KR102496026B1 - 예측 데이터를 이용한 전립선암 치료 계획 시스템 - Google Patents
예측 데이터를 이용한 전립선암 치료 계획 시스템 Download PDFInfo
- Publication number
- KR102496026B1 KR102496026B1 KR1020200108800A KR20200108800A KR102496026B1 KR 102496026 B1 KR102496026 B1 KR 102496026B1 KR 1020200108800 A KR1020200108800 A KR 1020200108800A KR 20200108800 A KR20200108800 A KR 20200108800A KR 102496026 B1 KR102496026 B1 KR 102496026B1
- Authority
- KR
- South Korea
- Prior art keywords
- prostate cancer
- data
- patient
- test
- risk group
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
전립선암을 진단받는 1차 검사까지 생성된 결과만을 가지고 2차 검사 없이 전립선암의 T 병기 및 림프절 전이 여부를 예측하는 병기 예측 결과를 활용하여 전립선암 환자의 초기 치료계획을 로직에 따라 자동으로 제시하는, 예측 데이터를 이용한 전립선암 치료 계획 시스템에 관한 것으로서, 과거 환자들에 대한 인구사회학적 정보와 병리 정보로 구성된 표본 정보를 수집하는 표본정보 수집부; 환자에 대해 진단되어 생성된 1차 검사 결과와 환자의 인구사회학적 정보를 수집하는 1차데이터 수집부; 상기 표본정보에 의해 학습된 기계학습 모델에, 환자의 1차 검사 결과와 인구사회학적 정보를 적용하여, 해당 환자의 2차 검사 데이터를 추정하는 2차데이터 예측부; 1차 검사 결과와, 추정된 2차 검사 데이터(이하 2차 검사예측 데이터)를 이용하여, 해당 환자에 대해 위험군을 분류하는 위험군 분류부; 및, 환자의 위험군 및 상기 2차 검사예측 데이터에 따라 치료 계획을 수립하는 치료계획 수립부를 포함하는 구성을 마련하여, 1차 검진 데이터만으로 전립선암의 초기 치료 계획을 수립함으로써, 1차 검진에 따라 바로 치료를 시작하여 전립선암이 전이 확산되는 것을 조기에 차단할 수 있다.
Description
본 발명은 전립선암을 진단받는 1차 검사까지 생성된 결과만을 가지고 2차 검사 없이 전립선암의 T 병기 및 림프절 전이 여부를 예측하는 병기 예측 데이터를 활용하여 전립선암 환자의 초기 치료계획을 로직에 따라 자동으로 제시하는, 예측 데이터를 이용한 전립선암 치료 계획 시스템에 관한 것이다.
일반적으로, 전립선암은 전립선에서 발병하는 악성종양으로 현재 미국 등 서구 여러 나라의 남성에서 높은 사망률과 발병률을 가지고 있으며, 우리나라의 경우 국내 전립선암환자의 사망률은 최근에 급격히 증가하여 기준 국내 남성 암 사망원인 5위를 기록하고 있다. 전립선암으로 인한 사망은 호르몬 불응성 전립선암 (Castrationresistant prostate cancer, CRPC)의 출현 및 동반되는 암 전이가 주된 원인이 된다. 따라서, 전립선암 치료를 위하여, 호르몬 불응성 출현 및 암전이 극복기술을 개발하는 것은 현재 전 세계적으로 큰 관심을 모으고 있다.
한편, 전립선암은 혈액검사를 통한 혈중 PSA 농도 측정과 비침습적 검사인 직장수지검사 등을 통하여 전립선 이상이 의심될 경우 조직검사를 시행해 암 여부를 진단한다. 그리고 전립선암 치료는 호르몬 치료, 수술적 치료, 방사선 치료, 및 항암화학 치료 4가지가 있으며, 전립선암의 진행 정도인 T 병기, 암 전이 상태에 따라 치료 방법이 달라진다.
따라서, 임상 전문의가 수립하는 전립선암 치료계획은 암을 진단받는 과정 중 생성되는 혈액 검사, 조직검사 등의 1차 결과와 T병기 및 림프절 전이 여부 등을 판단할 수 있는 영상검사인 2차 결과를 종합하여 수립된다. 특히, 이러한 치료 계획은 전립선암 치료지침인 NCCN(National Comprehensive Cancer Network) 가이드라인을 따라 수립되고 있다.
구체적으로, 전립선암 진단을 위한 1차 검사인 혈액검사와 조직 검사를 통해 생성되는 결과는 혈중 PSA 농도, 글리슨 스코어, 글리스 스코어로 산정된 글리슨 등급, 조직 검사를 위해 추출한 전립선 생검 코어 수, 전립선암으로 판정된 양성 코어 수, 전체 생검 코어 수에서 양성 코어 비율인 전립선암 코어 양성율과 같은 병리학적 정보를 포함하고 있다.
또한, 전립선암으로 진단받은 환자는 전립선암 진행 정도를 임상적으로 판단하기 위하여 MRI, CT, 뼈 스캔(bone scan)과 같은 영상검사를 2차로 시행하고, 해당 결과를 바탕으로 전립선암의 T 병기(T1 a,b,c 등)와 림프절 전이 여부를 전문의의 의해 임상적으로 판단할 수 있다. 즉, 전립선암 치료계획을 수립하는데 필수적인 임상 정보가 생성된다.
한편, 전립선암의 진단을 확률이나 인공지능 기법을 이용하여 추정하는 기술들이 제시되고 있다[특허문헌 1,2].
그러나 현재의 진료환경에서 전립선암으로 진단받은 환자는 암 진단 시점에 즉시 본인의 치료 계획을 의료진으로부터 즉시 제공받지 못하고, 2차 검사인 고가의 영상검사를 시행하고 그 결과가 나올 때까지 오랜 시간을 기다려야 한다. 또한, 2차 진단 과정은 비용과 시간이 많이 소요된다.
따라서 2차 진단 결과가 나오기 전까지 과정에서, 초기에 전립선암을 치료할 수 있는 계획을 수립하는 기술이 필요하다.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 1차 검사에 의해 획득된 검진 데이터를 수집하고, 수집된 1차 결과로 전립선암 T 병기 및 림프절 전이 여부 등 2차 데이터를 예측하고, 1차 검진 데이터와 예측된 2차 데이터를 활용하여 전립선암 환자의 초기 치료 계획을 로직에 따라 자동으로 수립하는, 예측 데이터를 이용한 전립선암 치료 계획 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 예측 데이터를 이용한 전립선암 치료 계획 시스템에 관한 것으로서, 과거 환자들에 대한 인구사회학적 정보와 병리 정보로 구성된 표본 정보를 수집하는 표본정보 수집부; 환자에 대해 진단되어 생성된 1차 검사 결과와 환자의 인구사회학적 정보를 수집하는 1차데이터 수집부; 상기 표본정보에 의해 학습된 기계학습 모델에, 환자의 1차 검사 결과와 인구사회학적 정보를 적용하여, 해당 환자의 2차 검사 데이터를 추정하는 2차데이터 예측부; 1차 검사 결과와, 추정된 2차 검사 데이터(이하 2차 검사예측 데이터)를 이용하여, 해당 환자에 대해 위험군을 분류하는 위험군 분류부; 및, 환자의 위험군 및 상기 2차 검사예측 데이터에 따라 치료 계획을 수립하는 치료계획 수립부를 포함하는 것을 특징으로 한다.
또, 본 발명은 예측 데이터를 이용한 전립선암 치료 계획 시스템에 있어서, 상기 1차 검사 결과 데이터는 혈중 PSA 농도, 글리슨 스코어, 글리슨 스코어로 산정된 글리슨 등급, 조직 검사를 위해 추출한 전립선 생검 코어 수, 전립선암으로 판정된 양성 코어 수, 전체 생검 코어 수에서 양성 코어 비율인 전립선암 코어 양성율를 포함하는 것을 특징으로 한다.
또, 본 발명은 예측 데이터를 이용한 전립선암 치료 계획 시스템에 있어서, 상기 병리정보는 혈액검사 및 조직검사 결과, 수술 후 확진된 전립선암 악성도 및 전이 지수로 구성되고, 상기 2차데이터 예측부는 상기 표본정보 중 전립선암 악성도 및 전이 지수를 라벨 값으로 활용하여 상기 기계학습 모델을 학습시키는 것을 특징으로 한다.
또, 본 발명은 예측 데이터를 이용한 전립선암 치료 계획 시스템에 있어서, 상기 위험군 분류부는 사전에 정해진 규칙에 의하여 위험군을 분류하되, 1차 검사 결과 항목과, 2차 검사예측 데이터 항목의 수치에 의해 분류하고, 각 검사 항목의 결과 값에 의해 위험군을 분류되는 규칙을 사전에 정의하여 저장하고, 사전에 정해진 분류 규칙에 의하여, 검사 항목의 결과값을 입력하면, 해당 환자의 위험군의 분류를 획득하고, 분류 규칙은 변수와 수치의 비교 수식으로 구성되는 조건식이고, 해당 조건식이 참인 경우 해당 위험군으로 분류되고, 변수는 1차 검사 항목과, 2차 검사 데이터의 항목으로 구성되고, 수치는 해당 항목들의 수치 또는 범위로 구성되는 것을 특징으로 한다.
또, 본 발명은 예측 데이터를 이용한 전립선암 치료 계획 시스템에 있어서, 상기 치료계획 수립부는 사전에 수립된 다수의 치료계획을 보유하고, 위험군, 2차 검사예측 데이터에 의한 조건식을 사전에 정의하고, 각 조건식을 만족하면 할당될 치료계획을 매칭시켜 놓고, 해당 환자의 각 변수의 결과값이 조건식을 만족하면, 매칭된 치료계획을 해당 환자의 치료계획으로 확정하여 수립하는 것을 특징으로 한다.
또, 본 발명은 예측 데이터를 이용한 전립선암 치료 계획 시스템에 있어서, 상기 악성도 및 전이지수는 전립선암의 악성도(T 병기) 지수, 주변기관 전이 지수(ECE, SVI), 림프절 전이 지수로 구성되는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 예측 데이터를 이용한 전립선암 치료 계획 시스템에 의하면, 1차 검진 데이터만으로 전립선암의 초기 치료 계획을 수립함으로써, 1차 검진에 따라 바로 치료를 시작하여 전립선암이 전이 확산되는 것을 조기에 차단할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템에 대한 구성도.
도 2는 본 발명의 일실시예에 따른 예측 데이터를 이용한 전립선암 치료 계획 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 인구사회학적 정보를 기반으로 하는 병리 표본 데이터를 나타낸 표.
도 4은 본 발명의 일실시예에 따른 위험군의 분류 기준을 나타낸 표.
도 5는 본 발명의 일실시예에 따른 좋은 위험군 분류인 경우의 계획 수립 과정을 나타낸 흐름도.
도 6는 본 발명의 일실시예에 따른 나쁜 위험군 분류인 경우의 계획 수립 과정을 나타낸 흐름도.
도 2는 본 발명의 일실시예에 따른 예측 데이터를 이용한 전립선암 치료 계획 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 인구사회학적 정보를 기반으로 하는 병리 표본 데이터를 나타낸 표.
도 4은 본 발명의 일실시예에 따른 위험군의 분류 기준을 나타낸 표.
도 5는 본 발명의 일실시예에 따른 좋은 위험군 분류인 경우의 계획 수립 과정을 나타낸 흐름도.
도 6는 본 발명의 일실시예에 따른 나쁜 위험군 분류인 경우의 계획 수립 과정을 나타낸 흐름도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 구성을 도 1을 참조하여 설명한다.
도 1(a)에서 보는 바와 같이, 본 발명에 따른 예측 데이터를 이용한 전립선암 치료 계획 시스템(이하 치료계획 시스템)은 검진 데이터를 입력받아 전립선암의 치료 계획을 수립하는, 컴퓨터 단말(10) 상의 프로그램 시스템으로 실시될 수 있다.
즉, 치료계획 시스템(30)은 PC, 스마트폰, 태플릿PC 등 컴퓨터 단말(10) 상의 프로그램 시스템으로 실시될 수 있다. 특히, 상기 치료계획 시스템은 프로그램 시스템 또는 모바일 어플리케이션(또는 어플, 앱)으로 구성되어, 컴퓨터 단말(10)에 설치되어 실행될 수 있다. 치료계획 시스템(30)은 컴퓨터 단말(10)의 하드웨어 또는 소프트웨어 자원을 이용하여, 검진 데이터를 입력받아 전립선암의 치료 계획을 수립하는 서비스를 제공한다.
또한, 다른 실시예로서, 도 1(b)에서 보는 바와 같이, 상기 치료계획 시스템은 컴퓨터 단말(10) 상의 치료계획 클라이언트(30a)과 치료계획 서버(30b)로 구성된 서버-클라이언트 시스템으로 구성되어 실행될 수 있다.
한편, 치료계획 클라이언트(30a)과 치료계획 서버(30b)는 통상의 클라이언트와 서버의 구성 방법에 따라 구현될 수 있다. 즉, 전체 시스템의 기능들을 클라이언트의 성능이나 서버와 통신량 등에 따라 분담될 수 있다. 이하에서는 치료계획 시스템으로 설명하나, 서버-클라이언트의 구성 방법에 따라 다양한 분담 형태로 구현될 수 있다.
다음으로, 본 발명의 일실시예에 따른 예측 데이터를 이용한 전립선암 치료 계획 시스템의 구성에 대하여 도 2를 참조하여 설명한다.
도 2에서 보는 바와 같이, 본 발명의 일실시예에 따른 예측 데이터를 이용한 전립선암 치료 계획 시스템(300)은 1차 검사 결과를 수집하는 1차결과 수집부(31), 2차 검사 데이터를 예측하는 2차데이터 예측부(32), 환자를 위험군으로 분류하는 위험군 분류부(33), 환자의 기대 여명을 수집하는 기대여명 수집부(34), 및, 환자의 치료 계획을 수립하는 치료계획 수립부(35)를 포함한다. 또한, 추가적으로, 1차 검사 결과에 의한 과거 환자들의 인구사회학적 정보를 수집하는 표본정보 수집부(36)를 더 포함하여 구성된다.
또한, 데이터베이스나 저장매체 등 데이터를 저장하기 위한 데이터베이스(40)를 더 포함하되, 데이터베이스(40)는 1차 검사 결과를 저장하는 1차결과DB(41), 예측된 2차 검사 데이터를 저장하는 2차예측DB(42), 및, 과거 환자들에 대한 1차 검사 결과에 따른 암진단 결과 등을 통계 분석한 인구사회학적 정보DB(43)로 구성된다. 데이터베이스(40)의 상기 구성은 일례이며, 데이터베이스 구축 이론 등에 의해 다양하게 구축될 수 있다.
먼저, 표본정보 수집부(36)는 과거 환자들에 대한 인구사회학적 정보와 병리 정보 등 표본 정보를 수집한다.
도 3에서 보는 바와 같이, 인구사회학적 정보는 각 환자의 나이, 신장, 결혼 여부, 교육 수준, 흡연 여부, 음주 여부, 가족력 등으로 구성된다. 즉, 인구사회학적 정보는 환자의 생체 정보, 습관, 과거력 등 개인 속성을 나타내는 정보를 말한다.
또한, 병리정보는 혈액검사, 조직검사, 전립선암 악성도 및 전이 지수로 구성된다.
혈액검사 및 조직검사는 전립선암의 1차 검사 결과에 의해 얻어진다. PSA 수치 등은 혈액검사에 의해 측정된다. 글리슨 등급, 양성 코어 수나 비율 등은 조직검사에 의해 진단된다.
또한, 전립선암 악성도 및 전이 지수는 T병기 등 악성도를 나타내는 악성도 지수와, ECE(Extracapsular extension), SVI(Seminal vesicle invasion), 림프절 전이(lymph node metastasis) 등 암 전이 상태를 나타내는 전이 지수로 구성된다.
특히, 전립선암 악성도 및 전이 지수는 수술 후 확진된 결과에 의해 얻어진다. 즉, 수술에 의해 적출된 전립선을 직접 검사하여 악성도 및 전이 지수가 진단된다. 일반적으로, 수술전에는, 의료진이 MRI, CT, 뼈 스캔(bone scan)과 같은 영상검사를 수행하고, 영상 결과를 분석하여 전립선암 악성도 및 전이지수의 소견을 진단한다. 즉, 수술전의 전립선암 악성도 및 전이지수(2차 검사 결과)는 의사에 의해 추정된 소견이다. 표본 정보는 이러한 의사의 소견 데이터가 아니라, 수술 후 확진되는 결과 데이터로 구성된다.
한편, 표본 정보는 병리정보를 인구사회학적 정보에 의해 식별(분류)되는 정보이다. 즉, 병리 정보가 환자에 의해 식별되지 않고, 환자의 나이, 신장, 결혼 여부, 교육 수준 등 인구사회학적 구분 정보에 의해 식별되거나 수집된다. 예를 들어, 홍길동의 병리정보로 수집되는 것이 아니라, < 52세, 168cm, 결혼 등 > 인적 정보를 가지는 환자의 병리정보로 수집된다.
다음으로, 1차결과 수집부(31)는 환자에 대해 진단되어 생성된 1차 검사 결과를 수집한다. 또한, 1차결과 수집부(31)는 환자의 인구사회학적 정보도 수집한다.
1차 검사 결과는 환자의 병리학적 데이터로서, 혈액검사 또는 조직검사에 의해 획득된다. 바람직하게는, 1차 검사 결과는 혈중 PSA 농도, 글리슨 스코어, 글리슨 스코어로 산정된 글리슨 등급, 조직 검사를 위해 추출한 전립선 생검 코어 수, 전립선암으로 판정된 양성 코어 수, 전체 생검 코어 수에서 양성 코어 비율인 전립선암 코어 양성율 등으로 구성된다.
PSA(Prostate-specific antigen)는 전립선 특이항원이며, PSA 수치에 의해 그 값이 높으면 전립선암이 남아 있다고 간주할 수 있는 병리학적 데이터이다. 또한, 글리슨 스코어는 전립선에 대한 조직검사를 시행하여 전립선암으로 진단될 때, 세포의 악성도를 나타내는 점수이고, 글리슨 등급은 이를 5단계로 구분한 등급이다. 주로 전립선내 12곳 이상의 조직검사를 시행하여 이 중에서 가장 흔한 두 점수를 합하여서 최종 글리슨 스코어(Gleason Score)를 정하고, 글리슨 스코어가 높을수록 종양의 악성도도 높아진다고 할 수 있다.
또한, 1차결과 수집부(31)는 환자의 인구사회학적 정보를 수집한다. 바람직하게는, 인구사회학적 정보는 각 환자의 나이, 신장, 결혼 여부, 교육 수준, 흡연 여부, 음주 여부, 가족력 등으로 구성된다. 즉, 인구사회학적 정보는 환자의 생체 정보(나이, 신장, 체중), 습관(결혼여부, 교육수준, 흡연, 음주), 과거력(과거력, 가족력) 등으로 구성된다. 인구사회학적 정보는 문진이나 계측기 등에 의해 수집된다.
다음으로, 2차데이터 예측부(32)는 환자의 1차 검사 결과를 이용하여, 해당 환자의 2차 검사 데이터(이하 2차 검사예측 데이터)를 예측(추정)한다.
2차 검사예측 데이터는 전립선암의 T 병기(T1 a,b,c 등)와 림프절 전이 여부로 구성된다. T 병기(Tumor Stage)는 종양의 크기 또는 상태의 정도 등을 나타내는 분류 체계이다. 또한, 림프절 전이 여부는 종량이 림프절 까지 전이된지 여부를 나타낸다.
한편, 2차데이터 예측부(32)는 신경망 등 기계학습 모델을 이용하여 추정하되, 1차 검사 결과를 기계학습 모델에 적용하여 2차 검사예측 데이터를 추정한다.
신경망 등 기계학습 모델은 표본 정보를 이용하여 훈련(트레이닝)된다. 즉, 입력 변수(입력 값)는 인구사회학적 정보, 혈액검사 및 조직검사이고, 출력 변수(라벨 값)는 전립선암의 악성도 및 전이 지수로 구성된다. 즉, 수술 후 확진된 전립선암의 악성도 및 전이 지수가 트레이닝 데이터의 라벨 값이 된다. 바람직하게는, 출력 값인 악성도 및 전이지수는 전립선암의 T병기, 주변기관 전이(ECE, SVI) 지수, 림프절 전이 지수 등으로 구성된다.
따라서 훈련된 기계학습 모델은 인구사회학적 정보와 혈액/조직 검사를 입력받으면, 전립선암의 악성도 및 전이 지수를 추정하여 출력시킨다.
따라서 2차데이터 예측부(32)는 해당 환자의 인구사회학적 정보와, 1차 검사 결과(혈액/조직 검사 결과) 데이터를 기계학습 모델에 적용하고, 기계학습 모델의 결과 값을 획득한다. 이때, 획득되는 모델의 결과값은 전립선암의 악성도(T 병기) 지수 추정값, 주변 전이(ECE, SVI) 지수의 추정값, 림프절 전이 추정값이다.
다음으로, 위험군 분류부(33)는 1차 검사 결과와, 2차 검사예측 데이터를 이용하여, 해당 환자에 대해 위험군을 분류한다. 특히, 위험군 분류부(33)는 사전에 정해진 규칙에 의하여 위험군을 분류한다. 특히, 2차 검사예측 데이터로서, 기계학습 모델에 의해 추정된 T 병기 데이터를 이용한다.
도 4의 규칙 예에서 보는 바와 같이, 위험군은 1차 검사 결과 항목과, 2차 검사예측 데이터 항목의 수치에 의해 분류된다. 바람직하게는, 환자의 예측된 환자의 T 병기, PSA 수치, 글리슨 등급, 양성 코어 수, 코어 양성률에 의해, 환자의 위험군이 분류된다. 도 4는 하나의 예시이며, 앞서 1차 검사 결과와, 2차 검사예측 데이터의 다른 종류의 데이터를 활용할 수 있다.
즉, 위험군 분류에 이용되는 1차 검사 항목은 직장수지검사(DRE), PSA 농도, 글리슨 등급 등이다. 또한, 기대 여명도 이용된다.
또한, 위험군 분류에 이용되는 2차 검사 항목은 전립선암의 악성도 및 전이 지수이다. 바람직하게는, 악성도(T병기), 주변기관 전이, 림프절 전이 여부 등이다.
위험군 분류부(33)는 각 검사 항목의 결과 값에 의해 위험군을 분류되는 규칙을 사전에 정의하여 저장하고, 사전에 정해진 분류 규칙(분류 로직)에 의하여, 검사 항목의 결과값을 입력하면, 해당 환자의 위험군의 분류를 획득할 수 있다. 즉, 분류 규칙은 변수와 수치의 비교 수식으로 구성되는 조건식이고, 해당 조건식이 참인 경우 해당 위험군으로 분류된다. 이때, 변수는 1차 검사 항목과, 2차 검사 데이터의 항목으로 구성되고, 수치는 해당 항목들의 수치 또는 범위로 구성된다.
다음으로, 기대여명 수집부(34)는 환자의 기대여명을 수집한다.
기대여명은 현재 나이 기준으로 예상되는 남은 수명을 말한다. 바람직하게는, 통계청 등 기관에서 제공하는 데이터를 활용한다. 기대여명은 통계청 등에서 정기적으로 발표하는 데이터이다.
즉, 남은 수명이 얼마 안되면 병세가 심해도 치료를 권하지 않는 임상적 판단에 사용된다.
다음으로, 치료계획 수립부(35)는 환자의 위험군 분류에 따라, 해당 환자의 초기 치료 계획을 수립하되, 예측된 2차 검사 데이터를 이용하여 치료 계획을 수립한다.
특히 치료계획 수립부(35)는 환자의 위험군 분류, 기대 여명, 림프절 전이 예측 결과를 이용하여 치료 계획을 수립한다. 즉, 각 위험군에 따라 기대 여명과 림프절 전이 예측 결과를 각각 해당 기준치와 대비하고, 대비 결과에 따른 조합에 따라 각각 초기 계획을 사전에 수립해두고, 해당 환자의 대비 결과 조합에 의해 해당 조합의 초기 계획을 해당 환자의 초기 계획으로 수립한다.
다시 말하면, 치료계획 수립부(35)는 사전에 수립된 다수의 치료계획을 보유하고, 위험군, 기대 여명, 림프절 전이 지수에 의한 조건식을 사전에 정의하고, 각 조건식을 만족하면 할당될 치료계획을 매칭시켜 놓는다. 그리고 해당 환자의 각 변수의 결과값이 조건식을 만족하면, 매칭된 치료계획을 해당 환자의 치료계획으로 확정(수립)한다.
도 5나 도 6의 예에서, 먼저, 제1, 제2, 제3 치료계획을 사전에 수립해둔다.
도 5와 같이, 환자의 위험군이 "좋은(favorable) 중간 위험군"에 속하는 경우(S31), 환자의 기대 여명이 사전에 정해진 제1 기준치를 대비하고(S32), 기준치 이상이면 림프절 전이 결과를 제2 기준치와 대비한다(S33). 즉, 림프절 전이 결과에 따라 달리 계획을 수립한다. 그리고 기준치 미만이면 제3 계획으로 수립한다(S36).
또한, 환자의 기대 여명이 제1 기준치 이상이고 림프절 전이가 사전에 정해진 제2 기준치 이상이면 제1 계획으로 수립하고(S34), 상기 제2 기준치 미만이면 제2 계획으로 수립한다(S35).
또한, 도 6와 같이, 환자의 위험군이 "나쁜(unfavorable) 중간 위험군"에 속하는 경우(S41), 환자의 기대 여명이 사전에 정해진 제1 기준치를 대비하고(S42), 기준치 이상이면 림프절 전이 결과를 제2 기준치와 대비한다(S43). 즉, 림프절 전이 결과에 따라 달리 계획을 수립한다. 그리고 기준치 미만이면 제6 계획으로 수립한다(S46).
또한, 환자의 기대 여명이 제1 기준치 이상이고 림프절 전이가 사전에 정해진 제2 기준치 이상이면 제4 계획으로 수립하고(S44), 상기 제2 기준치 미만이면 제5 계획으로 수립한다(S45).
즉, 각각의 중간위험군의 초기 치료계획은 환자의 기대여명과 림프절 전이 여부에 따라 달리 산출된다.
본 발명에 따른 시스템은 1차 검사에서는 확인할 수 없는 림프절 전이를 림프절 전이 예측 규칙을 통하여 예측함으로써 중간위험군의 치료계획을 조기에 수립할 수 있다. 또한, 림프절 전이 예측 결과를 중간위험군 분류 규칙에 적용하여 환자의 기대여명과 전이확률 기준치 초과 여부에 따라 전립선암의 중간위험군에 대한 초기 치료계획이 자동으로 산출될 수 있다.
중간 위험군을 제외한 나머지(초저위험군, 저위험군, 고위험군 등)에 대해서도 초기치료계획이 위험군마다 사전에 설정된다. 즉, 전립선암의 위험군에 따라 치료계획은 사전에 설정된다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 컴퓨터 단말 20 : 치료계획 클라이언트
30 : 치료계획 서버 31 : 1차결과 수집부
32 : 2차데이터 예측부 33 : 위험군 분류부
34 : 기대여명 수집부 35 : 치료계획 수립부
36 : 표본정보 수집부
40 : 데이터베이스 41 : 1차결과DB
42 : 2차예측DB 43 : 인구사회학적 정보DB
80 : 네트워크
30 : 치료계획 서버 31 : 1차결과 수집부
32 : 2차데이터 예측부 33 : 위험군 분류부
34 : 기대여명 수집부 35 : 치료계획 수립부
36 : 표본정보 수집부
40 : 데이터베이스 41 : 1차결과DB
42 : 2차예측DB 43 : 인구사회학적 정보DB
80 : 네트워크
Claims (6)
- 예측 데이터를 이용한 전립선암 치료 계획 시스템에 있어서,
과거 환자들에 대한 인구사회학적 정보와 병리 정보로 구성된 표본 정보를 수집하는 표본정보 수집부;
환자에 대해 진단되어 생성된 1차 검사 결과와 환자의 인구사회학적 정보를 수집하는 1차데이터 수집부;
상기 표본정보에 의해 학습된 기계학습 모델에, 환자의 1차 검사 결과와 인구사회학적 정보를 적용하여, 해당 환자의 2차 검사 데이터를 추정하는 2차데이터 예측부;
1차 검사 결과와, 추정된 2차 검사 데이터(이하 2차 검사예측 데이터)를 이용하여, 해당 환자에 대해 위험군을 분류하는 위험군 분류부; 및,
환자의 위험군 및 상기 2차 검사예측 데이터에 따라 치료 계획을 수립하는 치료계획 수립부를 포함하고,
상기 기계학습 모델은 인구사회학적 정보, 혈액 검사 및 조직검사 결과를 입력 변수로 하고, 전립선암의 악성도 및 전이 지수를 출력 변수로 하는 신경망인 것을 특징으로 하는 예측 데이터를 이용한 전립선암 치료 계획 시스템.
- 제1항에 있어서,
상기 1차 검사 결과 데이터는 혈중 PSA 농도, 글리슨 스코어, 글리슨 스코어로 산정된 글리슨 등급, 조직 검사를 위해 추출한 전립선 생검 코어 수, 전립선암으로 판정된 양성 코어 수, 전체 생검 코어 수에서 양성 코어 비율인 전립선암 코어 양성율를 포함하는 것을 특징으로 하는 예측 데이터를 이용한 전립선암 치료 계획 시스템.
- 제1항에 있어서,
상기 병리정보는 혈액검사 및 조직검사 결과, 수술 후 확진된 전립선암 악성도 및 전이 지수로 구성되고,
상기 2차데이터 예측부는 상기 표본정보 중 전립선암 악성도 및 전이 지수를 라벨 값으로 활용하여 상기 기계학습 모델을 학습시키는 것을 특징으로 하는 예측 데이터를 이용한 전립선암 치료 계획 시스템.
- 제1항에 있어서,
상기 위험군 분류부는 사전에 정해진 규칙에 의하여 위험군을 분류하되, 1차 검사 결과 항목과, 2차 검사예측 데이터 항목의 수치에 의해 분류하고, 각 검사 항목의 결과 값에 의해 위험군을 분류되는 규칙을 사전에 정의하여 저장하고, 사전에 정해진 분류 규칙에 의하여, 검사 항목의 결과값을 입력하면, 해당 환자의 위험군의 분류를 획득하고, 분류 규칙은 변수와 수치의 비교 수식으로 구성되는 조건식이고, 해당 조건식이 참인 경우 해당 위험군으로 분류되고, 변수는 1차 검사 항목과, 2차 검사 데이터의 항목으로 구성되고, 수치는 해당 항목들의 수치 또는 범위로 구성되는 것을 특징으로 하는 예측 데이터를 이용한 전립선암 치료 계획 시스템.
- 제1항에 있어서,
상기 치료계획 수립부는 사전에 수립된 적어도 하나의 치료계획을 보유하고, 위험군, 2차 검사예측 데이터에 의한 조건식을 사전에 정의하고, 각 조건식을 만족하면 할당될 치료계획을 매칭시켜 놓고, 해당 환자의 각 변수의 결과값이 조건식을 만족하면, 매칭된 치료계획을 해당 환자의 치료계획으로 확정하여 수립하는 것을 특징으로 하는 예측 데이터를 이용한 전립선암 치료 계획 시스템.
- 제3항에 있어서,
상기 악성도 및 전이지수는 전립선암의 T 병기 지수, 주변기관 전이 지수, 림프절 전이 지수로 구성되는 것을 특징으로 하는 예측 데이터를 이용한 전립선암 치료 계획 시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190176815 | 2019-12-27 | ||
| KR20190176815 | 2019-12-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210084215A KR20210084215A (ko) | 2021-07-07 |
| KR102496026B1 true KR102496026B1 (ko) | 2023-02-06 |
Family
ID=76862374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200108800A KR102496026B1 (ko) | 2019-12-27 | 2020-08-27 | 예측 데이터를 이용한 전립선암 치료 계획 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102496026B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101018665B1 (ko) | 2008-08-18 | 2011-03-04 | 재단법인서울대학교산학협력재단 | 전립선암 진단 방법 및 장치 |
| JP2018113042A (ja) | 2017-01-12 | 2018-07-19 | 株式会社ＡｎｃｉｅｎｔＴｒｅｅ | 検査データの予測、記録、比較装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101940807B1 (ko) * | 2015-11-23 | 2019-01-23 | 한국전자통신연구원 | 건강 관리 장치 및 그것의 미래 건강 예측 방법 |
| KR102484530B1 (ko) * | 2016-10-27 | 2023-01-06 | 가톨릭대학교 산학협력단 | 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법 |
| KR102142754B1 (ko) | 2018-03-21 | 2020-08-07 | 가톨릭대학교 산학협력단 | 딥러닝 기반의 전립선암 병리학적 단계 예측 방법 |
-
2020
- 2020-08-27 KR KR1020200108800A patent/KR102496026B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101018665B1 (ko) | 2008-08-18 | 2011-03-04 | 재단법인서울대학교산학협력재단 | 전립선암 진단 방법 및 장치 |
| JP2018113042A (ja) | 2017-01-12 | 2018-07-19 | 株式会社ＡｎｃｉｅｎｔＴｒｅｅ | 検査データの予測、記録、比較装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210084215A (ko) | 2021-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ström et al. | Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study | |
| Johansson et al. | Screening for reducing morbidity and mortality in malignant melanoma | |
| Tice et al. | Using clinical factors and mammographic breast density to estimate breast cancer risk: development and validation of a new predictive model | |
| US9858389B2 (en) | Method and system for determining the risk of occurrence of prostate cancer | |
| Howard et al. | Women's decision making about risk‐reducing strategies in the context of hereditary breast and ovarian cancer: a systematic review | |
| CN101689220A (zh) | 用于治疗、诊断和预测医学病症发生的系统和方法 | |
| Hang et al. | Digital image analysis supports a nuclear‐to‐cytoplasmic ratio cutoff value of 0.5 for atypical urothelial cells | |
| Dano et al. | Interobserver variability in upfront dichotomous histopathological assessment of ductal carcinoma in situ of the breast: the DCISion study | |
| Afolayan et al. | Breast cancer detection using particle swarm optimization and decision tree machine learning technique | |
| Song et al. | Utility of artificial intelligence with deep learning of hematoxylin and eosin-stained whole slide images to predict lymph node metastasis in T1 colorectal cancer using endoscopically resected specimens; prediction of lymph node metastasis in T1 colorectal cancer | |
| Bangma et al. | Defining and predicting indolent and low risk prostate cancer | |
| Truesdale et al. | Gleason score concordance on biopsy‐confirmed prostate cancer: is pathological re‐evaluation necessary prior to radical prostatectomy? | |
| Pinsky et al. | Repeat prostate biopsy in the prostate, lung, colorectal and ovarian cancer screening trial | |
| KR102496026B1 (ko) | 예측 데이터를 이용한 전립선암 치료 계획 시스템 | |
| Mueller et al. | Subgroup discovery for test selection: a novel approach and its application to breast cancer diagnosis | |
| Langham et al. | Predicting risk of dementia with machine learning and survival models using routine primary care records | |
| Noone et al. | Machine Learning Methods to Identify Missed Cases of Bladder Cancer in Population-Based Registries | |
| Baboudjian et al. | Expanding inclusion criteria for active surveillance in intermediate-risk prostate cancer: a machine learning approach | |
| Murante et al. | Catching and monitoring clinical innovation through performance indicators. The case of the breast-conserving surgery indicator | |
| Zammit et al. | In comparison with polypectomy, colorectal resection is associated with improved survival for patients diagnosed with malignant polyps | |
| Freeman et al. | Use of artificial intelligence for mammographic image analysis in breast cancer screening | |
| Arathi et al. | A cascaded feature extraction for diagnosis of ovarian cancer in CT images | |
| Hudson | A Partially Observable Markov Decision Process for Breast Cancer Screening | |
| Cai et al. | Prediction of post-operative acute pancreatitis in children with pancreaticobiliary maljunction using machine learning model | |
| Huang et al. | The value of data for prediction policy problems: Evidence from antibiotic prescribing |
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 |