KR102600668B1 - 질병예측방법 및 그 장치 - Google Patents
질병예측방법 및 그 장치 Download PDFInfo
- Publication number
- KR102600668B1 KR102600668B1 KR1020220159560A KR20220159560A KR102600668B1 KR 102600668 B1 KR102600668 B1 KR 102600668B1 KR 1020220159560 A KR1020220159560 A KR 1020220159560A KR 20220159560 A KR20220159560 A KR 20220159560A KR 102600668 B1 KR102600668 B1 KR 102600668B1
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- clinical information
- disease prediction
- artificial intelligence
- quantitative data
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 119
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000003484 anatomy Anatomy 0.000 claims abstract description 63
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 49
- 201000007270 liver cancer Diseases 0.000 claims description 15
- 208000014018 liver neoplasm Diseases 0.000 claims description 15
- 210000004185 liver Anatomy 0.000 claims description 8
- 210000000952 spleen Anatomy 0.000 claims description 6
- 238000009534 blood test Methods 0.000 claims description 5
- 210000003205 muscle Anatomy 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 5
- 206010003226 Arteriovenous fistula Diseases 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000003443 antiviral agent Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 238000002591 computed tomography Methods 0.000 description 6
- 208000000419 Chronic Hepatitis B Diseases 0.000 description 4
- 208000002672 hepatitis B Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 102000009027 Albumins Human genes 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 241000700721 Hepatitis B virus Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 108010003533 Viral Envelope Proteins Proteins 0.000 description 1
- 235000004279 alanine Nutrition 0.000 description 1
- -1 alanine amino acid Chemical class 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
질병예측방법 및 그 장치가 개시된다. 질병예측장치는 의료영상 및 임상정보를 입력받고, 의료영상으로부터 적어도 하나 이상의 해부학적 구조물의 부피를 포함하는 정량적 데이터를 파악하고, 임상정보와 정량적 데이터를 기반으로 질병을 예측한다. 해부학적 구조물의 파악과 질병의 예측에는 각각 인공지능모델이 사용될 수 있다.
Description
본 발명의 실시 예는 질병을 예측하는 방법 및 그 장치에 관한 것이다.
각종 질병(예를 들어, 간암, 폐암, 폐렴, 당뇨병 등)은 혈액검사나 CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 촬영을 통해 진단한다. 그러나 질병이 발생하기 전이면 환자의 식습관이나 여러 기저 질환 등을 통해 특정 질병의 발생 가능성을 단순히 유추할 수 있을 뿐이다. 예를 들어, 만성 B형 간염 환자의 경우에 간암 발생 가능성이 일반인에 비해 높으나 환자별 실제 간암 발생 확률을 정확하게 예측하기는 힘들다. 또한 간암 치료를 받은 환자를 대상으로 이후 간암이 재발할지 여부를 정확하게 예측하기 힘들다.
본 발명의 실시 예가 이루고자 하는 기술적 과제는, 영상과 임상정보를 기반으로 질병 발생 전에 질병의 발생 가능성을 예측하여 제공할 수 있는 질병예측방법 및 그 장치를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 질병예측방법의 일 예는, 의료영상 및 임상정보를 입력받는 단계; 상기 의료영상으로부터 적어도 하나 이상의 해부학적 구조물(anatomical structure)의 부피를 포함하는 정량적 데이터를 파악하는 단계; 및 상기 임상정보와 상기 정량적 데이터를 기반으로 질병을 예측하는 단계;를 포함한다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 질병예측장치의 일 예는, 의료영상 및 임상정보를 입력받는 수신부; 상기 의료영상으로부터 적어도 하나 이상의 해부학적 구조물의 부피를 포함하는 정량적 데이터를 파악하는 정량분석부; 및 상기 임상정보와 상기 정량적 데이터를 기반으로 질병을 예측하는 예측부;를 포함한다.
본 발명의 실시 예에 따르면, 의료영상과 임상정보를 함께 이용하여 질병 발생 예측의 정확도를 높일 수 있다. 예를 들어, 만성 B형 간염 환자를 대상으로 간암 발생 가능성을 예측하여 제공하거나, 간암 치료를 받은 환자를 대상으로 재발 가능성을 예측하여 제공할 수 있다.
도 1은 본 발명의 실시 예에 따른 질병예측장치의 일 예를 도시한 도면,
도 2는 본 발명의 실시 예에 따른 질병예측방법의 일 예를 도시한 흐름도,
도 3은 본 발명의 실시 예에 따른 제1 인공지능모델을 통해 해부학적 구조물을 분할하는 방법의 일 예를 도시한 도면,
도 4는 본 발명의 실시 예에 따른 제2 인공지능모델을 통해 질병을 예측하는 방법의 일 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 질병 예측 방법에 사용되는 해부학적 구조물과 임상정보의 예를 도시한 도면,
도 6은 본 발명의 실시 예에 따른 제1 인공지능모델을 통해 해부학적 구조물을 분할한 결과 화면의 일 예를 도시한 도면,
도 7은 본 발명의 실시 예에 따른 질병 예측에 사용되는 임상정보를 확인할 수 있는 화면의 일 예를 도시한 도면,
도 8은 본 발명의 실시 예에 따른 질병 예측 결과의 출력 화면의 일 예를 도시한 도면, 그리고,
도 9는 본 발명의 실시 예에 따른 질병예측장치의 일 예의 구성을 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 질병예측방법의 일 예를 도시한 흐름도,
도 3은 본 발명의 실시 예에 따른 제1 인공지능모델을 통해 해부학적 구조물을 분할하는 방법의 일 예를 도시한 도면,
도 4는 본 발명의 실시 예에 따른 제2 인공지능모델을 통해 질병을 예측하는 방법의 일 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 질병 예측 방법에 사용되는 해부학적 구조물과 임상정보의 예를 도시한 도면,
도 6은 본 발명의 실시 예에 따른 제1 인공지능모델을 통해 해부학적 구조물을 분할한 결과 화면의 일 예를 도시한 도면,
도 7은 본 발명의 실시 예에 따른 질병 예측에 사용되는 임상정보를 확인할 수 있는 화면의 일 예를 도시한 도면,
도 8은 본 발명의 실시 예에 따른 질병 예측 결과의 출력 화면의 일 예를 도시한 도면, 그리고,
도 9는 본 발명의 실시 예에 따른 질병예측장치의 일 예의 구성을 도시한 도면이다.
이하에서, 첨부된 도면들을 참조하여 본 발명의 실시 예에 따른 질병예측방법 및 그 장치에 대해 상세히 살펴본다.
도 1은 본 발명의 실시 예에 따른 질병예측장치의 일 예를 도시한 도면이다.
도 1을 참조하면, 질병예측장치(100)는 의료영상과 임상정보를 입력받으면 질병 발생 가능성을 예측하여 출력한다.
일 실시 예로, 질병예측장치(100)는 의료영상저장전송시스템(110)(PACS, Picture Archiving and Communication System)으로부터 DICOM(Digital Image and Communication in Medicine) 형식의 의료영상을 입력받을 수 있다. 의료영상은 CT 또는 MRI 등의 3차원 영상일 수 있다.
다른 실시 예로, 질병예측장치(100)는 EMR(Electronic Medical Record) 시스템(120)으로부터 임상정보를 입력받을 수 있다. 임상정보는 EMR에 기록된 각종 정보 및/또는 혈액검사정보 등을 포함할 수 있다. 질병의 종류에 따라 질병 예측에 사용되는 임상정보의 종류는 다를 수 있으며 이에 대해서는 도 5에서 다시 살펴본다.
본 실시 예는, PACS(110) 및 EMR 시스템(120)으로부터 의료영상 및 임상정보를 입력받는 예를 도시하고 있으나 이는 하나의 예일 뿐 사용자단말(130)을 통해 의료영상 및 임상정보를 입력받거나 또는 질병예측장치(100)에 존재하는 다양한 종류의 인터페이스를 통해 사용자로부터 직접 의료영상 및 임상정보를 입력받을 수 있다. 다만 이하에서는 설명의 편의를 위하여 PACS(110) 및 EMR 시스템(120)으로부터 의료영상 및 임상정보를 입력받는 경우를 가정하여 설명한다.
도 2는 본 발명의 실시 예에 따른 질병예측방법의 일 예를 도시한 흐름도이다.
도 2를 참조하면, 질병예측장치(100)는 환자의 의료영상 및 임상정보를 수신한다(S200). 예를 들어, 질병예측장치(100)는 만성 B형 간염 환자의 간암 발생을 예측하거나 근치적 간암 치료를 받은 환자의 재발 가능성 등을 예측하기 위하여 해당 환자의 흉부 CT 영상과 혈액검사 등의 임상정보(예를 들어, 간병변증(liver cirrhosis), 나이, 혈소판 수치, ETV/TDF, 성별, serum ALT, HBV DNA, 알부민, 빌루빈, HbeAg 등)를 입력받을 수 있다.
질병예측장치(100)는 의료영상으로부터 해부학적 구조물의 정량적 데이터를 파악한다(S210). 예를 들어, 간암 발생 등을 예측하고자 하는 경우에, 질병예측장치(100)는 의료영상으로부터 간(liver), 비장(spleen), 근육(muscle), 동정맥루(AVF) 등의 해부학적 구조물의 부피(volume)를 포함하는 정량적 데이터를 파악할 수 있다. 질병의 종류에 따라 질병 예측에 사용되는 해부학적 구조물의 종류는 다양할 수 있으며 이에 대해서는 도 5에서 다시 살펴본다.
일 실시 예로, 질병예측장치(100)는 딥러닝(deep learning)으로 구현된 제1 인공지능모델을 이용하여 의료영상으로부터 적어도 하나 이상의 해부학적 구조물을 분할하고, 그 분할된 해부학적 구조물의 부피 등의 정량적 데이터를 구할 수 있다. 제1 인공지능모델을 이용하여 해부학적 구조물의 정량적 데이터를 파악하는 방법에 대해서는 도 3에서 다시 살펴본다. 이 외에도, 의료영상으로부터 인체조직을 분할하는 종래의 다양한 알고리즘이 사용될 수 있으며, 제1 인공지능모델로 한정되는 것은 아니다.
질병예측장치(100)는 해부학적 구조물의 정량적 데이터와 임상정보를 기반으로 질병 발생 가능성을 예측한다(S220). 예를 들어, 질병예측장치(100)는 만성 B형 간염 환자의 간암 발행 확률 또는 근치적 암 치료를 받은 환자의 재발 확률 등을 계산하여 출력할 수 있다. 질병예측장치(100)는 머신 러닝(machine learning)으로 구현된 제2 인공지능모델을 통해 질병 발생 가능성을 파악할 수 있다. 제2 인공지능모델을 통해 질병 발생 가능성을 파악하는 구체적인 방법에 대해서는 도 4에서 다시 살펴본다.
도 3은 본 발명의 실시 예에 따른 제1 인공지능모델을 통해 해부학적 구조물을 분할하는 방법의 일 예를 도시한 도면이다.
도 3을 참조하면, 제1 인공지능모델(300)은 의료영상(310)으로부터 적어도 하나 이상의 해부학적 구조물(320)을 분할하는 인공신경망 모델이다. 예를 들어, 제1 인공지능모델(300)은 딥 러닝 기반의 CNN(Convoultional Neural Network)으로 구현될 수 있다. 제1 인공지능모델(300)은 U-Net으로 구현될 수 있다.
제1 인공지능모델(300)은 학습 과정을 통해 생성된다. 질병예측장치(100)는 의료영상(310)과 분할결과(즉, 정답지(ground truth))의 데이터셋을 포함하는 학습데이터를 이용하여 제1 인공지능모델(300)을 지도학습방법으로 훈련시킬 수 있다. 예를 들어, 질병예측장치(100)는 학습데이터의 의료영상(310)을 제1 인공지능모델(300)에 입력하여 해부학적 구조물(320)을 획득하고, 해부학적 구조물(320)과 학습데이터의 분할결과의 차이를 나타나는 손실함수의 값이 감소하도도록 제1 인공지능모델을 훈련시킬 수 있다. 인공지능모델의 훈련 그 자체는 이미 널리 알려진 방법이므로 이에 대한 추가적인 설명은 생략한다.
일 실시 예로, 제1 인공지능모델(300)은 기 정의된 적어도 하나 이상의 해부학적 구조물을 분할하는 모델일 수 있다. 예를 들어, 간암의 발생 가능성을 예측하는 경우에, 제1 인공지능모델(300)은 흉부 CT로 영상에서 3차원 간 영역을 분할하는 모델일 수 있다. 다른 예로, 제1 인공지능모델(310)은 흉부 CT 영상으로부터 간 영역, 비장 영역, 근육 영역 등 복수의 해부학적 구조물을 분할하는 모델일 수 있다.
질병예측장치(100)는 제1 인공지능모델(300)을 통해 분할한 해부학적 구조물(320)의 부피 등의 정량적 데이터를 파악한다. 질병예측장치(100)는 3차원 구조물의 부피 등을 구하는 종래의 다양한 방법을 적용하여 해부학적 구조물의 부피 등을 파악할 수 있다. 본 실시 예는 정략적 데이터의 일 예로 부피를 제시하고 있으나, 이는 하나의 예일 뿐 해부학적 구조물로부터 파악할 수 있는 다양한 정보들(예를 들어, 면적, 밀도 등)이 정략적 데이터로 함께 사용될 수 있다.
도 4는 본 발명의 실시 예에 따른 제2 인공지능모델을 통해 질병을 예측하는 방법의 일 예를 도시한 도면이다.
도 4를 참조하면, 제2 인공지능모델(400)은 해부학적 구조물의 정량적 데이터(410)와 임상정보(420)를 입력받으면 질병 예측 결과(430)를 출력하는 인공신경망 모델이다. 예를 들어, 제2 인공지능모델(400)은 머신 러닝 기반의 GBM(Gradient Boosting Machine)으로 구현될 수 있다.
제2 인공지능모델(400)은 학습 과정을 통해 생성된다. 질병예측장치(100)는 해부학적 구조물의 정량적 데이터(410), 임상정보(420), 및 질병발생여부를 나타내는 정보의 데이터셋을 포함하는 학습데이터를 이용하여 제2 인공지능모델을 훈련시킬 수 있다. 예를 들어, 질병예측장치(100)는 학습데이터의 정량적 데이터(410)와 임상정보(420)를 제2 인공지능모델(400)에 입력하여 얻은 질병 예측 결과(430)와 학습데이터의 질병발생여부를 나타내는 정보의 차이를 나타내는 손실함수를 기반으로 제2 인공지능모델(400)을 훈련시킬 수 있다. 일 예로, 손실함수는 이분형 로지스틱 회귀분석(binary logistic regression)으로 정의될 수 있다. GBM 등의 인공신경망 모델의 훈련 방법 그 자체는 이미 알려진 방법이므로 이에 대한 구체적인 설명은 생략한다.
도 5는 본 발명의 실시 예에 따른 질병 예측 방법에 사용되는 해부학적 구조물과 임상정보의 예를 도시한 도면이다.
도 5를 참조하면, 질병예측장치(100)는 적어도 하나 이상의 질병(500,502,504)의 발생 가능성(즉, 발병/재발 확률 등)을 예측할 수 있다. 각 질병(500,502,504)을 예측할 때 사용하는 해부학적 구조물 및/또는 임상정보는 서로 다를 수 있으므로, 질병예측장치(100)는 질병별 해부학적 구조물 및 임상정보의 맵핑관계를 미리 정의하여 저장할 수 있다.
일 실시 예로, 질병예측장치(100)는 제1 질병(500)과 맵핑하여 제1 해부학적 구조물(510)과 제1 임상정보(520)를 저장하고, 제2 질병(502)과 맵핑하여 제2 해부학적 구조물(512)과 제2 임상정보(522)를 저장하고, 제N 질병(504)과 맵핑하여 제N 해부학적 구조물(514)과 제N 임상정보(524)를 저장할 수 있다. 제1 내지 제N 해부학적 구조물(510,512,514)의 일부 또는 전체는 서로 동일하거나 서로 상이할 수 있다. 또한, 제1 내지 제N 임상정보(520,522,524)의 일부 또는 전체는 서로 동일하거나 서로 상이할 수 있다.
예를 들어, 제1 질병(500)이 간암인 경우에, 제1 해부학적 구조물(510)은 간과 비장, 근육을 포함하고, 제1 임상정보(520)는 나이, 성별, 항바이러스제 사용여부(ETV or TDF), 간병변증 여부(liver cirrhosis), 혈중 알부민 농도, 혈중 빌리부빈 수치, 혈중 알라닌아미노정인효소 농도, HBV DNA 수치, B형 간염 바이르서 외피항원 양성 여부 등을 포함할 수 있다.
각 질병(500,502,504)의 발생 가능성 예측에 사용되는 최적의 해부학적 구조물(510,512,514)과 최적의 임상정보(520,522,524)는 실험 등을 통해 미리 파악되어 도 5와 같이 정의될 수 있다. 일 실시 예로, 각 질병에 대한 해부학적 구조물(510,512,514)과 임상정보(520,522,524)는 추후 임상실험 결과 등에 의해 갱신될 수 있으며, 또한 새로운 질병 예측을 위한 해부학적 구조물과 임상정보가 추가 될 수 있다. 이를 위해 질병예측장치(100)는 사용자부터 질병의 종류와 그 질병의 예측에 적합한 해부학적 구조물의 종류와 임상정보의 종류를 입력받을 수 있는 사용자 인터페이스를 제공할 수 있다.
질병예측장치(100)는 사용자로부터 환자의 제2 질병(502)의 예측 요청을 수신하면, PACS(110)로부터 환자의 의료영상을 수신하고 그 의료영상으로부터 제2 해부학적 구조물(512)에 정의된 인체조직을 분할하고 정량적 데이터를 파악한다. 또한 질병예측장치(100)는 EMR 시스템(120) 등으로부터 제2 임상정보(522)에 해당하는 정보를 수신한다.
도 6은 본 발명의 실시 예에 따른 제1 인공지능모델을 통해 해부학적 구조물을 분할한 결과 화면의 일 예를 도시한 도면이다.
도 6을 참조하면, 질병예측장치(100)는 제1 인공지능모델을 통해 의료영상으로부터 분할한 해부학적 구조물을 화면(600)에 표시할 수 있다. 예를 들어, 질병예측장치(100)는 해부학적 구조물의 시상면, 관상면, 축면 영상을 표시하거나, 3차원 모델링 결과를 표시할 수 있다.
다른 실시 예로, 의료영상으로부터 복수의 해부학적 구조물이 분할된 경우에, 질병예측장치(100)는 각 해부학적 구조물을 서로 다른 색상이나 질감 등으로 함께 표시할 수 있다. 또는 질병예측장치(100)는 복수의 해부학적 구조물 중 어느 하나를 사용자가 선택할 수 있는 화면 인터페이스를 제공하고, 화면 인터페이스를 통해 사용자가 특정 해부학적 구조물을 선택하면 그 해부학적 구조물을 화면에 표시할 수 있다.
도 7은 본 발명의 실시 예에 따른 질병 예측에 사용되는 임상정보를 확인할 수 있는 화면의 일 예를 도시한 도면이다.
도 7을 참조하면, 질병예측장치(100)는 EMR 시스템(120)으로부터 질병 예측에 필요한 임상정보를 수신하여 화면 인터페이스(700)에 표시할 수 있다. 질병예측장치(100)는 화면 인터페이스(700)에 표시된 임상정보를 사용자가 수정가능하도록 할 수 있다. 다른 예로, 질병예측장치(100)는 화면 인터페이스(700)를 통해 사용자로부터 직접 임상정보를 입력받을 수 있다.
도 8은 본 발명의 실시 예에 따른 질병 예측 결과의 출력 화면의 일 예를 도시한 도면이다.
도 8을 참조하면, 질병예측장치(100)는 질병 발생 가능성을 그래프(800) 등으로 출력할 수 있다. 예를 들어, 질병예측장치(100)는 시간 경과에 따른 질병 발생 확률을 표나 그래프 등의 시각적 자료로 생성하여 사용자단말 등에 전송할 수 있다.
도 9는 본 발명의 실시 예에 따른 질병예측장치의 일 예의 구성을 도시한 도면이다.
도 9를 참조하면, 질병예측장치(100)는 수신부(900), 정량분석부(910), 예측부(920), 제1 인공지능모델(930) 및 제2 인공지능모델(940)을 포함한다. 일 실시 예로, 질병예측장치(100)는 메모리, 프로세서 및 입출력장치를 포함하는 컴퓨팅장치로 구현될 수 있다. 이 경우 각 구성은 소프트웨어로 구현되어 메모리에 탑재된 후 프로세서에 의해 수행될 수 있다.
수신부(900)는 의료영상 및 임상정보를 입력받는다. 예를 들어, 수신부(900)는 PACS 및 EMR 시스템 등으로부터 의료영상 및 임상정보를 수신할 수 있다. 다른 실시 예로, 도 5와 같이 여러 질병의 예측이 가능하다면, 수신부(900)는 해당 질병 예측을 위해 필요한 해부학적 구조물 및 임상정보를 PACS 및 EMR 시스템에 요청하여 수신할 수 있다.
정량분석부(910)는 제1 인공지능모델(930)을 이용하여 의료영상으로부터 해부학적 구조물을 분할하고, 분할된 해부학적 구조물의 부피 등의 정량적 데이터를 파악한다. 일 실시 예로, 제1 인공지능모델(930)은 특정 종류의 해부학적 구조물을 분할하는 모델일 수 있다. 이 경우에 서로 다른 종류의 해부학적 구조물을 분할하는 복수의 제1 인공지능모델이 존재할 수 있다. 예를 들어, 제1-1 인공지능모델은 간 영역을 분할하고, 제1-2 인공지능모델은 비장 영역을 분할하는 모델일 수 있다. 다른 실시 예로, 제1 인공지능모델(930)은 복수의 해부학적 구조물을 모두 분할할 수 있는 모델일 수 있다.
예측부(920)는 해부학적 구조물의 정량적 데이터와 임상정보를 제2 인공지능모델(940)에 입력하여 질병 발생 확률을 예측한다. 제2 인공지능모델(940)의 일 예가 도 4에 도시되어 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
Claims (11)
- 질병예측장치가 수행하는 질병예측방법에 있어서,
의료영상 및 임상정보를 입력받는 단계;
상기 의료영상으로부터 적어도 하나 이상의 해부학적 구조물의 부피를 포함하는 정량적 데이터를 파악하는 단계; 및
상기 임상정보와 상기 정량적 데이터를 기반으로 질병을 예측하는 단계;를 포함하고,
상기 임상정보와 상기 정량적 데이터를 기반으로 질병을 예측하는 단계;를 포함하고,
상기 의료영상으로부터 분할한 복수의 해부학적 구조물의 시상면, 관상면 및 측면 영상을 색상이나 질감으로 구분하여 화면에 표시하고, 상기 화면을 통해 사용자가 특정 해부학적 구조물을 확인하거나 선택할 수 있는 화면 인터페이스를 제공하고,
상기 임상정보를 사용자가 확인, 입력 또는 수정할 수 있는 화면 인터페이스를 제공하고,
상기 예측하는 단계는, 간의 부피와 함께 비장, 동정맥루 및 근육 중 적어도 하나의 부피를 포함하는 정량적 데이터와 항바이러스제 사용여부 및 혈액검사정보를 포함하는 임상정보를 기반으로 간암의 발생 가능성을 예측하는 단계를 포함하는 것을 특징으로 하는 질병예측방법. - 제 1항에 있어서,
상기 의료영상은 CT 영상인 것을 특징으로 하는 질병예측방법. - 삭제
- 제 1항에 있어서, 상기 정량적 데이터를 파악하는 단계는,
제1 인공지능모델을 이용하여 의료영상에서 적어도 하나 이상의 해부학적 구조물을 분할하는 단계; 및
상기 해부학적 구조물의 부피를 파악하는 단계;를 포함하는 것을 특징으로 하는 질병예측방법. - 제 1항에 있어서, 상기 질병을 예측하는 단계는,
질병 예측값을 출력하는 제2 인공지능모델에 상기 임상정보와 상기 정량적 데이터를 입력하는 단계;를 포함하는 것을 특징으로 하는 질병예측방법. - 제 1항에 있어서, 상기 입력받는 단계는,
질병의 종류에 따라 기 정의된 종류의 임상정보를 입력받는 단계;를 포함하는 것을 특징으로 하는 질병예측방법. - 제 1항에 있어서, 상기 입력받는 단계는,
의료영상저장전송시스템(PACS)으로부터 상기 의료영상을 입력받는 단계; 및
전자의무기록시스템(EMS)으로부터 상기 임상정보를 입력받는 단계;를 포함하는 것을 특징으로 하는 질병예측방법. - 의료영상 및 임상정보를 입력받는 수신부;
상기 의료영상으로부터 적어도 하나 이상의 해부학적 구조물의 부피를 포함하는 정량적 데이터를 파악하는 정량분석부; 및
상기 임상정보와 상기 정량적 데이터를 기반으로 질병을 예측하는 예측부;를 포함하고,
상기 의료영상으로부터 분할한 복수의 해부학적 구조물의 시상면, 관상면 및 측면 영상을 색상이나 질감으로 구분하여 화면에 표시하고, 상기 화면을 통해 사용자가 특정 해부학적 구조물을 확인하거나 선택할 수 있는 화면 인터페이스를 제공하고,
상기 임상정보를 사용자가 확인, 입력 또는 수정할 수 있는 화면 인터페이스를 제공하고,
상기 예측부는, 간의 부피와 함께 비장, 동정맥루 및 근육 중 적어도 하나의 부피를 포함하는 정량적 데이터와 항바이러스제 사용여부 및 혈액검사정보를 포함하는 임상정보를 기반으로 간암의 발생 가능성을 예측하는 것을 특징으로 하는 질병예측장치. - 제 8항에 있어서,
의료영상에서 적어도 하나 이상의 해부학적 구조물을 분할하는 제1 인공지능모델; 및
임상정보와 정량적 데이터를 입력하으면 질병 예측값을 출력하는 제2 인공지능모델;을 포함하고,
상기 정량분석부는 상기 제1 인공지능모델을 이용하여 정량적 데이터를 파악하고,
상기 예측부는 상기 제2 인공지능모델을 이용하여 질병을 예측하는 것을 특징으로 하는 질병예측장치. - 제 9항에 있어서,
상기 제1 인공지능모델은 CNN(Convolutional Neural Network) 모델이고,
상기 제2 인공지능모델은 GBM(Gradient Boosting Machine) 모델인 것을 특징으로 하는 질병예측장치. - 제 1항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP23186130.3A EP4358096A1 (en) | 2022-10-18 | 2023-07-18 | Disease prediction method and apparatus |
| US18/224,010 US20240127950A1 (en) | 2022-10-18 | 2023-07-19 | Disease prediction method and apparatus |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220134461 | 2022-10-18 | ||
| KR1020220134461 | 2022-10-18 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102600668B1 true KR102600668B1 (ko) | 2023-11-10 |
Family
ID=88742203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220159560A KR102600668B1 (ko) | 2022-10-18 | 2022-11-24 | 질병예측방법 및 그 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102600668B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100612146B1 (ko) | 2002-10-01 | 2006-08-14 | 학교법인연세대학교 | 간암조기진단을 위한 간암 예측장치 및 그 제어방법 |
| KR20200110111A (ko) | 2019-03-13 | 2020-09-23 | 부산대학교 산학협력단 | 의료영상정보 딥러닝 기반의 동적 다차원 질병진단 방법 및 동적 다차원 질병진단 장치 |
| KR102185760B1 (ko) * | 2020-03-18 | 2020-12-03 | 가톨릭대학교 산학협력단 | 골다공증 진단 장치 및 골다공증 판단 방법 |
| KR102278010B1 (ko) * | 2021-02-05 | 2021-07-15 | 주식회사 휴런 | 뉴로멜라닌 영역을 분석하여 파킨슨 병 위험도 예측이 가능한 장치 |
| KR102361422B1 (ko) | 2018-11-02 | 2022-02-10 | 주식회사 에이아이인사이트 | 의료영상 자동판독을 위한 딥러닝 아키텍처 시스템 |
| KR102361354B1 (ko) | 2019-08-30 | 2022-02-10 | 연세대학교 원주산학협력단 | 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법 |
| KR20220094649A (ko) * | 2020-12-29 | 2022-07-06 | (주)휴레이포지티브 | 환자의 의료데이터를 기초로 한 질병 예측 시스템 |
| KR102417448B1 (ko) * | 2021-05-20 | 2022-07-06 | 한국과학기술정보연구원 | 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치 |
-
2022
- 2022-11-24 KR KR1020220159560A patent/KR102600668B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100612146B1 (ko) | 2002-10-01 | 2006-08-14 | 학교법인연세대학교 | 간암조기진단을 위한 간암 예측장치 및 그 제어방법 |
| KR102361422B1 (ko) | 2018-11-02 | 2022-02-10 | 주식회사 에이아이인사이트 | 의료영상 자동판독을 위한 딥러닝 아키텍처 시스템 |
| KR20200110111A (ko) | 2019-03-13 | 2020-09-23 | 부산대학교 산학협력단 | 의료영상정보 딥러닝 기반의 동적 다차원 질병진단 방법 및 동적 다차원 질병진단 장치 |
| KR102361354B1 (ko) | 2019-08-30 | 2022-02-10 | 연세대학교 원주산학협력단 | 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법 |
| KR102185760B1 (ko) * | 2020-03-18 | 2020-12-03 | 가톨릭대학교 산학협력단 | 골다공증 진단 장치 및 골다공증 판단 방법 |
| KR20220094649A (ko) * | 2020-12-29 | 2022-07-06 | (주)휴레이포지티브 | 환자의 의료데이터를 기초로 한 질병 예측 시스템 |
| KR102278010B1 (ko) * | 2021-02-05 | 2021-07-15 | 주식회사 휴런 | 뉴로멜라닌 영역을 분석하여 파킨슨 병 위험도 예측이 가능한 장치 |
| KR102417448B1 (ko) * | 2021-05-20 | 2022-07-06 | 한국과학기술정보연구원 | 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11553874B2 (en) | Dental image feature detection | |
| CN107492090B (zh) | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 | |
| US10825167B2 (en) | Rapid assessment and outcome analysis for medical patients | |
| US7653227B2 (en) | Hierarchical modeling in medical abnormality detection | |
| EP3404666A2 (en) | Rapid assessment and outcome analysis for medical patients | |
| JP5328146B2 (ja) | 医用画像処理装置、医用画像処理方法ならびにプログラム | |
| EP1711908B1 (en) | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions | |
| EP3043318A1 (en) | Analysis of medical images and creation of a report | |
| JP5744877B2 (ja) | 臨床判断支援のためのシステム及びその方法 | |
| CA2530595A1 (en) | Automated regional myocardial assessment for cardiac imaging | |
| EP3191991B1 (en) | Image report annotation identification | |
| JP6719421B2 (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
| CN107077731B (zh) | 成像不确定性的可视化 | |
| WO2013040693A1 (en) | Computer system and method for atlas-based consensual and consistent contouring of medical images | |
| JP7080304B2 (ja) | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル | |
| US20210142480A1 (en) | Data processing method and apparatus | |
| US10176569B2 (en) | Multiple algorithm lesion segmentation | |
| KR102600668B1 (ko) | 질병예측방법 및 그 장치 | |
| CN111145141B (zh) | 使用经训练的网络检测梗塞 | |
| US10839299B2 (en) | Non-leading computer aided detection of features of interest in imagery | |
| US20240127950A1 (en) | Disease prediction method and apparatus | |
| US20240078089A1 (en) | System and method with medical data computing | |
| Roberts et al. | AI and Point of Care Image Analysis for COVID-19 | |
| KR20210127849A (ko) | 인공지능 기반의 척추 촬영영상을 이용한 강직성 척추염의 중증도 판단 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |