로 클러스터된다.
도 5, 6의 경우, 대장암분류정보는 대장암의 보유 및 미보유 뿐만 아니라, 보유시 어떤 대장암을 보유하고 있는 지에 대한 종류 정보도 포함한다.
본 발명의 다른 실시예에서는, 대장암분류정보는 도 5, 6에서와 같이 3개 뿐만 아니라, 4개 이상도 가능한다.
도 7은 본 발명의 일 실시예에 따른 2개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
단계 S300에서는, 세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러서트링정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계;가 수행된다.
도 7에 도시된 실시예에서는, 상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있다.
한편, 상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택방법.
파라미터값 = 
(식 1)
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
도 7의 (a)는 특정 세부유전자정보에 대하여 제1대장암분류정보로 클러스터링된 값들의 평균값 및 표준편차에 따르는 제1정규분포 및 특정 세부유전자정보에 대하여 제2대장암분류정보로 클러스터링된 값들의 평균값 및 표준편차에 따르는 제2정규분포를 도시한다.
도 7의 (b)는 도 7의 (a)와는 상이한 특정 세부유전자정보에 대하여 제1대장암분류정보로 클러스터링된 값들의 평균값 및 표준편차에 따르는 제1정규분포 및 특정 세부유전자정보에 대하여 제2대장암분류정보로 클러스터링된 값들의 평균값 및 표준편차에 따르는 제2정규분포를 도시한다.
본 발명에서는, 도 7의 (a)과 같이 대장암분류정보가 다른 경우에는 다른 정규분포를 갖는 세부유전자정보를 대장암예측을 위하여 유리한 유전자정보로 판단한다. 이와 같은 판단 기준을 본 발명에서는 상기 파라미터값으로 지칭한다.
본 발명의 일 실시예에서는, 상기 파라미터값이 기설정된 제1수치 이상인 경우에는, 해당 세부유정자정보를 주요세부유전자정보로 도출하고, 상기 파라키터값이 기설정된 제1수치 미만인 경우에는, 해당 세부유정자정보를 주요세부유전자정보에서 제외한다.
도 6에서는 상기 제1수치가 1로 설정된 케이스에 해당한다. 도 7의 (a)의 경우 파라마터값이 1 미만인 경우에 해당하고, 도 7의 (b)의 경우 파라미터값이 1 이상인 경우를 도시한다. 본 발명의 일 실시예에서는 도 7의 (b)에서와 같이 파라미터값이 1 이상인 경우에 해당하는 세부유전자정보를 중요세부유전자정보로 도출할 수 있다.
본 발명의 다른 실시예에서는, 각각의 세부유전자의 파라미터값이 기설정된 개수의 상위그룹에 포함되는 경우에, 해당 세부유정자정보를 주요세부유전자정보로 도출할 수도 있다.
즉, 세부유전자정보 1, 2, 3, 4, 5가 있다고 가정하는 경우에, 각각의 세부유전자에 대하여 상기 파라미터값을 도출할 수 있다.
이후, 상위 3개의 상기 파라미터값을 갖는 세부유전자정보 (예를들어, 세부유전자 1, 2, 3)을 주요세부유전자정보로 도출할 수 있다.
도 8은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
본 발명의 일 실시예에서는, 상기 n(대장암분류정보의 종류의 총 개수)는 3 이상이고, 상기 학습데이터에는 각각의 학습대상 별로 n개의 대장암분류정보 중 어느 하나가 라벨링되어 있을 수 있다. 이 경우, 도출된 세부유전자정보로 학습된 추론모델은 입력된 주요유전자정보로부터 발생할 수 있는 대장암의 세부 종류까지 예측할 수 있다.
본 발명의 일 실시예에서는, 상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있다.
파라미터값 = 
(식 2)
(여기서, μi는 i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
예를들어, 세부유전자정보 1에 대하여, 대장암분류정보가 1, 2, 3이 있는 경우에는, 대장암분류정보 1과 대장암분류정보 2에 대하여 
에 따른 세부파라미터1을 도출하고, 대장암분류정보 1과 대장암분류정보 3에 대하여 
에 따른 세부파라미터2을 도출하고, 대장암분류정보 2와 대장암분류정보 3에 대하여 
에 따른 세부파라미터3을 도출하고, 도출된 세부파라미터 1, 2, 3을 모두 합친 값을 최종적인 파라미터값으로 할 수 있다.
이 경우에는, 상기 파라미터값이 기설정된 제2수치 이상인 경우에는, 해당 세부유정자정보를 주요세부유전자정보로 도출하고, 상기 파라키터값이 기설정된 제2수치 미만인 경우에는, 해당 세부유정자정보를 주요세부유전자정보에서 제외한다.
이 경우에는, 상기 제2수치는 대장암분류정보의 개수인 n에 의하여 결정된다. 대장암분류정보의 개수인 n 이 커질수록, 세부파라미터의 개수도 커지게 되고 결국 세부파라미터의 총합도 커지기 때문에, 해당 세부유전자정보가 중요세부유전자정보가 될 수 있는 지 여부를 판단하기 위해서는, 상기 제2수치를 n이 증가할수록 증가하도록 조정해야 한다. 예를들어, 제2수치는 0.5*n으로 결정될 수 있다.
혹은 전술한 바와 같이, 세부파라미터값의 총합인 파라미터값의 상위 몇순위로 중요세부파라미터로 설정할 수도 있다.
위와 같은 계산법에 의하면, 도 8에서서 세번째 세부유전자정보보다는 두번째 세부유전자정보가 중요세부유전자가 됨은 자명하다. 이는 식2에 의하여도 그렇게 판별될 것이다.
또한, 첫번째 세부유전자정보는 두번째 세부유전자보다 중요세부유전자가 될 것이다. 그러나, 식 2에 따른다면, 첫번째 세부유전자정보의 파라미터값과 두번째 세부유전자정보와 파라미터값의 크기 차이가 나지 않을 수 있다.
도 9은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 특정 세부유전자정보에 대하여 세부유전자클러스터정보의 통계정보를 예시적으로 도시한다.
도 9는 전술한 상기의 문제점을 도시한다. 두번째 세부유전자정보(b)의 경우, 그래프상으로 두번째 대장암분류정보와 세번째 대장암분류정보를 구별하지 못할 수가 있다. 이와 같은 세부유전자정보는 중요세부유전자정보에서 제외됨이 바람직하다.
도 10은 본 발명의 일 실시예에 따른 3개의 대장암분류정보로 라벨링되는 경우의, 파라미터값의 계산과정을 개략적으로 도시한다.
전술한 문제점을 해결하기 위하여, 상기 n는 3 이상이고, 상기 학습데이터에는 각각의 학습대상 별로 n개의 대장암분류정보 중 어느 하나가 라벨링되어 있는 경우에는, 상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있다.
- 추가점수(AP)
(여기서, μi는 i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
본 발명의 일 실시예에서는, 2개의 대장암분류정보의 쌍에 대하여 모두 AP값을 도출한다. 예를들어, 세부유전자정보1에 대하여 대장암분류정보가 1, 2, 3이 될 수 있는 경우에, 대장암분류정보 1-대장암분류정보 2의 쌍에 대하여 
를 구하고, 대장암분류정보 1-대장암분류정보 3의 쌍에 대하여 
를 구하고, 대장암분류정보 2-대장암분류정보 3의 쌍에 대하여 
를 구한다.
이후 파라미터값은 하기의 식 4에 의하여 도출한다.
파라미터값 = 
(식 4)
(여기서, μi는 i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, c는 10 내지 200 사이의 상수이고, 더욱 바람직하게는 100에 해당한다)
이와 같은 방식에서도 파라미터값은 세부파라미터값의 합에 의하여 결정된다.
이와 같은 방식을 적용하는 경우, 도 9의 (a)의 경우(특정 세부유전자정보), 도 10의 (a)에 도시된 바와 같이, 세부파라미터정보 1-2는 대장암분류정보1과 대장암분류정보2 사이에서 상기 식에 따라 도출되는 0.0163+1이 되고, 세부파라미터정보 1-3는 대장암분류정보1과 대장암분류정보3 사이에서 상기 식에 따라 도출되는 0.0326+1이 되고, 세부파라미터정보 2-3는 대장암분류정보2과 대장암분류정보3 사이에서 상기 식에 따라 도출되는 0.0163+1이 될 수 있다.
따라서, 파라미터값의 총합은 (0.0163+1)+(0.0326+1)+(0.0163+1)이 된다.
한편, 대장암분류정보2와 대장암분류정보3이 바로 인접해 있는 도 9의 (b)의 경우 (도 9의 (a)와는 다른 특정 세부유전자정보), 도 10의 (b)에 도시된 바와 같이, 세부파라미터정보 1-2는 대장암분류정보1과 대장암분류정보2 사이에서 상기 식에 따라 도출되는 0.0358+1이 되고, 세부파라미터정보 1-3는 대장암분류정보1과 대장암분류정보3 사이에서 상기 식에 따라 도출되는 0.0434+1이 되고, 세부파라미터정보 2-3는 대장암분류정보2과 대장암분류정보3 사이에서 상기 식에 따라 도출되는 0.0076이 될 수 있다.
따라서, 파라미터값의 총합은 (0.0163+1)+(0.0326+1)+(0.0163+1)이 된다. 따라서, 도 9 및 10의 (b)의 경우는 (a)의 경우보다 낮은 파라미터값을 갖게 되고, 따라서, 주요세부유전자정보에서 다르게 처리될 수 있다.
도 11은 본 발명의 일 실시예에 따른 주요세부유전자정보들의 통계정보을 예시적으로 도시한다. 도 11에 도시된 예들은, 2개의 대장암분류정보를 가정시, 세부유전자정보 중에 높은 식1에 따른 값을 가지는 세부유전자정보의 제1대장암분류정보(대장암 보유), 제2다장암분류정보(대장암 미보유)의 그래프를 도시한다.
도 12는 본 발명의 일 실시예에 따른 주요세부유전자정보들의 통계정보을 예시적으로 도시한다.
도 12에 도시된 예들은, 2개의 대장암분류정보를 가정시, 세부유전자정보 중에 낮은 식1에 따른 값을 가지는 세부유전자정보의 제1대장암분류정보(대장암 보유), 제2다장암분류정보(대장암 미보유)의 그래프를 도시한다. 도 11에 도시된 유전자정보가 주요세부유전자정보로 도출되는 것이 바람직하다.
도 13는 본 발명의 일 실시예에 있어서, 컴퓨팅 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 13는 본 발명의 일 실시예에 있어서, 컴퓨팅 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 13에 도시한 바와 같이, 컴퓨팅 장치(11000)은 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅 장치(11000)은 폐음 분석 시스템에 해당될 수 있다.
메모리(11200)는, 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅 장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅 장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅 장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템(11400)은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템(11400)은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템(11400)을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅 장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅 장치와 통신을 가능하게 할 수도 있다.
이러한 도 13의 실시예는, 컴퓨팅 장치(11000)의 일례일 뿐이고, 컴퓨팅 장치(11000)은 도 13에 도시된 일부 컴포넌트가 생략되거나, 도 13에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅 장치는 도 13에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(1160)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅 장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅 장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 애플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 이용자 단말에 설치될 수 있다. 일 예로, 파일 배포 시스템은 이용자 단말이기의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템에서 수행되는 대장암 예측을 위한 세부유전자정보 선택방법으로서,
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 및
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계;를 포함하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택방법.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 및
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계;를 포함하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택방법.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
삭제
청구항 1에 있어서,
상기 파라미터값이 기설정된 제1수치 이상인 경우에는, 해당 세부유전자정보를 주요세부유전자정보로 도출하고, 상기 파라미터값이 기설정된 제1수치 미만인 경우에는, 해당 세부유전자정보를 주요세부유전자정보에서 제외하는, 세부유전자정보 선택방법.
상기 파라미터값이 기설정된 제1수치 이상인 경우에는, 해당 세부유전자정보를 주요세부유전자정보로 도출하고, 상기 파라미터값이 기설정된 제1수치 미만인 경우에는, 해당 세부유전자정보를 주요세부유전자정보에서 제외하는, 세부유전자정보 선택방법.
청구항 1에 있어서,
각각의 세부유전자의 파라미터값이 기설정된 개수의 상위그룹에 포함되는 경우에, 해당 세부유전자정보를 주요세부유전자정보로 도출하는, 세부유전자정보 선택방법.
각각의 세부유전자의 파라미터값이 기설정된 개수의 상위그룹에 포함되는 경우에, 해당 세부유전자정보를 주요세부유전자정보로 도출하는, 세부유전자정보 선택방법.
청구항 1에 있어서,
상기 n는 3 이상이고, 상기 학습데이터에는 각각의 학습대상 별로 n개의 대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택방법.
파라미터값 =
(여기서, μi는 i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
상기 n는 3 이상이고, 상기 학습데이터에는 각각의 학습대상 별로 n개의 대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택방법.
파라미터값 =
(여기서, μi는 i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi i번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 j번째의 대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
청구항 5에 있어서,
상기 파라미터값이 기설정된 제2수치 이상인 경우에는, 해당 세부유전자정보를 주요세부유전자정보로 도출하고, 상기 파라미터값이 기설정된 제2수치 미만인 경우에는, 해당 세부유전자정보를 주요세부유전자정보에서 제외하고,
상기 제2수치는 대장암분류정보의 개수인 n에 의하여 결정되는, 세부유전자정보 선택방법.
상기 파라미터값이 기설정된 제2수치 이상인 경우에는, 해당 세부유전자정보를 주요세부유전자정보로 도출하고, 상기 파라미터값이 기설정된 제2수치 미만인 경우에는, 해당 세부유전자정보를 주요세부유전자정보에서 제외하고,
상기 제2수치는 대장암분류정보의 개수인 n에 의하여 결정되는, 세부유전자정보 선택방법.
청구항 6에 있어서,
상기 제2수치는 n이 커질수록 증가하도록 기설정된 규칙에 의하여 결정되는, 세부유전자정보 선택방법.
상기 제2수치는 n이 커질수록 증가하도록 기설정된 규칙에 의하여 결정되는, 세부유전자정보 선택방법.
1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템으로 구현되는 대장암 예측을 위한 세부유전자정보 선택장치로서,
상기 선택장치는,
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 및
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계;를 수행하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택장치.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
상기 선택장치는,
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계; 및
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계;를 수행하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 세부유전자정보 선택장치.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템에서 수행되는 대장암 예측을 위한 추론모델의 생성방법으로서,
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계;
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계; 및
상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계;를 포함하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 추론모델의 생성방법.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계; 및
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계;
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계; 및
상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계;를 포함하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 추론모델의 생성방법.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
1 이상의 프로세서 및 메모리를 포함하는 컴퓨팅 시스템으로 구현되는 대장암 예측을 위한 추론모델의 생성장치로서,
상기 생성장치는,
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계;
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계;
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계; 및
상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계;를 수행하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 추론모델의 생성장치.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
상기 생성장치는,
복수의 학습대상 각각에 대하여 P개의 2 이상의 세부유전자정보, 및 해당 사람에 대한 n개의 2 이상의 대장암분류정보를 포함하는, 복수의 학습대상에 대한 학습데이터를 로드하는 학습데이터로드단계;
상기 학습데이터로부터, 각각의 세부유전자정보 별로, 동일한 대장암분류정보를 갖는 세부유전자정보를 클러스터링하여, P*Q개의 세부유전자클러스터정보를 도출하는 클러스터도출단계;
세부유전자클러스터정보 각각에 대하여, 평균값 및 표준편차를 포함하는 통계정보를 도출하는 통계정보도출단계;
세부유전자정보 각각에 대하여, 대장암분류정보가 상이한 세부유전자클러스터정보의 통계정보를 이용하여, 해당 세부유전자정보가 대장암분류정보의 차이를 명확하게 보이는 지에 대한 파라미터값을 도출하는 파라미터값도출단계;
상기 파라미터값에 기초하여, 기설정된 규칙에 따라 복수의 세부유전자정보 중 주요세부유전자정보를 도출하는 주요세부유전자도출단계; 및
상기 학습데이터 중 복수의 학습대상의 상기 주요세부유전자정보 및 대장암분류정보에 기초하여 딥러닝 기반의 추론모델을 학습시켜, 주요세부유전자정보를 입력시, 대장암분류정보를 도출하는 상기 추론모델을 구축하는 추론모델구축단계;를 수행하고,
상기 n는 2고, 상기 학습데이터에는 각각의 학습대상 별로 제1대장암분류정보 및 제2대장암분류정보 중 어느 하나가 라벨링되어 있고,
상기 세부유전자정보 각각에 대한 상기 파라미터값은 하기의 식으로 표현될 수 있는, 추론모델의 생성장치.
파라미터값 =
(여기서, μi는 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, μj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 평균값, σi 제1대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값, σj는 제2대장암분류정보로 라벨링된 학습대상들의 해당 세부유전자정보의 표준편차값)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210179463A KR102477860B1 (ko) | 2021-12-15 | 2021-12-15 | 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210179463A KR102477860B1 (ko) | 2021-12-15 | 2021-12-15 | 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102477860B1 true KR102477860B1 (ko) | 2022-12-14 |
Family
ID=84438530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210179463A KR102477860B1 (ko) | 2021-12-15 | 2021-12-15 | 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102477860B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102233740B1 (ko) * | 2017-09-27 | 2021-03-30 | 이화여자대학교 산학협력단 | Dna 복제수 변이 기반의 암 종 예측 방법 |
-
2021
- 2021-12-15 KR KR1020210179463A patent/KR102477860B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102233740B1 (ko) * | 2017-09-27 | 2021-03-30 | 이화여자대학교 산학협력단 | Dna 복제수 변이 기반의 암 종 예측 방법 |
Non-Patent Citations (1)
| Title |
|---|
| D. Kallberg 외, "Comparison of Methods for Feature Selection in Clustering of High-Dimensional RNA-Sequencing Data to identify Cancer Subtype", Frontiers in Genetics, 12권, 2021.02.* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiu et al. | A meta-learning approach for genomic survival analysis | |
| Benner et al. | High‐dimensional Cox models: the choice of penalty as part of the model building process | |
| Lin et al. | A radiogenomics signature for predicting the clinical outcome of bladder urothelial carcinoma | |
| Ul Haq et al. | A novel integrated diagnosis method for breast cancer detection | |
| Marostica et al. | Development of a histopathology informatics pipeline for classification and prediction of clinical outcomes in subtypes of renal cell carcinoma | |
| Alzubaidi et al. | Breast cancer diagnosis using a hybrid genetic algorithm for feature selection based on mutual information | |
| TW202040585A (zh) | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 | |
| Dong et al. | Development and validation of a deep learning radiomics model predicting lymph node status in operable cervical cancer | |
| Yan et al. | Combining large number of weak biomarkers based on AUC | |
| Yu et al. | A diagnostic prediction framework on auxiliary medical system for breast cancer in developing countries | |
| Wang et al. | Deep learning-based, computer-aided classifier developed with dermoscopic images shows comparable performance to 164 dermatologists in cutaneous disease diagnosis in the Chinese population | |
| Vasudevan et al. | Cancer subtype discovery using prognosis-enhanced neural network classifier in multigenomic data | |
| Chen et al. | Population-scale genomic data augmentation based on conditional generative adversarial networks | |
| Tirumala et al. | Classification and diagnostic prediction of prostate cancer using gene expression and artificial neural networks | |
| Trivedi et al. | Application of machine learning for diagnosis of liver cancer | |
| Chen et al. | A deep learning‐and CT image‐based prognostic model for the prediction of survival in non‐small cell lung cancer | |
| Jha et al. | Systematic review and meta-analysis of prediction models used in cervical cancer | |
| KR102477860B1 (ko) | 대장암 예측을 위한 세부유전자정보 선택방법 및 시스템 | |
| Yu et al. | A 5‐year survival status prognosis of nonmetastatic cervical cancer patients through machine learning algorithms | |
| KR102367565B1 (ko) | 생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측하는 방법 및 시스템. | |
| KR102367564B1 (ko) | 생활습관정보에 기초한 대장암 관련 정보 예측 방법 및 시스템 | |
| Hong et al. | PLEMT: A novel pseudolikelihood-based EM test for homogeneity in generalized exponential tilt mixture models | |
| Ma et al. | On the use of min-max combination of biomarkers to maximize the partial area under the ROC curve | |
| Esteban et al. | A step-by-step algorithm for combining diagnostic tests | |
| Sugasawa et al. | Efficient screening of predictive biomarkers for individual treatment selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |