KR102490077B1 - 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템 - Google Patents

복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102490077B1
KR102490077B1 KR1020210012421A KR20210012421A KR102490077B1 KR 102490077 B1 KR102490077 B1 KR 102490077B1 KR 1020210012421 A KR1020210012421 A KR 1020210012421A KR 20210012421 A KR20210012421 A KR 20210012421A KR 102490077 B1 KR102490077 B1 KR 102490077B1
Authority
KR
South Korea
Prior art keywords
information
learning
lifestyle
data
possibility
Prior art date
Application number
KR1020210012421A
Other languages
English (en)
Other versions
KR20220109529A (ko
Inventor
정정일
Original Assignee
주식회사 피씨티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 피씨티 filed Critical 주식회사 피씨티
Priority to KR1020210012421A priority Critical patent/KR102490077B1/ko
Publication of KR20220109529A publication Critical patent/KR20220109529A/ko
Application granted granted Critical
Publication of KR102490077B1 publication Critical patent/KR102490077B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/243—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템에 관한 것으로서, 더욱 상세하게는 건강검진결과를 통해 얻는 사람들의 생활습관에 대한 데이터에 의하여 학습된 복수의 모델을 이용하여 대장암을 유발할 수 있는 고위험 선종 발생 가능성을 도출함으로써, 사용자는 생활습관 정보에 기초하여 빅데이터 기반의 대장암의 발병을 예측해볼 수 있는 지표로서 활용할 수 있는, 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템에 관한 것이다.

Description

복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템 {Method and system for predicting high risk adenoma related information based on plural of machine-leaned model}
본 발명은 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템에 관한 것으로서, 더욱 상세하게는 건강검진결과를 통해 얻는 사람들의 생활습관에 대한 데이터에 의하여 학습된 복수의 모델을 이용하여 대장암을 유발할 수 있는 고위험 선종 발생 가능성을 도출함으로써, 사용자는 생활습관 정보에 기초하여 빅데이터 기반의 대장암의 발병을 예측해볼 수 있는 지표로서 활용할 수 있는, 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 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.
한편, 용종은 점막의 일부가 주위 표면보다 돌출해 마치 혹처럼 튀어나온 것에 해당한다. 우리 몸의 소화관이나 점막이 있는 모든 기관에서 생길 수 있지만, 특히 용종이 가장 많이 발생하는 인체기관은 대장이다. 대장 용종은 대부분 특별한 증상을 보이지 않아 대장내시경 검사를 하기 전까지는 발견이 어렵다.
선종은 용종 중에서 대장암으로 발전할 수 있는 종양성 용종을 의미한다. 대부분의 용종은 양성이지만, 선종은 시간이 지남에 따라 대장암으로 진행할 수 있어 각별한 주위가 필요하다. 대장암의 약 80% 이상이 선종으로부터 진행되며, 선종 자체를 제거하면 그 만큼 대장암의 발생 빈도 또한 낮아질 수 있기 때문에, 선종에 대한 예측이 필요하다.
그러나, 이와 같은 선종에 대한 발견은 현재까지 대장내시경이라는 일종의 마취가 필요한 시술절차를 통해서 발견될 수 있기 때문에, 이에 대한 발견이 늦어져서 암으로 전이하는 경우가 많은 실정이다.
선행문헌: 한국등록특허 제10-2177222호
본 발명은 건강검진결과를 통해 얻는 사람들의 생활습관에 대한 데이터에 의하여 학습된 복수의 모델을 이용하여 대장암을 유발할 수 있는 고위험 선종 발생 가능성을 도출함으로써, 사용자는 생활습관 정보에 기초하여 빅데이터 기반의 대장암의 발병을 예측해볼 수 있는 지표로서 활용할 수 있는, 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템을 제공하는 것을 그 목적으로 한다.
상기와 같은 과제를 해결하기 위하여 본 발명은, 서버시스템에 의하여 수행되는, 기계학습모델에 기반한 선종 관련 정보 예측 방법으로서, 의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터에 의하여 통계적으로 학습된 제1추론모델을 이용하여 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대한 예측된 선종정보를 도출하여, 상기 임의의 개인별 복수의 제1항목에 대한 생활습관정보 및 선종정보를 포함하는 제2학습데이터를 도출하는 제2학습데이터도출단계; 상기 제1학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제1압축학습데이터를 생성하고, 상기 제2학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제2압축학습데이터를 생성하는 압축데이터생성단계; 및 상기 제1압축데이터 및 제2압축데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 선종유무에 대한 정보 가능성을 추론하는 제2추론모델을 학습시키는 제2추론모델학습단계;를 포함하는, 기계학습모델에 기반한 선종 관련 정보 예측 방법을 제공한다.
본 발명의 몇 실시예에서는, 상기 제2학습데이터도출단계는, 의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터를 수신하는 학습정보수신단계; 상기 제1학습데이터를 상기 제1항목에 따른 특정 생활습관정보에 따라 선종정보를 클러스터링하고, 클러스터링된 정보에 기초하여 상기 제1항목에 따른 특정 생활습관정보를 가진 그룹에 대한 선종가능성을 도출하는 가능성도출단계; 복수의 상기 제1항목에 따른 상기 특정 생활습관정보를 가진 그룹의 상기 선종가능성을 포함하는 예측데이터셋을 도출하는 예측데이터셋도출단계; 및 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대하여, 상기 예측데이터셋에 기초하여 입력된 해당 생활습관정보를 가진 사람의 선종가능성에 대한 결과를 도출하는 예측결과도출단계;를 포함할 수 있다.
본 발명의 몇 실시예에서는, 상기 예측결과도출단계는, 상기 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보와 상기 예측데이터셋에 포함된 생활습관정보의 매칭정도에 따라 유사도를 도출하고, 상기 유사도가 기설정된 기준을 부합하는지 여부를 판별하여 복수의 유사그룹예측데이터를 도출하는 단계; 및 상기 복수의 유사그룹예측데이터에서의 선종유무에 대한 정보에 대한 수치 정보의 대표값을 이용하여, 상기 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보를 가진 사람의 선종유무에 대한 정보에 대한 확률정보를 도출하는 단계;를 포함할 수 있다.
본 발명의 몇 실시예에서는, 상기 제1학습데이터의 선종유무에 대한 정보는,
상기 의료기관으로부터 수집한 대장내시경 결과정보 및 상기 조직검사 결과정보로부터 용종 혹은 선종에 관련된 키워드를 추출하여 해당 개인에 대한 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 제1용종데이터를 도출하고, 상기 제1용종데이터로부터 상기 선종유무에 대한 정보를 판별하여 정규화된 정보 형태로 도출될 수 있다.
본 발명의 몇 실시예에서는, 상기 제1항목 및 상기 제2항목은 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력을 포함하고, 상기 제2항목은 상기 제1항목 중 일부가 제외될 수 있다.
본 발명의 몇 실시예에서는, 상기 제2학습데이터도출단계에서, 서버시스템은 자신의 예측된 선종정보를 요청하는 제1사용자으로부터 복수의 제1항목에 대한 생활습관정보를 수신하고, 상기 수신된 제1항목에 대한 생활습관정보 및 상기 제1추론모델을 이용하여 예측된 선종정보를 도출하여, 제1사용자에게 제공하는 제1서비스가 수행됨으로써, 제2학습데이터를 도출하고, 상기 기계학습모델에 기반한 선종 관련 정보 예측 방법은, 자신의 예측된 선종정보를 요청하는 제2사용자으로부터 복수의 제2항목에 대한 생활습관정보를 수신하고, 상기 수신된 제2항목에 대한 생활습관정보 및 상기 제2추론모델을 이용하여 예측된 선종정보를 도출하여, 제2사용자에게 제공하는 제2서비스제공단계;를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 생활습관정보를 수신하여 생활습관정보로부터 도출된 고위험 선종발생 가능성을 제공함으로써, 대장암 진단 선별검사 기준을 제시할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 다양한 학습대상의 생활습관정보, 대장내시경 결과정보 및 조직검사 결과정보 뿐만 아니라 이를 이용하여 통계적 방식으로 학습된 추론모델에 의하여 생성된 추가적인 학습데이터를 바탕으로 학습된 기계학습모델에 기반하여 대장암 관련 정보에 해당하는 선종발생 가능성에 대한 정보를 제공함으로써, 사용자는 제공받은 가능성 지표를 통해 대장의 건강상태를 객관적 지표로 확인할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 통계적으로 학습하는 제1추론모델의 학습과정에서 선종발생 관련 정보를 예측하기 위한 생활습관정보와 유사한 데이터가 없는 경우, 생활습관정보의 세부카테고리정보를 기설정된 기준에 따라 제외하여 유사한 데이터를 필터링함으로써, 더욱 제1학습모델을 효율적으로 학습시킬 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 일부 데이터가 수신되지 않은 경우에도, 과거의 수집한 학습정보에 기초하여 데이터를 보완함으로써, 데이터로부터 도출한 대장암 관련 정보의 데이터 신뢰성을 향상시킬 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 통계적으로 학습된 제1추론모델에 의하여 확장된 학습데이터로 제2추론모델을 학습하고, 학습된 제2추론모델을 통하여 제3추론모델을 학습시키기 위한 학습데이터를 확장함으로써, 한정된 학습데이터로 보다 정확하게 고위험 선종발생을 예측하는 제3추론모델을 학습시킬 수 있는 효과를 발휘할 수 있다.
도 1은 본 발명의 일 실시예에 따른 생활습관정보에 기초한 대장암 관련 정보 예측 방법에 따른 서버시스템의 동작을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 서버시스템의 내부 구성을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 가능성도출부에 의하여 처리되는 학습정보의 형태를 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 생활습관정보를 분류하는 기준을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 가능성도출부에 의하여 도출되는 정보의 처리과정을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 가능성도출부에 의하여 학습대상의 대장암가능성을 도출하는데 기초가 되는 기설정된 매핑테이블을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 가능성도출부 및 예측데이터셋도출부에 의하여 도출되는 데이터의 형태를 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 예측결과도출부의 수행 단계를 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 예측결과도출부에 의하여 생활습관정보의 세부카테고리항목을 제외하는 기준을 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 예측결과도출부에 의하여 도출되는 도출되는 정보의 처리과정을 개략적으로 도시한다.
도 11은 본 발명의 일 실시예에 따른 기계학습모델에 기반한 선종 관련 정보 예측 시스템을 개략적으로 도시한다.
도 12는 본 발명의 일 실시예에 따른 정규화된 생활습관정보를 생성하는 과정을 개략적으로 도시한다.
도 13은 본 발명의 일 실시예에 따른 제1학습데이터 및 제2학습데이터를 확보하는 과정을 개략적으로 도시한다.
도 14는 본 발명의 일 실시예에 따른 사용자의 제1서비스의 이용단계들을 개략적으로 도시한다.
도 15는 본 발명의 일 실시예에 따른 제1학습데이터 및 제2학습데이터의 압축과정을 개략적으로 도시한다.
도 16은 본 발명의 일 실시예에 따른 제1압축학습데이터 및 제2압축학습데이터를 이용하여 제2추론모델을 학습시키는 과정을 개략적으로 도시한다.
도 17은 본 발명의 일 실시예에 따른 제2서비스를 제공하는 단계들을 개략적으로 도시한다.
도 18은 본 발명의 일 실시예에 따른 제3압축학습데이터를 생성하는 과정들을 개략적으로 도시한다.
도 19은 본 발명의 일 실시예에 따른 제4압축학습데이터를 생성하는 과정들을 개략적으로 도시한다.
도 20은 본 발명의 일 실시예에 따른 제3추론모델을 학습시키는 과정에 대하여 개략적으로 도시한다.
도 21은 본 발명의 일 실시예에 따른 제2서비스제공부에 의한 고위험 선종정보를 제공하는 단계들을 개략적으로 도시한다.
도 22은 본 발명의 일 실시예에 따른 제2서비스제공부의 동작에 의하여 사용자단말에서 표시되는 선종발생 예측정보 UI를 도시한다.
도 23은 본 발명의 일 실시예에 따른 제2서비스제공부의 동작에 의하여 사용자단말에서 표시되는 고위험 선종발생 예측정보 UI를 도시한다.
도 24는 본 발명의 실시예들에 따른 선종발생 예측 및 고위험 선종발생 예측에 대한 정확도에 대한 자료를 도시한다.
도 25은 본 발명의 일 실시예에 따른 컴퓨팅장치의 구성을 개략적으로 도시한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
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.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말 등과 같은 모든 종류의 핸드헬드 (Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, "네트워크"는 근거리 통신망(Local Area Network;LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 생활습관정보에 기초한 대장암 관련 정보 예측 방법에 따른 서버시스템의 동작을 개략적으로 도시한다.
도 1에 도시된 서버시스템(1000)에서는, 건강검진결과를 통해 얻는 사람들의 생활습관에 대한 데이터를 학습하여 생활습관에 따른 대장용종 및 대장암의 가능성과 같은 대장암 관련정보를 도출하여 제공함으로써, 사용자는 특정 생활습관에 대한 대장암 관련 정보를 통해 해당 생활습관에 따른 대장암의 발병을 예측해볼 수 있는 지표로서 활용할 수 있다. 바람직하게는, 복수의 세부카테고리정보를 포함하는 생활습관정보는, 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 중 1 이상을 포함한다. 생활습관정보는 건강검진문답과 같은 건강검진정보를 수신하여 상기 세부카테고리정보의 항목과 관련된 키워드에 기초하여 수신한 건강검진정보로부터 도출하거나, 혹은 상기 세부카테고리정보의 항목별 정보의 입력을 직관적으로 수신할 수 있다. 본 발명의 서버시스템(1000)은 이러한 생활습관정보 및 대장내시경 결과정보 및 조직검사 결과정보를 포함하는 학습정보(1510)를 수신하여 학습정보(1510)를 학습하여 용종가능성 및 대장암가능성을 도출하고, 특정 생활습관정보에 대한 용종가능성 및 대장암가능성을 도출한다. 이후, 도출된 용종가능성 및 대장암가능성에 기초하여 대장암관련결과정보(1530)를 도출할 수 있고, 입력된 생활습관정보에 기초하여 입력된 생활습관정보를 가진 사람의 도출된 대장암관련결과정보(1530)를 도출할 수 있다.
도 1에 도시된 서버시스템(1000)은 수신한 학습정보(1510)를 수신하고 대장암 관련 정보를 도출하는 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 1 이상의 메모리를 포함한다. 상기 프로세서는 학습정보수신부(1100), 가능성도출부(1200), 예측데이터셋도출부(1300) 및 예측결과도출부(1400)를 포함한다.
이하에서는, 보다 구체적인 상기 학습정보수신부(1100), 가능성도출부(1200), 예측데이터셋도출부(1300) 및 예측결과도출부(1400)의 동작에 대해서 자세하게 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 서버시스템(1000)의 내부 구성을 개략적으로 도시한다.
본 발명의 서버시스템(1000)은 생활습관정보에 기초한 대장암 관련 정보 예측 방법을 수행할 수 있다. 개략적으로, 건강검진결과를 통해 얻는 사람들의 생활습관에 대한 데이터를 학습하여 생활습관에 따른 대장용종 및 대장암의 가능성과 같은 대장암 관련정보를 도출하여 제공한다. 상기 서버시스템(1000)은 학습정보수신부(1100), 가능성도출부(1200), 예측데이터셋도출부(1300) 및 예측결과도출부(1400)를 포함할 수 있다.
상기 학습정보수신부(1100)는, 학습대상의 복수의 항목에 대한 생활습관정보, 대장내시경 결과정보, 및 조직검사 결과정보를 수신한다. 구체적으로, 학습대상의 생활습관정보는, 예를 들어 건강검진정보와 같이 학습대상들의 생활습관에 관한 정보가 포함된 정보로부터 수신할 수 있다. 바람직하게는 생활습관정보는, 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 중 1 이상을 포함할 수 있다. 상기 대장내시경 결과정보는 예를 들어, 대장내시경 진단서와 같은 대장내시경을 통해 진단을 수행하고 진단결과를 보유하고 있는 학습대상의 대장내시경 결과에 대한 정보를 의미한다. 조직검사 결과정보는, 예를 들어, 조직검사 결과보고서와 같이, 조직검사를 수행하고 조직검사결과를 보유하고 있는 학습대상의 조직검사 결과에 대한 정보를 의미한다.
상기 가능성도출부(1200)는, 특정 생활습관정보를 갖는 1 이상의 학습대상의 대장내시경 결과정보, 및 조직검사 결과정보를 클러스터링하고, 클러스터링된 정보에 기초하여 특정 생활습관정보를 가진 그룹에 대한 용종가능성, 및 대장암가능성을 도출한다. 구체적으로, 우선 복수의 학습대상 중 동일한 특정 생활습관정보를 갖는 1 이상의 학습대상의 대장내시경 결과정보 및 조직검사 결과정보를 클러스터링 한다. 이후, 클러스터링된 정보에 기초하여 학습대상의 용종보유여부를 판별하고, 동일한 특정 생활습관정보를 갖는 복수의 학습대상의 용종보유여부에 기초하여 특정 생활습관정보를 가진 그룹에 대한 용종가능성을 도출한다. 또한, 클러스터링된 정보 및 기설정된 매핑테이블에 기초하여 특정 생활습관정보를 가진 그룹에 대한 대장암가능성을 도출한다. 가능성도출부(1200)는, 복수의 특정 생활습관정보에 대하여 상술한 바와 같은 과정을 반복하여, 학습대상 전체의 각각의 특정 생활습관정보를 가진 그룹별 용종가능성 및 대장암가능성을 도출한다.
상기 예측데이터셋도출부(1300)는, 복수의 특정 생활습관정보를 가진 그룹의 용종가능성 및 대장암가능성에 대한 예측데이터셋(1520)을 도출한다. 가능성도출부(1200)에 의하여 특정 생활습관정보를 갖는 그룹별 용종가능성 및 대장암가능성이 도출된 후에 상기 예측데이터셋도출부(1300)는, 복수의 세부카테고리정보를 포함하는 상기 생활습관정보, 상기 용종가능성, 및 상기 대장암가능성을 포함하는 예측데이터셋(1520)을 도출한다. 바람직하게는 상기 생활습관정보는 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 중 1 이상을 포함한다.
이후, 예측결과도출부(1400)는, 입력된 입력생활습관정보에 대하여, 예측데이터셋도출부(1300)가 도출한 예측데이터셋(1520)에 기초하여 해당 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성에 대한 결과를 도출한다. 구체적으로, 예측결과도출부(1400)는, 수신한 입력생활습관정보 및 상기 예측데이터셋(1520)에 포함된 생활습관정보를 매칭하고, 각각의 생활습관정보의 세부카테고리정보들이 매칭되는 정도에 따라 매칭정도가 높은 세부예측데이터셋에 기초하여 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성을 도출할 수 있다.
한편, 상기 서버시스템(1000)의 DB(1500)에는 학습대상의 복수의 항목에 대한 생활습관정보, 대장내시경 결과정보 및 조직검사 결과정보를 포함하는 학습정보(1510), 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 중 1 이상을 포함하는 생활습관정보, 상기 용종가능성 및 대장암가능성을 포함하는 예측데이터셋(1520), 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성을 포함하는 대장암관련결과정보(1530)가 저장되어 있을 수 있다.
도 2에 도시된 서버시스템(1000)은 도시된 구성요소 외의 다른 요소들을 더 포함할 수 있으나, 편의상 본 발명의 실시예들에 따른 생활습관정보에 기초한 대장암 관련 정보 예측 방법과 관련된 구성요소들만을 표시하였다.
도 3은 본 발명의 일 실시예에 따른 가능성도출부(1200)에 의하여 처리되는 학습정보(1510)의 형태를 개략적으로 도시한다.
본 발명의 서버시스템(1000)에 포함되는 학습정보수신부(1100)가 수신하는 학습정보(1510)는 학습대상의 복수의 항목에 대한 생활습관정보, 대장내시경 결과정보 및 조직검사 결과정보를 포함한다. 이후, 수신한 학습정보(1510)는 가능성도출부(1200)에 의하여 가공될 수 있다. 구체적으로, 도 3의 (a)는 생활습관정보를, 도 3의 (b)는 대장내시경 결과정보를, 도 3의 (c)는 조직검사 결과정보를 개략적으로 도시한다. 생활습관정보는 예를 들어, 도 3의 (a)에 도시된 바와 같은 학습대상의 건감검진 설문지와 같은 건강검진정보가 수신되면 가능성도출부(1200)는, 수신한 건강검진 설문지에 기초하여 건강검진 설문이미지에 포함되는 생활습관정보를 도출할 수 있다. 혹은, 이미 건강검진 설문을 통해 외부에서 전처리된 복수의 세부카테고리정보에 대한 생활습관정보를 직접적으로 수신할 수도 있다. 한편, 상기 대장내시경 결과정보는 예를 들어, 대장내시경 진단서와 같은 대장내시경을 통해 진단을 수행하고 진단결과를 보유하고 있는 학습대상의 대장내시경 결과에 대한 정보를 의미한다. 대장내시경 결과정보는 가능성도출부(1200)에 의하여 클러스터링 되어 도 3의 (b)에 도시된 바와 같이 대장내시경 결과정보로부터 용종위치(도 3에서 Pericolica area) 및 용종크기(도 3에서 3cm)를 도출할 수 있다. 또한, 조직검사 결과정보는 예를 들어, 조직검사 결과보고서와 같이 조직검사를 수행하여 대장 내 조직에 대한 검사결과를 보유하고 있는 학습대상의 조직검사 결과에 대한 정보를 의미한다. 조직검사 결과정보 또한, 도 3의 (c)에 도시된 바와 같이 가능성도출부(1200)에 의하여 조직검사 결과정보로부터 용종종류(도 3에서 adenoma)가 도출될 수 있다. 이와 같이 가능성도출부(1200)는, 학습정보(1510)가 수신되는 경우, 학습정보(1510)로부터 대장용종에 관련된 키워드를 추출하여 상기 학습대상의 용종크기, 용종위치, 및 용종종류를 포함하는 용종데이터를 도출하는 단계를 수행한다.
도 4는 본 발명의 일 실시예에 따른 생활습관정보를 분류하는 기준을 개략적으로 도시한다.
본 발명의 서버시스템(1000)은 수신한 생활습관정보를 각각의 세부카테고리정보들의 기설정된 기준에 따라 분류할 수 있다. 상기 생활습관정보가 분류되는 기준은 도 4에 도시된 바와 같이 분류될 수 있다. 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 중 1 이상을 포함하는 생활습관정보는 각각의 세부카테고리에 따라 도 4에 도시된 바와 같은 기설정된 기준으로 분류되어 항목별지수가 부여되어 인식될 수 있다. 예를 들어, 세부카테고리 중 성별의 경우, 여성은 00의 성별항목지수를 부여하고, 남성은 01의 성별항목지수를 부여할 수 있다. 또한, 도 4에 도시된 바와 같이 음주습관 혹은 흡연습관과 같은 개개인의 습관의 정도의 차이가 클 수 있는 세부카테고리 항목에 대해서는 도 4에 도시된 바와 같이 예를 들어, 흡연기간 * 하루평균흡연량과 같은 기준으로 세부카테고리항목에 대한 정도를 수치로 환산하여 수치가 기설정된 기준을 충족하는지 여부에 따라 흡연항목지수를 부여하는 방법으로 항목별지수를 도출할 수 있다. 도출된 항목별지수에 따라 생활습관정보를 인식할 수 있고, 각각 세부카테고리별로 도출된 항목별지수에 기초하여 생활습관정보를 하나의 아이디(예를 들어, 30-01-00-00-10-10-01-01)로 도출할 수도 있다. 이와 같은 방식으로 생활습관정보를 분류함으로써, 복수의 학습대상의 정보를 객관적으로 분류할 수 있는 효과를 발휘할 수 있다.
도 5는 본 발명의 일 실시예에 따른 가능성도출부(1200)에 의하여 도출되는 정보의 처리과정을 개략적으로 도시하고, 도 6은 가능성도출부(1200)에 의하여 학습대상의 대장암가능성을 도출하는데 기초가 되는 기설정된 매핑테이블을 개략적으로 도시한다.
본 발명의 상기 가능성도출부(1200)는, 상기 학습대상의 상기 대장내시경 결과정보 및 상기 조직검사 결과정보로부터 대장용종에 관련된 키워드를 추출하여 상기 학습대상의 용종크기, 용종위치 및 용종종류 중 1 이상을 포함하는 용종데이터를 도출하는 단계(S100); 상기 용종크기, 용종위치 및 용종종류 중 1 이상에 의하여 상기 학습대상의 용종보유여부를 판별하고, 동일한 상기 특정 생활습관정보를 갖는 2 이상의 학습대상의 상기 용종보유여부에 기초하여 상기 특정 생활습관정보에 대한 상기 용종가능성을 도출하는 단계(S110); 및 동일한 상기 특정 생활습관정보를 갖는 2 이상의 학습대상의 상기 용종크기 및 용종종류에 대한 정보, 및 기설정된 매핑테이블에 따라 상기 특정 생활습관정보에 대한 상기 대장암가능성을 도출하는 단계;(S120)를 수행한다.
구체적으로 S100단계에서는, 가능성도출부(1200)는 학습대상의 대장내시경 결과정보 및 조직검사 결과정보로부터 대장용종에 관련된 키워드를 추출하여 상기 학습대상의 용종크기, 용종위치 및 용종종류 중 1 이상을 포함하는 용종데이터를 도출할 수 있다. 상기 도 3의 설명에서 상술한 바와 같이 가능성도출부(1200)는 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 용종데이터를 도출한다. 도 5의 (a)는 가능성도출부(1200)에 의하여 용종데이터가 도출된 특정 생활습관정보를 갖는 1 이상의 학습대상의 학습정보(1510)를 도시한다. 상기 도 4의 기준에 따라 복수의 세부카테고리정보를 포함하는 생활습관정보는 항목별지수로 나타나고 각각의 학습대상의 대장내시경 결과정보 및 조직검사 결과정보에 따른 용종위치, 용종크기 및 용종종류가 도시되어 있다. 학습정보#1 및 학습정보#4의 경우, 해당 학습대상의 대장내시경 검사결과 및 조직검사 결과정보에서 대장용종에 관련된 키워드가 추출되지 않았음을 나타내고, 이는 해당 학습대상의 대장에서 용종이 발견되지 않았음을 의미한다.
이후, S110단계에서는, 가능성도출부(1200)는 상기 용종위치, 용종크기 및 용종종류 중 1 이상에 의하여 상기 학습대상의 용종보유여부를 판별한다. 도 5의 (b)에 도시된 바에 따르면, 학습대상#1 및 학습대상#4의 경우, 상술한 바와 같이 해당 학습대상의 학습정보(1510)에서 대장내시경 검사결과 및 조직검사 결과정보에서 대장용종에 관련된 키워드가 추출되지 않았음에 기초하여 용종데이터가 도출되지 않았음이 도시된다. 이와 같이, 상기 용종위치, 용종크기, 및 용종종류 중 1 이상을 포함하는 용종데이터의 도출여부에 따라 학습대상의 용종보유여부를 판별할 수 있다. 상기 용종위치, 용종크기, 및 용종종류 중 1 이상이 도출된 경우, 용종을 보유한 것으로 판별하고, 상기 용종위치, 용종크기, 및 용종종류 중 1 이상이 도출되지 않은 경우, 용종을 보유하지 않은 것으로 판별한다.
동일한 특정 생활습관정보를 갖는 복수의 학습대상의 용종보유여부가 판별된 후에, 상기 가능성도출부(1200)는 해당 특정 생활습관정보를 갖는 2 이상의 학습대상의 상기 용종보유여부에 기초하여 상기 특정 생활습관정보에 대한 용종가능성을 도출할 수 있다. 본 발명의 일 실시예에서는, 도 5의 (b)에 도시된 바에 따르면, 나이-성별-BMI-운동습관-음주습관-흡연습관-가족병력-개인병력을 나타내는 생활습관정보가 30-01-00-00-10-10-01-01으로 동일한 특정 생활정보를 가진 5명의 학습대상이 도시되어 있다. 이 중에 학습대상#1 및 학습대상#4 2명은 용종을 보유하고 있지 않고, 학습대상#2, 학습대상#3 및 학습대상#5 3명은 용종을 보유하고 있음이 도시된다. 이에 기초하여 하기의 도출식 1에 따라 용종가능성이 도출될 수 있다.
[도출식 1]
용종을 보유한 특정 생활습관정보를 갖는 학습대상의 수 / 특정 생활습관정보를 갖는 전체 학습대상의 수 *100 (%)
도 5의 (b)에 도시된 일 예를 도출식 1에 적용하면, 도출식 1 = 3/5 *100 = 60%의 용종가능성이 도출된다. 따라서, 상기 생활습관정보 30-01-00-00-10-10-01-01를 갖는 학습대상의 용종가능성은 도 5의 (c)에 도시된 바와 같이 60%로 도출된다.
이와 같은 방식으로, 가능성도출부(1200)는 특정 생활습관정보에 대한 용종가능성을 도출할 수 있다.
이후, 가능성도출부(1200)가 수행하는 상기 특정 생활습관정보에 대한 대장암가능성을 도출하는 단계(S120)는, 특정 생활습관정보를 갖는 2 이상의 학습대상의 상기 용종크기 및 용종종류에 대한 정보 및 기설정된 매핑테이블에 따라 학습대상별 대장암가능성을 도출하는 단계(S120-1); 및 각각의 상기 학습대상별 대장암가능성에 기초하여 상기 특정 생활습관정보에 대한 대장암가능성을 도출하는 단계;(S120-2)를 포함한다.
구체적으로, S120-1단계에서는, 가능성도출부(1200)는 도 6과 같은 기설정된 매핑테이블을 통해 특정 생활습관정보를 갖는 각각의 학습정보(1510)별 대장암가능성을 도출한다. 도 5 및 도 6에 도시된 바와 같이 매핑테이블은 용종크기 및 용종종류에 따라 대장암가능성을 도출하는 기준이 된다. 도 5의 (b)에 따르면 학습정보#2의 용종크기는 4로, 용종종류는 융모상선종으로 도시되어 있다. 이에 기초하여 도 6의 매핑테이블의 기준에서 용종종류는 융모상선종이며, 3 내지 6cm 미만의 용종크기에 해당하므로 도 5의 (b)에 도시된 바와 동일하게 대장암가능성을 25%로 도출할 수 있다. 마찬가지로, 학습정보#3 및 학습정보(1510) #5의 경우에도, 도 6의 매핑테이블에 따라 각각의 학습정보(1510)별 대장암가능성이 도출되었음이 도시된다. 이와 같이, 가능성도출부(1200)는 특정 생활습관정보를 갖는 2 이상의 학습대상의 상기 용종크기 및 용종종류에 대한 정보 및 기설정된 매핑테이블에 따라 각각의 학습대상별 대장암가능성을 도출한다.
이후, S120-2단계에서는, 각각의 상기 학습대상별 대장암가능성에 기초하여 상기 특정 생활습관정보에 대한 대장암가능성을 도출한다. 가능성도출부(1200)는 특정 생활습관정보를 갖는 2 이상의 학습대상별 대장암가능성에 기초하여 하기의 도출식 2에 따라 특정생활습관정보에 대한 대장암가능성이 도출될 수 있다.
[도출식 2]
Figure 112021011585591-pat00001
상기 도출식 2 에서는, N은 특정 생활습관정보를 갖는 학습대상의 전체 수를 의미한다.
도 5의 (b)에 도시된 예를 도출식 2에 적용하면, 도출식 2 = ((25 + 80 + 2)/5) = 21.4%의 특정생활정보에 대한 대장암가능성이 도출된다. 따라서, 상기 생활습관정보 30-01-00-00-10-10-01-01에 대한 대장암가능성은 도 5의 (c)에 도시된 바와 같이 21.4%로 도출된다.
이와 같은 방식으로, 가능성도출부(1200)는 특정 생활습관정보에 대한 대장암가능성을 도출할 수 있다.
도 7은 본 발명의 일 실시예에 따른 가능성도출부(1200) 및 예측데이터셋도출부(1300)에 의하여 도출되는 데이터의 형태를 개략적으로 도시한다.
상술한 바와 같이 가능성도출부(1200)는 생활습관정보, 대장내시경 결과정보 및 조직검사 결과정보에 기초하여 학습대상의 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 용종데이터를 도출하고, 특정 생활습관정보에 대한 용종가능성 및 대장암가능성을 도출한다. 도 7의 (a)는 가능성도출부(1200)에 의하여 상기 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 용종데이터가 포함된 학습정보(1510)의 일 예의 형태를 도시한다. 용종데이터에 대한 값이 있는 경우, 해당 학습정보(1510)를 갖는 학습대상은 용종을 보유한 것이고, 용종데이터에 대한 값이 없는 경우, 해당 학습정보(1510)를 갖는 학습대상은 용종을 보유하지 않은 것으로 판별할 수 있다.
한편, 상기 가능성도출부(1200)는, 상기 학습대상의 학습정보(1510)에 조직검사 결과정보가 없는 경우에는, 과거에 수집된 학습정보(1510) 중 상기 학습정보수신부(1100)에서 수신된 상기 학습대상의 상기 생활습관정보와 생활습관정보가 동일하고, 상기 대장내시경 결과정보가 기설정된 기준 내에서 유사하고, 조직검사 결과정보가 존재하는 과거의 수집된 학습정보(1510)에 기초하여, 상기 학습정보수신부(1100)에서 수신된 학습정보(1510)에 대한 대장암가능성을 도출한다. 구체적으로 도 7의 (a)에 도시된 바에 따르면, 학습정보(1510) #1은 용종위치 및 용종사이즈에 대한 값은 존재하지만 용종종류에 대한 값은 존재하지 않는 것이 도시되어 있다. 이는 조직검사 결과정보가 수신되지 않았음을 의미한다. 이와 같이 본 발명의 일 실시예에서는, 서버시스템(1000)이 수신한 학습대상의 학습정보(1510)에 조직검사 결과정보가 없는 경우가 있을 수 있다. 이와 같은 경우에 가능성도출부(1200)는, 과거에 수집한 학습정보(1510) 중 수신된 조직검사 결과정보가 없는 학습대상의 학습정보(1510)와 동일한 생활습관정보를 가지는 학습정보(1510)를 필터링한다. 이후, 동일한 생활습관정보를 가진 1 이상의 학습정보(1510)의 용종위치 및 용종크기와 수신한 학습정보(1510)에 포함된 용종위치 및 용종크기를 비교하여 기설정된 기준 내에서 유사한 학습정보(1510)를 필터링한다. 도 7의 (a) 및 (b)에 따르면 용종종류에 대한 값이 없는 학습정보#1와 동일한 생활습관정보 40-00-00-00-10-10-01-01를 갖는 복수의 학습대상의 학습정보(1510)가 도시되고, 각각의 학습정보(1510)의 용종위치 및 용종크기를 비교했을 때, 학습정보#1 및 학습정보#5의 용종위치 및 용종크기가 R 및 4로서 동일함이 도시되어 있다. 이에 따라 가능성도출부(1200)는, 학습정보#1의 용종종류를 학습정보#5와 동일한 용종종류 Type4로 도출한다. 바람직하게는, 과거에 수집한 동일한 생활습관정보를 갖는 1 이상의 학습대상의 학습정보(1510) 중 상기 대장내시경 결과정보로부터 도출된 용종위치 및 용종크기가 동일한 학습정보(1510)가 존재하는 경우, 해당 학습정보(1510)의 용종종류를 학습정보수신부(1100)에서 수신한 학습정보(1510)의 용종종류로 도출하고, 상기 용종위치 및 용종크기가 동일한 학습정보(1510)가 존재하지 않는 경우, 용종위치가 동일하고, 용종크기가 기설정된 범위내에 해당하는 학습정보(1510)의 용종종류를 수신한 학습정보수신부(1100)에서 수신한 학습정보(1510)의 용종종류로 도출할 수 있다.
이와 같은 방식으로 가능성도출부(1200)는, 조직검사 결과정보가 없는 경우의 학습정보(1510)를 과거의 수집된 학습정보(1510)에 기초하여 조직검사 결과정보에 대한 정보를 모두 도출하고, 이후, 상기 도 5 및 6에서 설명한 방법을 통해 학습정보(1510)수신단계에서 수신된 학습정보(1510)에 대한 대장암가능성을 도출하고, 해당하는 특정 생활습관정보에 대한 대장암가능성을 도출한다.
이와 같은 방식으로 가능성도출부(1200)는, 학습정보(1510)를 모두 수신하지 못한 경우에도 일부 학습정보(1510)에 기초하여 해당 학습정보(1510)를 보완하여 데이터 신뢰성을 향상시킬 수 있는 효과를 발휘할 수 있다.
한편, 예측데이터셋도출부(1300)는, 상기 가능성도출부(1200)가 도출한 특정 생활습관정보에 대한 용종가능성 및 대장암가능성에 기초하여 복수의 상기 특정 생활습관정보를 가진 그룹의 용종가능성 및 대장암가능성에 대한 예측데이터셋(1520)을 도출한다. 예측데이터셋(1520)은, 복수의 세부카테고리를 포함하는 생활습관정보, 상기 용종가능성, 상기 대장암가능성을 포함하고, 상기 생활습관정보는, 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력을 포함한다. 가능성도출부(1200)가 도출한 특정 생활습관정보에 대한 용종가능성 및 대장암가능성은 도 7의 (c)에 도시된 바와 같이 생활습관정보 40-00-00-00-10-10-01-01에 대한 용종가능성 A1, 및 대장암가능성B1을 도출하고, 예측데이터셋도출부(1300)는, 도 7의 (d)에 도시된 바와 같이 전체 학습정보(1510)를 복수의 상기 특정생활습관정보를 가진 그룹별 생활습관정보, 생활습관정보에 대한 용종가능성, 및 대장암가능성을 포함하는 예측데이터셋(1520)을 도출한다. 이와 같이 도출된 예측데이터셋(1520)에 기초하여 후술하는 예측결과도출부(1400)는 입력된 입력생활습관정보에 대한 용종가능성 및 대장암가능성을 예측할 수 있다.
도 8은 본 발명의 일 실시예에 따른 예측결과도출부(1400)의 수행 단계를 개략적으로 도시하고, 도 9는 본 발명의 일 실시예에 따른 예측결과도출부(1400)에 의하여 생활습관정보의 세부카테고리항목을 제외하는 기준을 개략적으로 도시한다.
본 발명의 예측결과도출부(1400)는, 입력된 입력생활습관정보에 대하여, 상기 예측데이터셋도출부(1300)로부터 도출된 예측데이터셋(1520)에 기초하여 해당 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성에 대한 결과를 도출할 수 있다. 구체적으로, 상기 예측결과도출부(1400)는, 상기 입력생활습관정보 및 상기 예측데이터셋(1520)에 포함된 생활습관정보의 매칭정도에 따라 유사도를 도출하고, 상기 유사도가 기설정된 기준을 부합하는지 여부를 판별하여 유사그룹예측데이터를 도출하는 단계(S1000 내지 S1300); 및 상기 유사그룹예측데이터에 기초하여 상기 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성을 도출하는 단계(S1400);를 수행한다.
S1000단계에서는, 입력된 입력생활습관정보 및 예측데이터셋(1520)에 포함된 생활습관정보의 매칭정도에 따라 유사도를 도출한다. 입력된 입력생활습관정보와 상기 예측데이터셋(1520)도출단계에서 도출된 예측데이터셋(1520)의 생활습관정보를 매칭하여 생활습관정보의 세부카테고리에 따른 매칭여부를 판별하고, 매칭여부에 따라 유사도를 도출할 수 있다. 생활습관정보에 포함되는 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 각각의 카테고리의 매칭여부를 판별한 후 매칭여부에 따라 유사도를 도출한다. 유사도를 도출하는 식은 하기 도출식 3에 나타낸다.
[도출식 3]
(매칭된 생활습관정보의 세부카테고리 항목의 수 / 전체 세부카테고리 항목의 수)*100
상기 예측결과도출부(1400)가 유사도를 도출하는 일 예는 다음과 같다.
[예 1]
입력생활습관정보 : 30-01-00-00-10-10-01-01
세부예측데이터셋 생활습관정보 : 50-00-01-00-12-10-01-01
매칭여부 :X-X-X-O-X-O-O-O
상기 일 예를 도출식 3의 적용하면 (4/8)*100 = 40%의 유사도를 도출할 수 있다. 이와 같은 방식으로 예측결과도출부(1400)는 입력생활습관정보 및 예측데이터셋(1520)의 유사도를 도출한다.
이후 S1100단계에서는, S1000단계에서 도출된 유사도가 기설정된 기준에 부합하는지 여부를 판별한다. 예를 들어, 상기 기설정된 기준이 도출된 유사도가 80% 이상인 경우라고 가정할 때, 본 발명의 일 실시예에서는 생활습관정보의 세부카테고리 항목의 수는 8이므로, 7 이상의 항목의 생활습관정보가 동일한 경우에 80%이상의 유사도가 도출될 수 있다. 이에 따라, 예측결과도출부(1400)는 예측데이터셋(1520) 중 80% 이상의 유사도가 도출된 세부예측데이터셋을 판별한다. 이후, 유사도가 기설정된 기준에 부합하는 세부예측데이터셋이 있는 경우 S1200단계를 수행하고, 유사도가 기설정된 기준에 부합하는 세부예측데이터셋이 없는 경우, S1300단계를 수행한다.
S1200단계는, 상기 유사도가 기설정된 기준에 부합하는 세부예측데이터셋이 있는 경우, 예측결과도출부(1400)가 수행하는 단계로서, S1200단계에서는, 예측데이터셋(1520) 중 유사도가 기설정된 기준을 부합하는 1 이상의 세부예측데이터셋을 유사그룹예측데이터로 도출한다.
한편, S1300단계는, 상기 유사도가 기설정된 기준에 부합하는 세부예측데이터셋이 없는 경우, 예측결과도출부(1400)가 수행하는 단계로서, S1300단계에서는, 입력생활습관정보의 복수의 세부카테고리정보의 일부를 기설정된 기준에 따라 제외한다. 도 9에 도시된 바에 따르면, 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력에 따른 8개의 세부카테고리정보의 항목의 매칭정도에 따라 도출된 유사도가 기설정된 기준에 부합하는 세부예측데이터셋이 없는 경우, 생활습관정보의 복수의 세부카테고리정보 중 나이 및 성별을 제외하여 BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력에 따른 6개의 세부카테고리정보를 기준으로 한다. 이와 같이 예측결과도출부(1400)는 도 9에 도시된 바와 같은 기설정된 기준에 따라 복수의 세부카테고리정보의 일부를 제외할 수 있다. 바람직하게는, 상기 입력생활습관정보는, 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력 중 1 이상을 포함하고, 상기 유사그룹예측데이터로 도출하는 단계는, 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력에 대한 제1유사도가 기설정된 기준을 부합하는지 여부를 판별하고, 상기 제1유사도가 기설정된 기준에 부합하지 않는 경우, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력에 대한 제2유사도가 기설정된 기준을 부합하는지 여부를 판별하고, 상기 제2유사도가 기설정된 기준에 부합하지 않는 경우, BMI, 흡연습관, 음주습관 및 개인병력에 대한 제3유사도가 기설정된 기준을 부합하는지 여부를 판별하여, 상기 유사그룹예측데이터를 도출한다.
이와 같이 입력생활습관정보 및 예측데이터셋(1520)과 매칭하는 복수의 세부카테고리정보의 일부를 제외한 후, 예측결과도출부(1400)는, 다시 상기 S1000 내지 S1200단계를 수행하여, 상기 유사도가 기설정된 기준을 부합하는 1 이상의 세부예측데이터셋을 유사그룹예측데이터로 도출할 수 있다.
S1400단계에서는, 상기 S1000 내지 S1300단계의 수행을 통해 유사그룹예측데이터를 도출한 예측결과도출부(1400)는, 상기 유사그룹예측데이터에 기초하여 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성을 도출한다.
본 발명의 일 실시예에서, 입력된 입력생활습관정보가 도 10의 (a)와 같은 정보가 입력된 경우, 예측결과도출부(1400)는 상기 S1000 내지 S1300단계의 수행을 통해 도 10의 (b)와 같은 세부예측데이터셋을 유사그룹예측데이터로 도출할 수 있다. 도 10의 (b)에 도시된 세부예측데이터셋의 생활습관정보는 입력생활습관정보와 동일한 20-00-00-00-10-10-01-01를 포함하고 있음이 도시되어 있다. 예측결과도출부(1400)는 이와 같은 유사그룹예측데이터를 도출한 후, 20-00-00-00-10-10-01-01에 해당하는 특정 생활습관정보에 대한 유사그룹예측데이터에 기초하여 20-00-00-00-10-10-01-01에 해당하는 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성을 도출한다. 이에 따라 도 10의 (c)는, 20-00-00-00-10-10-01-01에 해당하는 특정 생활습관정보에 대한 유사그룹예측데이터의 용종가능성 값인 A1 및 대장암가능성 B2가 20-00-00-00-10-10-01-01에 해당하는 입력생활습관정보를 가진 사람의 용종가능성의 값이 A1 및 대장암가능성의 값이 B2로 도출된 것이 도시된다.
도 10의 (b)는 상술한 설명과 같이 생활습관정보의 모든 세부카테고리정보의 항목이 입력생활습관정보와 일치하는 경우를 설명하였지만 본 발명의 일 실시예에서는, 입력된 입력생활습관정보와 예측데이터셋(1520)의 생활습관정보의 세부카테고리정보의 항목이 모두 일치하지 않는 경우가 있을 수 있다. 도 10의 (c)는 세부카테고리정보의 항목이 모두 일치하는 세부예측데이터셋이 없는 경우에 기설정된 기준에 따라 도출된 유사그룹예측데이터를 도시한다. 도 10의 (c)에 도시된 바에 따르면 20-00-00-00-10-10-01-01과 매칭정도에 따라 유사도가 기설정된 기준에 부합하는 유사그룹예측데이터로서 5개의 세부예측데이터셋이 도출되었다. 세부예측데이터셋#1의 경우, 성별을 제외한 나머지 카테고리정보의 항목이 동일하고, 세부예측데이터셋#2의 경우, 나이를 제외한 나머지 카테고리 정보의 항목이 동일하고, 나머지 세부예측데이터셋#3,#4 및 #5의 경우에도 각각 음주습관, 흡연습관 및 BMI를 제외한 나머지 카테고리정보의 항목이 동일한 것이 도시된다. 이 경우, 예측결과도출부(1400)는, 20-00-00-00-10-10-01-01에 해당하는 특정 생활습관정보에 대한 유사그룹예측데이터에 기초하여 20-00-00-00-10-10-01-01에 해당하는 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성을 도출한다. 이에 따라 도 10의 (e)는, 20-00-00-00-10-10-01-01에 해당하는 특정 생활습관정보에 대한 유사그룹예측데이터인 5개의 세부예측데이터셋의 용종가능성 및 대장암가능성 값의 평균값인 A1+A2+A3+A4+A5/5 및 B1+B2+B3+B4+B5/5가 20-00-00-00-10-10-01-01에 해당하는 입력생활습관정보를 가진 사람의 용종가능성 값이 A1+A2+A3+A4+A5/5 및 대장암가능성 값이 B1+B2+B3+B4+B5/5로 도출된 것이 도시된다.
바람직하게는, 입력생활습관정보를 가진 사람의 용종가능성 및 대장암가능성은 하기의 도출식 4 및 도출식5에 기초하여 도출할 수 있다.
[도출식 4]
Figure 112021011585591-pat00002
[도출식 5]
Figure 112021011585591-pat00003
바람직하게는, 예측결과도출부(1400)가 수행하는, 유사그룹예측데이터를 도출하는 단계는, 상기 유사도가 기설정된 기준을 부합하면서, 상기 입력생활습관정보의 복수의 세부카테고리정보의 항목이 모두 일치하는 세부예측데이터셋이 있는 경우에, 해당 세부예측데이터셋만을 상기 유사그룹예측데이터로 도출하고, 상기 유사도가 기설정된 기준을 부합하면서, 상기 입력생활습관정보의 복수의 세부카테고리정보의 항목이 모두 일치하는 세부예측데이터셋은 없는 경우에, 도출된 1 이상의 세부예측데이터셋을 상기 유사그룹예측데이터로 도출한다.
이와 같은 방식으로, 예측결과도출부(1400)는 학습정보(1510)를 학습하여 도출된 예측데이터셋(1520)에 기초하여 입력생활습관정보를 갖는 사람의 용종가능성 및 대장암가능성을 도출할 수 있다.
도 11은 본 발명의 일 실시예에 따른 기계학습모델에 기반한 선종 관련 정보 예측 시스템을 개략적으로 도시한다.
서버시스템에 의하여 수행되는, 기계학습모델에 기반한 선종 관련 정보 예측시스템은 도 11에 도시된 바와 같이, 제2학습데이터도출부(2100), 압축데이터생성부(2200), 제2추론모델학습부(2300), 제3추론모델학습부(2400), 서비스제공부(2500), DB를 포함한다.
상기 제2학습데이터도출부(2100)는 도 1 내지 10을 참조하여 설명하였던 학습정보수신부, 기능성도출부, 예측데이터셋도출부, 예측결과도출부를 포함한다. 이들 구성에 대하여 도 1 내지 10을 참조하여 설명하였던 부분과 중복된 부분들은 생략하기로 한다. 다만, 도 11에 도시된 시스템의 일 실시예에서는 선종유무에 대한 정보를 중심으로, 학습정보수신부, 기능성도출부, 예측데이터셋도출부, 예측결과도출부가 동작을 하게 되고, 예측데이터셋도출부에 의하여 도출된 예측데이터셋에 기초하여 예측동작을 수행하는 되는 예측결과도출부가 제1추론모델에 포함된다.
구체적으로, 제2학습데이터도출부(2100)는 의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터에 의하여 통계적으로 학습된 제1추론모델을 이용하여 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대한 예측된 선종정보를 도출하여, 상기 임의의 개인별 복수의 제1항목에 대한 생활습관정보 및 선종정보를 포함하는 제2학습데이터를 도출하는 제2학습데이터도출단계를 수행한다.
즉, 제2학습데이터도출단계는 수집된 생활습관정보 및 선종정보에 기초하여 도출되는 예측데이터셋으로 통계적으로 학습된 제2추론모델을 이용하여, 임의의 생활습관정보에 대한 선종정보를 예측하고, 이를 통하여 가상의 학습데이터를 추출한다.
제2학습데이터를 도출하는 데 사용되는 임의의 개인별 복수의 제1항목에 대한 생활습관정보는 후술하는 도 14에 도시된 서비스를 통하여 입력되는 사용자들의 생활습관정보에 해당하거나, 난수발생 혹은 기존의 생활습관정보에 대하여 난수발생에 기반한 가변에 따라 인위적으로 생성한 생활습관정보에 해당할 수 있다.
본 발명의 실시예에서는, 제1학습데이터 뿐만 아니라, 이와 같은 통계적으로 학습된 제1추론모델에 의하여 획득된 제2학습데이터에 의하여 후술하는 인공신경망 기반의 제2추론모델 및 제3추론모델의 학습데이터가 확장되고, 이에 따라 제2추론모델과 제3추론모델의 추론정확도를 개선시킬 수 있다.
압축데이터생성부(2200)는 상기 제1학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제1압축학습데이터를 생성하고, 상기 제2학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제2압축학습데이터를 생성하는 압축데이터생성단계를 수행한다.
제1학습데이터 및 제2학습데이터에서의 제1항목에 따른 생활습관정보는 다수의 생활정보카테고리를 가질 수 있다. 본 발명에서는 학습정확도의 향상 및 연산부하의 감소를 위하여, 제1항목에서 일부 항목이 삭제된 제2항목으로 학습데이터를 압축한 후에, 압축된 학습데이터로 인공신경망 기반의 제2추론모델 및 제3추론모델를 학습시킨다.
상기 제2추론모델학습단계는 상기 제1압축데이터 및 제2압축데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 선종유무에 대한 정보 가능성을 추론하는 제2추론모델을 학습시킨다.
이와 같은 제2추론모델은 입력된 제2항목에 따른 생활습관정보에 대하여 선종정보, 예를들어 선종이 발생할 가능성에 대한 예측정보를 출력할 수 있다.
이하에서는, 제2학습데이터도출부(2100)의 세부 구성요소의 동작에 대하여 설명하도록 한다. 기본적으로 제2학습데이터도출부(2100)의 세부 구성요소는 도 1 내지 도 10을 참조하여 설명하였던, 더욱 상세하게는 도 2의 동일한 명칭의 요소의 동작에 상응하는 동작을 수행하나, 이하에서는 본 발명과 관련된 중요한 사항에 대해서만 설명하기로 한다.
학습정보수신부는 의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터를 수신하는 학습정보수신단계;한다. 상기 학습정보수신단계에서는 도 12를 참조하여 설명하는 정규화단계가 수행될 수 있다.
상기 가능성도출부는 상기 제1학습데이터를 상기 제1항목에 따른 특정 생활습관정보에 따라 선종정보를 클러스터링하고, 클러스터링된 정보에 기초하여 상기 제1항목에 따른 특정 생활습관정보를 가진 그룹에 대한 선종가능성을 도출하는 단계를 수행한다.
상기 예측데이터셋도출부는 복수의 상기 제1항목에 따른 상기 특정 생활습관정보를 가진 그룹의 상기 선종가능성을 포함하는 예측데이터셋을 도출한다.
상기 예측결과도출부는 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대하여, 상기 예측데이터셋에 기초하여 입력된 해당 생활습관정보를 가진 사람의 선종가능성에 대한 결과를 도출한다.
전술한 바와 같은 학습정보수신부, 가능성도출부, 예측데이터셋도출부, 예측결과도출부의 동작에 의하여 제2학습데이터가 추출될 수 있다.
한편, 입력된 일부 생활습관정보에 대해서는 이와 동일한 예측데이터셋이 존재하지 않기 때문에, 이에 대한 통계적 예측결과를 도출하기 어려울 수 있다. 이를 보완하기 위하여, 본 발명의 바람직한 실시예에서는 예측결과도출부는 상기 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보와 상기 예측데이터셋에 포함된 생활습관정보의 매칭정도에 따라 유사도를 도출하고, 상기 유사도가 기설정된 기준을 부합하는지 여부를 판별하여 복수의 유사그룹예측데이터를 도출하는 단계; 및 상기 복수의 유사그룹예측데이터에서의 선종유무에 대한 정보에 대한 수치 정보의 대표값을 이용하여, 상기 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보를 가진 사람의 선종유무에 대한 정보에 대한 확률정보를 도출하는 단계;를 수행할 수 있다.
전술한 기계학습모델에 기반한 선종 관련 정보 예측 시스템 혹은 방법의 세부 동작에 대해서는 도 12 내지 도 16을 참조하여 설명하도록 한다.
본 발명의 다른 실시예에서는, 도 11에 도시된 서버시스템은 서버시스템에 의하여 수행되는, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 시스템으로 동작할 수도 있다.
이 경우, 상기 제2학습데이터도출부(2100)는 의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터에 의하여 통계적으로 학습된 제1추론모델을 이용하여 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대한 예측된 선종정보를 도출하여, 상기 임의의 개인별 복수의 제1항목에 대한 생활습관정보 및 선종정보를 포함하는 제2학습데이터를 도출하는 제2학습데이터도출단계;를 수행한다.
또한, 압축데이터생성부(2200)는 상기 제1학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제1압축학습데이터를 생성하고, 상기 제2학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제2압축학습데이터를 생성하는 압축데이터생성단계;를 수행한다.
또한, 제2추론모델학습부(2300)는 상기 제1압축데이터 및 제2압축데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 선종유무에 대한 정보 가능성을 추론하는 제2추론모델을 학습시킨다.
또한, 제3추론모델학습부(2400)는 의료기관으로부터 수집한 개인별 복수의 제2항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보 및 고위험 선종유무에 대한 정보를 포함하는 확장선종정보를 포함하는 제3압축학습데이터; 및 임의의 개인별 복수의 제2항목에 대한 생활습관정보, 및 상기 임의의 개인별 복수의 제2항목에 대한 생활습관정보 및 상기 제2추론모델에 기초하여 생성된 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제4압축학습데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 고위험 선종유무에 대한 정보 가능성을 추론하는 제3추론모델을 학습시키는 제3추론모델학습단계;를 수행한다.
전술한 기계학습모델에 기반한 고위험 선종 관련 정보 예측 시스템 혹은 방법의 세부 동작에 대해서는 도 12 내지 도 16을 참조하여 설명하도록 한다.
도 12는 본 발명의 일 실시예에 따른 정규화된 생활습관정보를 생성하는 과정을 개략적으로 도시한다.
도 12에 도시된 과정은 학습정보수신부에 의하여 수행될 수 있다.
상기 제1학습데이터의 선종유무에 대한 정보는, 상기 의료기관으로부터 수집한 대장내시경 결과정보 및 상기 조직검사 결과정보로부터 용종 혹은 선종에 관련된 키워드를 추출하여 해당 개인에 대한 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 제1용종데이터를 도출하고, 상기 제1용종데이터로부터 상기 선종유무에 대한 정보를 판별하여 정규화된 정보 형태로 도출될 수 있다.
상기 의료기관으로부터 수집한 대장내시경 결과정보 및 상기 조직검사 결과정보는 의료기관의 EMR정보에 해당할 수 있다. 이와 같은 정보는 전처리 혹은 정규화가 되지 않은 정보에 해당한다.
상기 학습정보수신부는 의료기관으로 수집된 비정형생활습관정보를 겅규화하여 제1항목에 따른 생활습관정보로 변환한다. 예를들어, 각기 다른 의료기관에서 다른 양식의 EMR데이터가 있는 경우, 이를 제1항목에 따른 생활습관정보로 변환함으로써, 후술하는 제1추론모델, 제2추론모델, 제3추론모델의 학습데이터로 사용될 수 있다.
한편, 의료기관으로부터 수집한 정보가 텍스트 형태의 대장내시경 결과정보 및 상기 조직검사 결과정보인 경우에는, 상기 학습정보수신부는 용종 혹은 선종에 관련된 키워드를 추출하여 해당 개인에 대한 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 제1용종데이터를 도출한다.
이와 같은 용종데이터로부터 선종유무에 대한 정보를 판단할 수 있고, 이와 같이 추출된 선종유무에 대한 정보는 일종의 그라운드 트루스의 역할을 할 수 있다. 본 발명의 일 실시예에서는 선종유무에 대한 정보는 1 혹은 0 형태의 2가지 값 중 어느 하나를 가질 수 있다.
도 13은 본 발명의 일 실시예에 따른 제1학습데이터 및 제2학습데이터를 확보하는 과정을 개략적으로 도시한다.
도 13의 (A)에서는, 상기 제2학습데이터도출부(2100)는 의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터에 의하여 통계적으로 제1추론모델을 학습한다.
본 발명의 일 실시예에서는, 예측결과도출부가 예측데이터셋에 기초하여 동작하고,전술한 예측데이터셋도출부에 의하여 도출된 예측데이터셋들을 지속적으로 수집함으로써, 결과적으로 제1추론모델을 학습한다고 볼 수 있다.
이와 같이 제1추론모델의 학습에 사용된 정보는 실제 의료기관에서 수집된 정보이기 때문에 양이 제한적일 수 있다. 따라서, 제1추론모델은 전술한 도 9 및 도 10에서와 같은 보완적인 알고리즘을 예측결과도출부가 수행할 수 있게 함으로써, 학습데이터의 부족을 어느 정도 보완할 수 있다.
한편, 본 발명의 제2추론모델의 경우 인공신경망 기반 딥러닝 모델에 해당하고, 바람직하게는, 제2추론모델 및 제3추론모델은 로지스틱 회귀분석 기반 인공신경망 모델을 포함할 수 있다.
이와 같은 제2추론모델의 경우, 실제 의료기관에서 수집된 제1학습데이터만으로 학습시키기에는 어려움이 있을 수 있기 때문에, 본 발명에서는 통계적으로 학습된 제1추론모델을 이용하여, 학습데이터를 확장할 제2학습데이터를 생성할 수 있다.
도 13의 (B)에서와 같이, 본 발명의 실시예들에서는 제1추론모델을 이용하여 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대한 예측된 선종정보를 도출하여, 상기 임의의 개인별 복수의 제1항목에 대한 생활습관정보 및 선종정보를 포함하는 제2학습데이터를 도출한다.
즉, 임의의 생활습관정보 입력값을 제1추론모델에 입력하고, 출력된 예측된 선정정보가 일종의 라벨이 되어, 제2학습데이터로 확보될 수 있다. 도 13의 (B)에서의 예측된 선종정보는 예를들어 0 내지 1 사이의 수치로 표현될 수 있다. 이와 같은 수치는 일종의 확률값에 해당하고, 이는 후술하는 제2추론모델의 학습에 사용될 수 있다.
도 14는 본 발명의 일 실시예에 따른 사용자의 제1서비스의 이용단계들을 개략적으로 도시한다.
상기 서버시스템은 자신의 예측된 선종정보를 요청하는 제1사용자으로부터 복수의 제1항목에 대한 생활습관정보를 수신하고, 상기 수신된 제1항목에 대한 생활습관정보 및 상기 제1추론모델을 이용하여 예측된 선종정보를 도출하여, 제1사용자에게 제공하는 제1서비스가 수행됨으로써, 제2학습데이터를 도출할 수 있다.
즉, 제1사용자단말기의 사용자는 통계적으로 학습된 제1추론모델을 이용하여 자신의 선종유무에 대한 예측정보를 확인할 수 있고, 사용자가 입력한 생활습관정보는 다시 제2학습데이터의 일부가 될 수 있다.
도 15는 본 발명의 일 실시예에 따른 제1학습데이터 및 제2학습데이터의 압축과정을 개략적으로 도시한다.
상기 압축데이터생성부(2200)는, 상기 제1학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제1압축학습데이터를 생성하고, 상기 제2학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제2압축학습데이터를 생성한다.
바람직하게는, 상기 제1항목 및 상기 제2항목은 나이, 성별, BMI, 운동습관, 음주습관, 흡연습관, 가족병력 및 개인병력을 포함하고, 상기 제2항목은 상기 제1항목 중 일부가 제외된다. 더욱 바람직하게는, 제2항목의 경우, 제1항목에서 운동습관이 제외된 형태에 해당할 수 있다.
도 16은 본 발명의 일 실시예에 따른 제1압축학습데이터 및 제2압축학습데이터를 이용하여 제2추론모델을 학습시키는 과정을 개략적으로 도시한다.
제2추론모델학습부(2300)는 상기 제1압축데이터 및 제2압축데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 선종유무에 대한 정보 가능성을 추론하는 제2추론모델을 학습시킨다.
도 17은 본 발명의 일 실시예에 따른 제2서비스를 제공하는 단계들을 개략적으로 도시한다.
상기 제2서비스제공부(2520)는, 자신의 예측된 선종정보를 요청하는 제2사용자으로부터 복수의 제2항목에 대한 생활습관정보를 수신하고, 상기 수신된 제2항목에 대한 생활습관정보 및 상기 제2추론모델을 이용하여 예측된 선종정보를 도출하여, 제2사용자에게 제공하는 제2서비스제공단계;를 수행한다.
예를들어, 사용자가 자신의 BMI, 음주습관, 흡연습관, 가족병력, 개인병력을 자신의 단말기를 통하여 입력하는 경우, 상기 제2서비스제공부(2520)는 학습된 제2추론모델을 이용하여 기계학습모델에 기반한 예측된 선종유무에 대한 정보를 제공할 수 있다.
도 18은 본 발명의 일 실시예에 따른 제3압축학습데이터를 생성하는 과정들을 개략적으로 도시한다.
이하에서는, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템에 대한 구체적인 기술적 구성에 대하여, 설명하도록 한다. 고위험 선종은 선종 중에 대장암으로 발전될 수 있는 선종에 해당하고, 본 발명의 실시예들에서는 입력된 생활습관정보에 기초하여 고위험 선종의 가능성 혹은 예측정보를 도출한다.
이와 같은 고위험 선종을 예측하기 위하여, 본 발명에서는 인공신경망 기반의 제3추론모델을 이용하고, 상기 제3추론모델은 제2추론모델과 다른 방식으로 학습이 된다. 이와 같은 고위험 선종을 예측하는 시스템에서 제1학습데이터는
도 18에 도시된 바와 같이, 상기 의료기관으로부터 수집한 대장내시경 결과정보 및 상기 조직검사 결과정보로부터 용종 혹은 선종에 관련된 키워드를 추출하여 해당 개인에 대한 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 제1용종데이터를 도출하고, 상기 제1용종데이터로부터 상기 학습대상의 선종유무에 대한 정보를 판별하여 정규화된 정보 형태로 도출된다.
한편, 상기 제3압축학습데이터의 고위험 선종유무에 대한 정보는 상기 제1용종데이터로부터 상기 고위험 선종유무에 대한 정보를 판별하여 정규화된 정보 형태로 도출된다.
이아 같은 제3학습데이터는 제1항목에 따른 생황습관정보, 선종유무에 대한 정보, 및 고위험 선종 유무에 대한 정보를 포함하고, 이는 의료기관으로부터 수집된 그라운드 트루스에 해당하는 정보이다.
이는 마찬가지로, 압축데이터생성부(2200)에 의하여, 압축이 되고, 최종적으로 제3추론모델의 학습에 사용되는 제3압축학습데이터는 의료기관으로부터 수집한 개인별 복수의 제2항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보 및 고위험 선종유무에 대한 정보를 포함한다.
도 19은 본 발명의 일 실시예에 따른 제4압축학습데이터를 생성하는 과정들을 개략적으로 도시한다.
전술한 바와 같이, 제3추론모델은 제3압축학습데이터 및 제1추론모델 및 제2추론모델을 이용하여 생성되는 제4압축학습데이터에 의하여 학습된다.
도 19에 도시된 바와 같이, 우선 제2항목에 따른 생활습관정보가 제2추론모델에 입력된다. 이때 입력되는 생활습관정보는 전술한 바와 같은 제1서비스제공부(2510) 혹은 제2서비스제공부(2520)의 사용자의 이용에 의하여 수집되는 정보 혹은 난수발생 등으로 생성된 정보에 해당한다.
이와 같은 제2항목에 따른 생활습관정보는 상기 제2추론모델에 입력이 되어 예측된 선종유무에 대한 정보가 도출된다.
이후, 제4압축학습데이터는, 이와 같은 임의의 개인별 복수의 제2항목에 대한 생활습관정보, 및 상기 임의의 개인별 복수의 제2항목에 대한 생활습관정보 및 상기 제2추론모델에 기초하여 생성된 선종유무에 대한 정보를 포함하도록 생성된다. 제
도 20은 본 발명의 일 실시예에 따른 제3추론모델을 학습시키는 과정에 대하여 개략적으로 도시한다.
전술한 바와 같은 제3압축학습데이터 및 제4압축학습데이터릴 이용하여 제3추론모델학습부(2400)는 제3추론모델을 학습시킨다. 제3압축학습데이터는 그라운드 트루스로서, 선종유무에 대한 정보가 0 혹은 1의 값으로 지정되어 있고, 고위험 선종 유무에 대한 정보가 0 혹은 1의 값으로 지정되어 있다.
한편, 제4압축학습데이터는 고위험 선종 유무에 대한 정보는 없으나, 선종유무에 대한 정보가 0 내지 1 사이의 값을 갖게 된다. 이와 같은 방식으로, 제3압축데이터를 확장하는 방식으로 제3추론모델의 학습데이터를 확장시킬 수 있고, 생활습관정보 및 선종유무에 대한 확률정보와 고위험 선종유무에 대한 확률정보 사이의 관계를 학습시킬 수 있다.
도 21은 본 발명의 일 실시예에 따른 제2서비스제공부(2520)에 의한 고위험 선종정보를 제공하는 단계들을 개략적으로 도시한다.
전술한 바와 같이, 서버시스템은 자신의 예측된 선종정보를 요청하는 제1사용자으로부터 복수의 제1항목에 대한 생활습관정보를 수신하고, 상기 수신된 제1항목에 대한 생활습관정보 및 상기 제1추론모델을 이용하여 예측된 선종정보를 도출하여, 제1사용자에게 제공하는 제1서비스가 수행됨으로써, 제2학습데이터를 도출한다.
한편, 상기 기계학습모델에 기반한 선종 관련 정보 예측 방법은, 자신의 예측된 선종정보를 요청하는 제2사용자으로부터 복수의 제2항목에 대한 생활습관정보를 수신하고, 상기 수신된 제2항목에 대한 생활습관정보 및 상기 제2추론모델 및 제3추론모델을 이용하여 예측된 선종정보를 도출하여, 제2사용자에게 제공하는 제2서비스제공단계;를 수행할 수 있다.
이와 같이 제1추론모델, 제2추론모델, 및 제3추론모델이 구축이 됨으로써, 사용자는 자신의 생활습관정보를 입력함으로써, 기계학습모델에 기반한 예측된 고위험 선종정보를 제공받을 수 있다.
도 22은 본 발명의 일 실시예에 따른 제2서비스제공부(2520)의 동작에 의하여 사용자단말에서 표시되는 선종발생 예측정보 UI를 도시한다. 도 23은 본 발명의 일 실시예에 따른 제2서비스제공부(2520)의 동작에 의하여 사용자단말에서 표시되는 고위험 선종발생 예측정보 UI를 도시한다.
도 24는 본 발명의 실시예들에 따른 선종발생 예측 및 고위험 선종발생 예측에 대한 정확도에 대한 자료를 도시한다.
모델 성능은 5-fold cross validation을 통하여 성능 통계를 확인하여 보았다. 결과는 도 24에 도시된 바와 같다.
- 전체 데이터: 78,792건
- 수집된 데이터 해당 기간: 2008년 08월 01일 ~ 2019년 12월 27일
- 학습데이터와 테스트데이터 비율(8:2)
하기의 표 1 및 표 2는 각각 본 발명의 실시예들에 따른 제2추론모델 및 제3추론모델에서의 모델 성능 예측결과를 도시한다.
[표 1]
Figure 112021011585591-pat00004
[표 2]
Figure 112021011585591-pat00005
도 25은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
상기 도 1에 따른 대장암 관련 정보 예측 방법을 수행하는 서버시스템(1000)은 도 13에서 도시되는 컴퓨팅장치의 1 이상의 모듈을 포함할 수 있다.
도 25에 도시한 바와 같이, 컴퓨팅장치(11000)은 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/Osubsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅장치(11000)는 상기 얼굴의 비대칭 특성정보를 도출하는 시스템(1000)을 포함하거나, 상기 입/출력 서브시스템(11400)에 의하여 서버시스템(1000)에 연결될 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 컴퓨팅장치(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. 상기 프로세서(11100)은 단일 혹은 복수로 구성될 수 있고, 연산처리속도 향상을 위하여 GPU 및 TPU 형태의 프로세서를 포함할 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅장치(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 컴퓨팅장치(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 센서등의 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 컴퓨팅장치와 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 컴퓨팅장치와 통신을 가능하게 할 수도 있다.
이러한 도 25의 실시예는, 컴퓨팅장치(11000)의 일례일 뿐이고, 컴퓨팅장치(11000)은 도 25에 도시된 일부 컴포넌트가 생략되거나, 도 25에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 25에 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. 컴퓨팅장치(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 컴퓨팅장치를 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 어플리케이션은 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.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅장치 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (6)

  1. 서버시스템에 의하여 수행되는, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법으로서,
    의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터에 의하여 통계적으로 학습된 제1추론모델을 이용하여 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대한 예측된 선종정보를 도출하여, 상기 임의의 개인별 복수의 제1항목에 대한 생활습관정보 및 선종정보를 포함하는 제2학습데이터를 도출하는 제2학습데이터도출단계;
    상기 제1학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제1압축학습데이터를 생성하고, 상기 제2학습데이터에서 상기 복수의 제1항목 중 일부를 제거한 제2항목에 대한 생활습관정보, 및 선종정보를 포함하는 제2압축학습데이터를 생성하는 압축데이터생성단계;
    상기 제1압축학습데이터 및 제2압축학습데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 선종유무에 대한 정보 가능성을 추론하는 제2추론모델을 학습시키는 제2추론모델학습단계;
    의료기관으로부터 수집한 개인별 복수의 제2항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보 및 고위험 선종유무에 대한 정보를 포함하는 확장선종정보를 포함하는 제3압축학습데이터; 및 임의의 개인별 복수의 제2항목에 대한 생활습관정보, 및 상기 임의의 개인별 복수의 제2항목에 대한 생활습관정보 및 상기 제2추론모델에 기초하여 생성된 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제4압축학습데이터에 의하여, 인공신경망을 포함하고, 입력된 제2항목에 대한 생활습관정보에 대하여 고위험 선종유무에 대한 정보 가능성을 추론하는 제3추론모델을 학습시키는 제3추론모델학습단계;를 포함하는, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법.
  2. 청구항 1에 있어서,
    상기 제2학습데이터도출단계는,
    의료기관으로부터 수집한 개인별 복수의 제1항목에 대한 생활습관정보, 및 대장내시경 결과에 따른 선종유무에 대한 정보를 포함하는 선종정보를 포함하는 제1학습데이터를 수신하는 학습정보수신단계;
    상기 제1학습데이터를 상기 제1항목에 따른 특정 생활습관정보에 따라 선종정보를 클러스터링하고, 클러스터링된 정보에 기초하여 상기 제1항목에 따른 특정 생활습관정보를 가진 그룹에 대한 선종가능성을 도출하는 가능성도출단계;
    복수의 상기 제1항목에 따른 상기 특정 생활습관정보를 가진 그룹의 상기 선종가능성을 포함하는 예측데이터셋을 도출하는 예측데이터셋도출단계; 및
    입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보에 대하여, 상기 예측데이터셋에 기초하여 입력된 해당 생활습관정보를 가진 사람의 선종가능성에 대한 결과를 도출하는 예측결과도출단계;를 포함하는, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법.
  3. 청구항 2에 있어서,
    상기 예측결과도출단계는,
    상기 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보와 상기 예측데이터셋에 포함된 생활습관정보의 매칭정도에 따라 유사도를 도출하고, 상기 유사도가 기설정된 기준을 부합하는지 여부를 판별하여 복수의 유사그룹예측데이터를 도출하는 단계; 및
    상기 복수의 유사그룹예측데이터에서의 선종유무에 대한 정보에 대한 수치 정보의 대표값을 이용하여, 상기 입력된 임의의 개인별 복수의 제1항목에 대한 생활습관정보를 가진 사람의 선종유무에 대한 정보에 대한 확률정보를 도출하는 단계;를 포함하는 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법.
  4. 청구항 1에 있어서,
    상기 제1학습데이터의 선종유무에 대한 정보는,
    상기 의료기관으로부터 수집한 대장내시경 결과정보 및 조직검사 결과정보로부터 용종 혹은 선종에 관련된 키워드를 추출하여 해당 개인에 대한 용종위치, 용종크기 및 용종종류 중 1 이상을 포함하는 제1용종데이터를 도출하고, 상기 제1용종데이터로부터 학습대상의 선종유무에 대한 정보를 판별하여 정규화된 정보 형태로 도출되고,
    상기 제3압축학습데이터의 고위험 선종유무에 대한 정보는 상기 제1용종데이터로부터 상기 고위험 선종유무에 대한 정보를 판별하여 정규화된 정보 형태로 도출되고, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법.
  5. 삭제
  6. 청구항 1에 있어서,
    상기 제2학습데이터도출단계에서,
    서버시스템은 자신의 예측된 선종정보를 요청하는 제1사용자으로부터 복수의 제1항목에 대한 생활습관정보를 수신하고, 상기 수신된 제1항목에 대한 생활습관정보 및 상기 제1추론모델을 이용하여 예측된 선종정보를 도출하여, 제1사용자에게 제공하는 제1서비스가 수행됨으로써, 제2학습데이터를 도출하고,
    상기 기계학습모델에 기반한 선종 관련 정보 예측 방법은,
    자신의 예측된 선종정보를 요청하는 제2사용자으로부터 복수의 제2항목에 대한 생활습관정보를 수신하고, 상기 수신된 제2항목에 대한 생활습관정보 및 상기 제2추론모델 및 제3추론모델을 이용하여 예측된 선종정보를 도출하여, 제2사용자에게 제공하는 제2서비스제공단계;를 더 포함하는, 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법.


KR1020210012421A 2021-01-28 2021-01-28 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템 KR102490077B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210012421A KR102490077B1 (ko) 2021-01-28 2021-01-28 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210012421A KR102490077B1 (ko) 2021-01-28 2021-01-28 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220109529A KR20220109529A (ko) 2022-08-05
KR102490077B1 true KR102490077B1 (ko) 2023-01-18

Family

ID=82826598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210012421A KR102490077B1 (ko) 2021-01-28 2021-01-28 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102490077B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017204233A1 (ja) 2016-05-23 2017-11-30 Ｎｅｃソリューションイノベータ株式会社 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体
JP2018068752A (ja) 2016-10-31 2018-05-10 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 機械学習装置、機械学習方法及びプログラム
KR102052558B1 (ko) 2019-04-30 2019-12-06 주식회사 비알네트콤 질환 예측 기반의 사용자 맞춤형 정보 제공 장치 및 그 방법
WO2020153471A1 (ja) 2019-01-24 2020-07-30 国立大学法人大阪大学 推定装置、学習モデル、学習モデルの生成方法、及びコンピュータプログラム
JP6790207B1 (ja) 2019-09-25 2020-11-25 株式会社東芝 検査値予測装置、検査値予測システム、検査値予測方法、およびプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160043777A (ko) * 2014-10-14 2016-04-22 삼성에스디에스 주식회사 질환 발병 예측 방법 및 그 장치
KR20170080551A (ko) * 2017-06-26 2017-07-10 아주대학교산학협력단 라이프스타일 데이터 관리 시스템 및 방법
KR20210008267A (ko) * 2019-07-12 2021-01-21 동국대학교 산학협력단 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
KR102367565B1 (ko) * 2019-11-01 2022-02-28 주식회사 피씨티 생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측하는 방법 및 시스템.
KR102367564B1 (ko) * 2019-11-01 2022-02-28 주식회사 피씨티 생활습관정보에 기초한 대장암 관련 정보 예측 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017204233A1 (ja) 2016-05-23 2017-11-30 Ｎｅｃソリューションイノベータ株式会社 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体
JP2018068752A (ja) 2016-10-31 2018-05-10 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 機械学習装置、機械学習方法及びプログラム
WO2020153471A1 (ja) 2019-01-24 2020-07-30 国立大学法人大阪大学 推定装置、学習モデル、学習モデルの生成方法、及びコンピュータプログラム
KR102052558B1 (ko) 2019-04-30 2019-12-06 주식회사 비알네트콤 질환 예측 기반의 사용자 맞춤형 정보 제공 장치 및 그 방법
JP6790207B1 (ja) 2019-09-25 2020-11-25 株式会社東芝 検査値予測装置、検査値予測システム、検査値予測方法、およびプログラム

Also Published As

Publication number Publication date
KR20220109529A (ko) 2022-08-05

Similar Documents

Publication Publication Date Title
Wu et al. Prediction of fatty liver disease using machine learning algorithms
Thomsen et al. Systematic review of machine learning for diagnosis and prognosis in dermatology
Trister et al. Will machine learning tip the balance in breast cancer screening?
Rahman et al. Machine learning based computer aided diagnosis of breast cancer utilizing anthropometric and clinical features
He et al. A deep learning–based decision support tool for precision risk assessment of breast cancer
White et al. Evaluation of the feasibility of screening patients for early signs of lung carcinoma in web search logs
Raghu et al. Implications of cardiovascular disease risk assessment using the WHO/ISH risk prediction charts in rural India
Hsu et al. External validation of an ensemble model for automated mammography interpretation by artificial intelligence
Mahoro et al. Breast cancer classification on thermograms using deep CNN and transformers
KR102367565B1 (ko) 생활습관정보의 위험요인 정도에 따라 대장암 관련 정보를 예측하는 방법 및 시스템.
KR102367564B1 (ko) 생활습관정보에 기초한 대장암 관련 정보 예측 방법 및 시스템
Su et al. Prediction of acute appendicitis among patients with undifferentiated abdominal pain at emergency department
Altuhaifa et al. Predicting lung cancer survival based on clinical data using machine learning: A review
Afrash et al. Optimizing prognostic factors of five-year survival in gastric cancer patients using feature selection techniques with machine learning algorithms: a comparative study
Fan et al. Machine learning predict survivals of spinal and pelvic Ewing’s sarcoma with the SEER Database
Hu et al. Prediction of new-onset diabetes after pancreatectomy with subspace clustering based multi-view feature selection
KR102490077B1 (ko) 복수의 기계학습모델에 기반한 고위험 선종 관련 정보 예측 방법 및 시스템
Doja et al. Age-specific survival in prostate cancer using machine learning
KR102577294B1 (ko) 기계학습모델에 기반한 선종 관련 정보 예측 방법 및 시스템
Zhang et al. An intelligent method of cancer prediction based on mobile cloud computing
Durgalakshmi et al. Feature selection and classification using support vector machine and decision tree
Alhassan et al. Improving current glycated hemoglobin prediction in adults: Use of machine learning algorithms with electronic health records
Makond et al. Benchmarking prognosis methods for survivability–A case study for patients with contingent primary cancers
Penikalapati et al. Healthcare analytics by engaging machine learning
KR20230098418A (ko) 기계학습모델에 기반한 위암 관련 정보 예측 방법 및 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right