KR102624616B1 - Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 - Google Patents
Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR102624616B1 KR102624616B1 KR1020210073044A KR20210073044A KR102624616B1 KR 102624616 B1 KR102624616 B1 KR 102624616B1 KR 1020210073044 A KR1020210073044 A KR 1020210073044A KR 20210073044 A KR20210073044 A KR 20210073044A KR 102624616 B1 KR102624616 B1 KR 102624616B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- learning
- ray
- clinical
- clinical covariate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000001132 Osteoporosis Diseases 0.000 title claims description 48
- 238000013136 deep learning model Methods 0.000 title 1
- 238000003745 diagnosis Methods 0.000 claims abstract description 112
- 208000001164 Osteoporotic Fractures Diseases 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 65
- 208000010392 Bone Fractures Diseases 0.000 claims description 25
- 206010017076 Fracture Diseases 0.000 claims description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 20
- 230000037182 bone density Effects 0.000 claims description 17
- 210000001519 tissue Anatomy 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 10
- 208000029725 Metabolic bone disease Diseases 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 9
- 229940079593 drug Drugs 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 210000000689 upper leg Anatomy 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 206010020772 Hypertension Diseases 0.000 claims description 6
- 206010049088 Osteopenia Diseases 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000729 Fisher's exact test Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 210000001685 thyroid gland Anatomy 0.000 claims description 5
- 238000001358 Pearson's chi-squared test Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- 210000004705 lumbosacral region Anatomy 0.000 claims description 4
- 238000000491 multivariate analysis Methods 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 201000002980 Hyperparathyroidism Diseases 0.000 claims description 3
- 206010058359 Hypogonadism Diseases 0.000 claims description 3
- 238000000585 Mann–Whitney U test Methods 0.000 claims description 3
- 208000020832 chronic kidney disease Diseases 0.000 claims description 3
- 208000022831 chronic renal failure syndrome Diseases 0.000 claims description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 claims description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 2
- 102000003982 Parathyroid hormone Human genes 0.000 claims description 2
- 108090000445 Parathyroid hormone Proteins 0.000 claims description 2
- 229930003316 Vitamin D Natural products 0.000 claims description 2
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000036772 blood pressure Effects 0.000 claims description 2
- 238000009534 blood test Methods 0.000 claims description 2
- 210000000746 body region Anatomy 0.000 claims description 2
- 239000011575 calcium Substances 0.000 claims description 2
- 229910052791 calcium Inorganic materials 0.000 claims description 2
- 239000000199 parathyroid hormone Substances 0.000 claims description 2
- 229960001319 parathyroid hormone Drugs 0.000 claims description 2
- 239000005495 thyroid hormone Substances 0.000 claims description 2
- 229940036555 thyroid hormone Drugs 0.000 claims description 2
- 235000019166 vitamin D Nutrition 0.000 claims description 2
- 239000011710 vitamin D Substances 0.000 claims description 2
- 150000003710 vitamin D derivatives Chemical class 0.000 claims description 2
- 229940046008 vitamin d Drugs 0.000 claims description 2
- 238000010824 Kaplan-Meier survival analysis Methods 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000001009 osteoporotic effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 108010026552 Proteome Proteins 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000001325 log-rank test Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 개시는 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 의하면, 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법은 상기 진단 대상자의 임상 공변량 정보를 획득하는 단계; 상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하는 단계; 상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하는 단계; 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하는 단계; 및 상기 획득된 진단 정보를 출력하는 단계; 를 포함할 수 있다.
Description
본 개시는 골다공증 질환을 분석하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 보다 상세하게는 인공 지능 모델을 이용하여 골다공증 질환을 분석하는 방법 및 이를 수행하는 전자 장치에 관한 것이다.
본 출원은 중소벤처기업부의 규제자유특구혁신사업육성 지원에 따른 연구에 의해 수행되었습니다. (This work was supported by the Promotion of Innovative Businesses for Regulation-Free Special Zones funded by the Ministry of SMEs and Startups (MSS, Korea)).
또한, 본 출원은 중소벤처기업부의 규제자유특구실증기반조성 지원에 따른 연구에 의해 수행되었습니다. (This work was supported by the Establishment of Demonstration Infrastructure for Regulation-Free Special Zones funded by the Ministry of SMEs and Startups (MSS, Korea))
IOT, 빅데이터, 클라우드, 인공지능 기술이 전 산업분야에서 연구 및 적용되고 있다. 이러한 기술발달에 힘입어 의료계에서도 빅데이터 및 인공지능 기술을 적용함으로써 질환을 효과적으로 처리하기 위한 연구들이 활발하게 진행되고 있다.
골다공증은 연령 증가에 따라 비례하여 발명률이 상승하는 대표적인 질환으로, 골다공증은 골밀도(BMD) 측정기를 통하여 T-점수가 -2.5이하인 경우 골다공증 질환으로 진단될 수 있다.
골다공증 질환을 진단하기 위해 DXA(Dual-Energy X-ray Absorptiometry) 스캔 이미지가 사용될 수 있고, DXA 스캔 이미지를 통한 골밀도 측정은 골다 공증 및 골다공성 골절 진단을 위한 가장 기본적인 도구이다. 그러나, DXA 스캔 이미지를 통한 일반적인 골다공증 및 골다공증성 골절 진단 방법들은 환자를 진단하는 의사의 주관적인 판단에 의존하거나, 객관적인 기준의 부재로 인하여 그 정확도에 한계가 있다.
따라서, 인공지능 모델 및 환자의 임상 공변량 정보를 융합함으로써 골다공증 및 골다공증성 골절 위험도를 정확하게 진단하기 위한 기술 개발이 요구되고 있다.
일 실시 예에 따르면, 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법 및 장치가 제공될 수 있다.
일 실시 예에 의하면, 인공 지능 모델을 이용하여 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법 및 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법에 있어서, 상기 진단 대상자의 임상 공변량 정보를 획득하는 단계; 상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하는 단계; 상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하는 단계; 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하는 단계; 및 상기 획득된 진단 정보를 출력하는 단계; 를 포함하는, 방법이 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 또 다른 실시 예에 따라, 진단 대상자의 골다공증 위험도를 진단하는 전자 장치에 있어서, 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 진단 대상자의 임상 공변량 정보를 획득하고, 상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하고, 상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하고, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하고, 상기 획득된 진단 정보를 출력하는, 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 또 다른 실시 예에 따라, 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법에 있어서, 상기 진단 대상자의 임상 공변량 정보를 획득하는 단계; 상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하는 단계; 상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하는 단계; 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하는 단계; 및 상기 획득된 진단 정보를 출력하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
일 실시 예에 의하면, 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 정확하게 진단할 수 있다.
일 실시 예에 의하면, 골밀도 검사를 보완함으로써, 골다공증 및 골다공증성 질환 진단을 신속하게 수행할 수 있다.
도 1은 일 실시 예에 따른 저자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법의 흐름도이다.
도 3은 일 실시 예에 따라 전자 장치가 획득하는 DXA 자료 및 전자 의무 기록 정보를 설명하기 위한 도면이다.
도 4는 일 실시 예에 따라 전자 장치가 획득하는 전자 의무 기록 정보의 구체적인 예를 설명하기 위한 도면이다.
도 5는 일 실시 예에 따라, 요추부 및 근위 대퇴부의 골밀도 검사를 받은 환자들을 그룹화 한 예를 설명하기 위한 도면이다.
도 6은 일 실시 예에 따라, 골다공증 발생 위험률 및 골다공증 발생 사건의 수를 설명하기 위한 도면이다.
도 7은 일 실시 예에 따라, 전자 장치가 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따라, 골다공증 및 골다공증성 골절 위험도를 진단하는 전자 장치의 블록도이다.
도 2는 일 실시 예에 따른 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법의 흐름도이다.
도 3은 일 실시 예에 따라 전자 장치가 획득하는 DXA 자료 및 전자 의무 기록 정보를 설명하기 위한 도면이다.
도 4는 일 실시 예에 따라 전자 장치가 획득하는 전자 의무 기록 정보의 구체적인 예를 설명하기 위한 도면이다.
도 5는 일 실시 예에 따라, 요추부 및 근위 대퇴부의 골밀도 검사를 받은 환자들을 그룹화 한 예를 설명하기 위한 도면이다.
도 6은 일 실시 예에 따라, 골다공증 발생 위험률 및 골다공증 발생 사건의 수를 설명하기 위한 도면이다.
도 7은 일 실시 예에 따라, 전자 장치가 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따라, 골다공증 및 골다공증성 골절 위험도를 진단하는 전자 장치의 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
여기에 설명되고 예시되는 각 실시예는 그것의 상보적인 실시예도 포함한다. 본 명세서에서 '및/또는' 이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 나타낸다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따른 저자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 과정을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 의무 기록 정보(110) 및 엑스레이 이미지(120)를 획득하고, 획득된 전자 의무 길고 정보(110) 및 엑스레이 이미지(120)를 분석함으로써 진단 정보(140)를 출력할 수 있다. 예를 들어, 전자 장치(1000)는 진단 대상자의 전자 의무 기록 정보(110) 및 엑스레이 이미지(120)를 인공 지능 모델(130)을 이용하여 분석함으로써 진단 정보(140)를 출력할 수 있다.
골다공증은 연령 증가에 비례하여 발병률이 상승하는 대표적인 질환으로써, 종래 골다공증 진단은 DXA 스캔 이미지를 기반으로 T-점수 내지 Z-점수를 지표로 하여 수행되었다. DXA 스캔에 의한 골밀도 측정 방법은 T-점수 산출을 위해 인종, 성별, 연령, 신장, 체중으로 한정되어 통계학적 자료가 축적된다. 그러나, DXA 스캔에 의한 골밀도 측정방법은 통계학적 지표에 한계가 있으며, 따라서, 골다공증의 정확도 진단에 한계가 있고, 나아가 기타 교란 변수들에 의해 영향을 받기 쉬운 단점이 있다. 그러나, 본 개시에 따른 전자 장치(1000)는 다층 퍼셉트론 (Multi-Layer Perceptron)(132) 및 합성곱 신경망 모델(134)을 포함하는 인공 지능 모델(130)을 이용하여 진단 대상자의 엑스레이 이미지(120)를 분석하기 때문에 진단 대상자의 골다공증 질환을 정확하게 분석할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 진단 대상자의 전자 의무 기록 정보(110)로부터, 임상 공변량 정보를 획득하고, 임상 공변량 정보 및 진단 대상자의 엑스레이 이미지를 함께 분석함으로써 진단 대상자의 골다공증에 관한 정보를 정확하게 분석할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델(130)을 이용하여 진단자의 엑스레이 이미지(120)를 분석함으로써, 골다공증의 이상 여부뿐만 아니라, 골다공증성 골절 위험도 내지 위험확률 정보를 출력할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 제공하는 진단 정보(140)는 골다 공증 이상 여부 정보(150), 골다 공증 질환의 정도로써 골감소증 정보(162), 낮은 또는 중간단계 골다공증 정보(162), 골다공성 골절 정보(164)를 포함하는 비정상 레벨 정보(160), 재(골절)발생할 때까지의 예상 시간 정보(172) 또는 골다공증성 재(골절)위험도 정보(174)중 적어도 하나를 포함할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 진단 대상자의 신체 영역 또는 신체 부위 별 골다 공증을 진단하고, 신체 부위 별 진단 결과를 진단 정보(140)로써 출력할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써, 진단 대상자에 대한 전자 의무 기록 정보(110) 및 엑스레이 이미지(120)를 획득하고, 획득된 인공 지능 모델을 이용하여 진단 대상자에 대한 전자 의무 기록 정보(110) 및 엑스레이 이미지(120)를 분석함으로써 진단 정보(140)를 출력할 수도 있다. 일 실시 예에 의하면, 서버(2000)는 네트워크를 통하여 전자 장치(1000)와 연결됨으로써, 전자 장치와 데이터를 송수신할 수 있는 기타 컴퓨팅 장치를 포함할 수 있다. 또한, 일 실시 예에 의하면, 서버 장치(2000)는 웨어러블 디바이스를 관리하기 위한 W-BMS(Wearable Business Management Server)일 수 있다.
일 실시 예에 의하면, 서버(2000)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하고, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.
도 2는 일 실시 예에 따른 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 진단하는 방법의 흐름도이다.
S210에서, 전자 장치(1000)는 진단 대상자의 임상 공변량 정보를 획득할 수 있다. 예를 들어, 전자 장치(1000)는 진단 대상자에 대한 전자 의무 기록 정보(EMR) 정보를 획득하고, 획득된 전자 의무 기록 정보로부터 임상 공변량 정보를 획득할 수도 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 전자 장치에 대한 진단 대상자의 사용자 입력에 기초하여, 진단 대상자의 식별 정보를 획득하고, 식별 정보에 매칭되는 진단 대상자의 의무 기록 정보를 획득할 수도 있다.
일 실시 예에 의하면, 전자 의무 기록 정보는, 진단 대상자의 신체 특징들에 대한 기본 임상 정보, 상기 진단 대상자에 대해 수행된 임상 시험 결과에 관한 임상 측정 정보, 상기 진단 대상자의 과거 진단 이력에 관한 진료 정보 또는 상기 진단 대상자에게 처방된 약물 처방 정보 중 적어도 하나를 포함할 수 있다. 전자 장치(1000)는 전자 의무 기록 정보로부터, 진단 대상이 되는 골다공증 질환 판단에 영향을 미칠 수 있는, 독립 변수 이외에 종속 변수에 영향을 줄 수 있는 잡음 인자들을 공변량(Covariate)으로 설정할 수 있다.
S220에서, 전자 장치(1000)는 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 전자 장치와 연결된 DEXA(Dual Energy Xray Absorptiometry) 스캔 장치로부터 DEXA 스캔 이미지를 엑스레이 이미지로 획득할 수 있다. 즉, 본 개시의 일 실시 예에 의하면, 엑스레이 이미지는 이중 에너지 X-RAY 이미지일 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 진단 대상자의 신체 부위 영역 별로 엑스레이 이미지를 획득할 수 도 있다. 예를 들어, 전자 장치(1000)는 진단 대상자의 척추 및 대퇴골을 포함하는 신체 부위 중 적어도 일부 신체 영역 별로 엑스레이 이미지를 획득할 수도 있다.
S230에서, 전자 장치(1000)는 진단 대상자의 임상 공변량 정보 및 엑스레이 이미지를 전처리할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 엑스레이 이미지로부터 진단 대상자의 신체 조직 중 일부를 포함하는 관심 영역(ROI)을 추출하고, 추출된 관심 영역의 해상도 정보를 미리 설정된 해상도 정보로 업스케일링함으로써 초해상화 처리를 수행할 수 있으며, 초해상화 처리된 엑스레이 이미지의 관심 영역에 대한 이미지 데이터를 정규화함으로써, 엑스레이 이미지를 전처리할 수 있다. 본 개시에 따른 전자 장치(1000)는 엑스레이 이미지를 전처리함으로써 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 더 정확하게 분석할 수 있다.
또한, 전자 장치(1000)는 진단 대상자의 임상 공변량 정보를 부호화하고, 부호화된 임상 공변량 정보 및 추출된 관심 영역에 대한 이미지 데이터 사이에 오버 피팅이 되지 않도록 가중치를 부여함으로써 정규화할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 진단 대상자의 임상 공변량 정보를 부호화 하는 동작은 임상 공변량 정보를 숫자화하는 동작에 대응될 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)가 진단 대상자의 임상 공변량 정보를 부호화 하는 동작은 공변량 데이터의 원-핫(one-hot) 벡터 변환 동작에 대응될 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)가 임상 공변량 정보를 전처리하는 동작은, 인공 진능 모델로부터 출력되는 진단 정보 중, 골절 또는 재골절이 발생할 때까지의 예상 시간 정보 및 골절 또는 재골절 위험도 정보에 대해, 진단 대상자의 나이 정보, 종족 정보, 체질량지수(BMI) 정보, 고혈압 정보, 제2형 당뇨병 정보, 갑상선 및 부갑상선 기능항진증 정보, 성선 기능저하증 정보, 만성 신부전증 정보 또는 다중 오믹스 정보 중 적어도 하나를 포함하는 교란 변수의 영향이 통제되도록 상기 임상 공변량 정보에 가중치를 부여함으로써 정규화하는 동작을 포함할 수 있다.
S240에서, 전자 장치(1000)는 전처리된 임상 공변량 정보 및 전처리된 엑스레이 이미지가 입력되면, 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 전처리된 임상 공변량 정보 및 엑스레이 이미지를 입력함으로써, 진단 정보를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 진단 대상자의 신체 부위 영역 별로 엑스레이 이미지가 획득되는 경우, 진단 대상자의 신체 부위 영역 별 엑스레이 이미지에 인공 지능 모델을 적용함으로써, 진단 대상자의 신체 부위 영역 별 진단 정보를, 진단 결과로써 획득할 수도 있다.
예를 들어, 전자 장치(1000)는 인공 지능 모델로부터, 진단 대상자가 상기 골다공증 질환에 대해 정상인지 또는 비정상인지 여부를 나타내는 이상 여부 정보, 상기 진단 대상자의 상기 골다 공증 질환 정도로써 골감소증 정보, 낮은 골밀도 정보, 중간 단계 골다공증 정보 또는 골다공성 골절 정보 중 적어도 하나를 포함하는 비정상 레벨 정보, 상기 진단 대상자에 대한 골절 또는 재골절이 발생할 때까지의 예상 시간 정보 또는 상기 진단 대상자의 골다공증성 골절 또는 재골절 위험도 정보 중 적어도 하나를 획득할 수 있다.
S250에서, 전자 장치(1000)는 획득된 진단 정보를 출력할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 디스플레이를 포함할 수 있고, 디스플레이를 통하여 진단 정보를 시각적으로 출력할 수 있다. 그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델로부터 획득된 진단 정보를 전자 장치(1000)와 연결된 서버(2000)로 전송할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델로부터 출력된 진단 정보를 시각화함으로써 시각 진단 정보를 생성하고, 생성된 시각 지단 정보 및 진단 정보를 함께 출력할 수도 있다. 일 실시 예에 의하면, 시각 진단 정보는 시간의 흐름에 따라 골다공증 질환에 해당할 확률, 시간의 흐름에 따른 골다공증성 골절 위험도(위험확률)에 대한 정보를 포함할 수 있다.
도 3은 일 실시 예에 따라 전자 장치가 획득하는 DXA 자료 및 전자 의무 기록 정보를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써 DXA 자료 및 전자 의무 기록 정보(340)를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 획득하는 DXA 자료(310)는 스캔 이미지(312), 골밀도 정보(314), T-점수 정보(316), Z-점수 정보(318) 또는 대퇴골 형태 요소 정보(320) 중 적어도 하나를 포함할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)가 획득하는 전자 의무 기록 정보(340)는 기본 임상 정보(342), 임상 측정 정보(344), 진료 정보(346) 또는 약물 처방 정보(348) 중 적어도 하나를 포함할 수 있다. 본 개시에 따른 전자 장치(1000)는 DXA 자료(310)외에 진단 대상자의 전자 의무 기록 정보(340)를 함께 인공지능 모델을 이용하여 분석함으로써, 진단 대상자의 골다공증 및 골다공증 골절 위험도를 정확하게 진단할 수 있다.
후술하는 도 4를 참조하여 전자 장치(1000)가 획득하는 전자 의무 기록 정보(340)를 구체적으로 설명하기로 한다.
도 4는 일 실시 예에 따라 전자 장치가 획득하는 전자 의무 기록 정보의 구체적인 예를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 의무 기록 정보(340)는 기본 임상 정보(420), 임상 측정 정보(440), 진료 정보(460) 또는 약물 처방 정보(480) 중 적어도 하나를 포함할 수 있다. 일 실시 예에 의하면, 기본 임상 정보(420)는 상기 진단 대상자의 이니셜 정보, 나이 정보, 생년 월일 정보, 성별 정보, 종족 정보, 신장 정보 또는 체중 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 임상 측정 정보(440)는 상기 진단 대상자의 혈압 정보, 혈액 검사 정보, 혈당 정보, 칼슘 정보, 비타민 D 정보, 갑상선 및 부갑상선 호르몬 수치 정보 또는 다중 오믹스 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 일 실시 예에 의하면, 진료 정보(460)는 상기 진단 대상자의 주소 정보, 상병 내역 정보, 이전 병력 정보, 처방전 교부 상세 내역 정보, 검사명 정보, 검사 결과 정보 또는 치료명 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 일 실시 예에 의하면 약물 처방 정보(480)는 상기 진단 대상자에 대해 처방된 투약 처방 기록 정보를 포함할 수 있다.
일 실시 예에 의하면, 다중 오믹스 정보는 진단 대상자의 유전체, 전사체, 단백체, 대사체, 후성 유전체, 지질체 등 다양한 분자 수준에서의 생체 데이터 중 적어도 하나를 포함할 수 있다.
전자 장치(1000)는 DXA 스캔 이미지만을 분석하는 것이 아니라, 스캔 이미지에 매칭되는 전자 의무 기록 정보에 기초하여 인공 지능 모델을 학습시킨 후, 학습된 인공 지능 모델에, DXA 스캔 이미지 및 임상 공변량 정보를 함께 입력함으로써, 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 정확하게 진단할 수 있다.
도 5는 일 실시 예에 따라, 요추부 및 근위 대퇴부의 골밀도 검사를 받은 환자들을 그룹화 한 예를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 소정의 기간 동안 병원으로 내원한 환자들 중 요추(482) 및 근위 대퇴부(484)의 골밀도 검사를 받은 환자들을 Normal Group(492), Osteopenia Group(494), Non-fracture Osteoporosis Group(496) 및 Fracture Osteoporosis Group(498) 그룹으로 그룹화 하고, 그룹화된 환자 들에 대한 전자 의무 기록 정보로부터 임상 공변량 학습 정보로 생성할 수 있다.
또한, 전자 장치(1000)는 그룹화된 환자들의 DXA 자료를 획득하고, 획득된 DXA 자료들을 엑스레이 학습 이미지로 생성할 수 있다. 전자 장치(1000)는 그룹별 환자들에 대한 엑스레이 학습 이미지 및 임상 공변량 학습 정보에 기초하여, 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델을 학습시킬 수 있다.
도 6은 일 실시 예에 따라, 골다공증 발생 위험률 및 골다공증 발생 사건의 수를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델로부터 출력되는 진단 정보를 시각화 할 수 있다. 예를 들어, 전자 장치(1000)는 인공 지능 모델로부터 출력되는 진단 정보에 기초하여, 시간(620)의 흐름에 따른 골다공증 발생 위험도(또는 위험률)(610)을 시각화하여 그래프로 생성할 수 있다. 또한, 전자 장치(1000)는 인공 지능 모델로부터 출력되는 진단 정보에 기초하여, 진단 대상자에 대한, 시간(640)의 흐름에 따른 골다 공증 발생 수(630)를 시각화할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 인공지능 모델로부터 획득되는 진단 결과를 시각화할뿐만 아니라, 인공 지능 모델을 학습시키기 위해 획득한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 도 6에 도시된 바와 같이 시각화할 수도 있음은 물론이다.
도 7은 일 실시 예에 따라, 전자 장치가 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
S710에서, 전자 장치(1000)는 인공 지능 모델을 학습시키기 위한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득할 수 있다. S720에서, 전자 장치(1000)는 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 전처리할 수 있다. 전자 장치(1000)가 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 전처리하는 방법은 도 2의 S230에 대응될 수 있다.
예를 들어, 전자 장치(1000)는 인공 지능 모델의 진단 정확도를 향상시키기 위해, 엑스레이 학습 이미지로부터 진단 대상자의 신체 조직 중 일부를 포함하는 관심 영역을 추출하고, 엑스레이 학습 이미지로부터 추출된 관심 영역의 해상도 정보를 미리 설정된 해상도 정보로 업스케일링함으로써 초해상화처리를 수행할 수 있다. 전자 장치(1000)는 초해상화 처리된 엑스레이 학습 이미지의 관심 영역에 대한 이미지를 정규화함으로써, 엑스레이 학습 이미지를 전처리할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 엑스레이 이미지가 입력되면, 저해상도의 엑스레이 이미지를 고해상도의 엑스레이 이미지로 변환하여 출력하는 이미지 처리용 인공지능 모델을 이용하여 엑스레이 학습 이미지 또는 엑스레이 이미지를 전처리할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 임상 공변량 학습 정보를 부호화하고, 부호화된 임상 공변량 학습 정보 및 엑스레이 학습 이미지로부터 추출된 관심 영역에 대한 이미지 데이터 사이에 오버피팅이 되지 않도록 가중치를 부여함으로써, 임상 공변량 학습 정보를 정규화할 수도 있다.
S730에서, 전자 장치(1000)는 전처리된 엑스레이 학습 이미지 및 임상 공변량 학습 정보에 기초하여 인공 지능 모델을 학습시킬 수 있다. 예를 들어, 전자 장치(1000)는 전처리된 엑스레이 학습 이미지로부터 골밀도 정보를 획득하고, 골밀도 정보에 기초하여 골밀도에 관한 T-점수 정보를 획득할 수 있다. 전자 장치(1000)는 전처리된 임상 공변량 학습 정보 중, 엑스레이 학습 이미지에 매칭 가능한 매칭 임상 공변량 학습 정보를 레이블링 정보로써 생성할 수 있다. 전자 장치(1000)는 생성된 레이블링 정보를 이용하여 엑스레이 학습 이미지를 레이블링할 수 있다. 전자 장치(1000)는 레이블링된 엑스레이 학습 이미지에 기초하여 인공 지능 모델을 학습시킴으로써, 인공 지능 모델이 레이블 정보에 따른 진단 결과를 출력하도록 인공 지능 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 다층 퍼셉트론 또는 신경망 모델 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되는 것은 아니며, 전자 장치(1000)가 이용하는 인공 지능 모델은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks)를 더 포함할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 전처리된 엑스레이 학습 이미지 및 임상 공변량 학습 정보에 기초하여, 인공 지능 모델 내 적어도 하나의 노드들을 포함하는 적어도 하나의 레이어들 및 상기 레이어들의 연결 강도에 관한 가중치를 수정 및 갱신함으로써 인공 지능 모델을 학습시킬 수 있다.
또한, 도 7에는 도시되지 않았지만, 전자 장치(1000)는 학습된 인공 지능 모델로부터 출력되는 진단 정보를 검증하고, 검증 결과에 기초하여 인공 지능 모델을 재 학습시킬 수도 있다. 예를 들어, 전자 장치(1000)는 미리 설정된 검증 기준 내지 정답 값에 기초하여 학습이 완료된 인공 지능 모델로부터 출력된 출력 값을 검증할 수 있다. 전자 장치(1000)는 검증 후, 검증이 완료된 결과 값만을 진단 정보로 최종적으로 제공할 수도 있고, 검증 결과에 기초하여, 인공 지능 모델 내 노드들 및 상기 노드들을 포함하는 적어도 하나의 레이어들의 가중치(Weight)를 수정 및 갱신함으로써 인공 지능 모델의 정확도를 더 향상시킬 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델로부터 출력되는 진단 정보를, 콕스 비례 위험 모형 또는 콕스 비례 위험 모형 (Cox proportional hazard model)을 통해 검증할 수도 있다. 예를 들어, 전자 장치(1000)는 성별, 연령대, 고혈압 유무 등 명목형 변수에 대하여 환자군과 대조군 사이에 골다공증의 발생비율에 차이가 있는지, 피어슨 카이제곱 검정(Chi-square) 또는 피셔 정확 검정(Fisher's exact test)을 더 수행할 수도 있다.
일 실시 예에 의하면, BMI 등 연속형 변수는 Mann-Whitney U test로 비교하며, 환자의 생존율을 Kaplan-Meier Method로 분석하고 log-rank test로 비교될 수 있다. 또한, 전자 장치(1000)는 단변량 변수에서 의미 있다고 여겨지면 콕스 비례 위험(Cox regression hazard model)로 다변량 분석을 수행할 수도 있다. 또한, 전자 장치(1000)는 연속형 변수의 경우 의미 있는 cut-off value를 찾기 위해 Receiver Operating Characteristic (ROC) curve를 이용할 수도 있다.
도 8은 일 실시 예에 따라, 골다공증 및 골다공증성 골절 위험도를 진단하는 전자 장치의 블록도이다.
일 실시 예에 따른 전자 장치(1000)는 프로세서(1400), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소가 필수구성요소인 것은 아니고, 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 전자 장치(1000)는 구현될 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1400), 네트워크 인터페이스(1500) 및 메모리(1700)외에 디스플레이, 스피커 등을 더 포함할 수도 있다.
프로세서(1400)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 일 실시 예에 의하면, 본 개시에 따른 프로세서(1400)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 7에 기재된 전자 장치(1000)의 기능을 수행할 수 있다. 또한, 프로세서(1400)는 하나 또는 복수의 프로세서로 구성될 수 있고, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU와 같은 그래픽 전용 프로세서 또는 인공지능(AI) 전용 프로세서를 포함할 수 있다. 그러나 이에 한정되는 것은 아니며, 프로세서(1400)는 메모리에 저장된 인스트럭션을 실행함으로써 진단 대상자의 골다공증 및 골다공증성 골절 위험도를 예측할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써, 진단 대상자의 임상 공변량 정보를 획득하고, 상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하며, 상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하고, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하고, 상기 획득된 진단 정보를 출력할 수 있다.
또한, 일 실시 예에 의하면, 프로세서(1400)는 상기 진단 대상자의 식별 정보를 획득하고, 상기 획득된 식별 정보에 매칭되는 상기 진단 대상자의 전자 의무 기록 정보를 획득하고, 상기 전자 의무 기록 정보에 기초하여 상기 임상 공변량 정보를 획득할 수 있다.
또한, 프로세서(1400)는 상기 진단 대상자의 신체 특징들에 대한 기본 임상 정보, 상기 진단 대상자에 대해 수행된 임상 시험 결과에 관한 임상 측정 정보, 상기 진단 대상자의 과거 진단 이력에 관한 진료 정보 또는 상기 진단 대상자에게 처방된 약물 처방 정보 중 적어도 하나를 상기 전자 의무 기록 정보로 획득할 수 있다.
또한, 프로세서(1400)는 상기 진단 대상자의 척추 및 대퇴골을 포함하는 신체 부위 중 적어도 일부 신체 영역 별로 엑스레이 이미지를 획득하고, 상기 진단 대상자의 일부 신체 영역 별로, 상기 골다 공증 및 상기 골다공증성 골절 위험도에 관한 진단 정보를 획득할 수 있다.
또한, 프로세서(1400)는 상기 엑스레이 이미지로부터 상기 진단 대상자의 신체 조직 중 일부를 포함하는 관심 영역을 추출하고, 상기 추출된 관심 영역의 해상도 정보를 미리 설정된 해상도 정보로 업스케일링함으로써 초해상화 처리하고, 상기 초해상화 처리된 엑스레이 이미지의 관심 영역에 대한 이미지 데이터를 정규화할 수 있다.
또한, 프로세서(1400)는 상기 임상 공변량 정보를 부호화하고, 상기 부호화된 임상 공변량 정보 및 상기 추출된 관심 영역에 대한 이미지 데이터 사이에 오버피팅이 되지 않도록 가중치를 부여함으로써 정규화할 수 있다.
또한, 프로세서(1400)는 상기 인공 지능 모델로부터, 상기 진단 대상자가 상기 골다공증 질환에 대해 정상인지 또는 비정상인지 여부를 나타내는 이상 여부 정보를 획득하고, 상기 진단 대상자의 상기 골다 공증 질환 정도로써 골감소증 정보, 낮은 골밀도 정보, 중간 단계 골다공증 정보 또는 골다공성 골절 정보 중 적어도 하나를 포함하는 비정상 레벨 정보를 획득하고, 상기 진단 대상자에 대한 골절 또는 재골절이 발생할 때까지의 예상 시간 정보를 획득하고, 상기 진단 대상자의 골다공증성 골절 또는 재골절 위험도 정보를 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 인공 지능 모델로부터 출력되는 골절 또는 재골절이 발생할 때까지의 예상 시간 정보 및 상기 골절 또는 재골절 위험도 정보에 대해, 상기 진단 대상자의 나이 정보, 종족 정보, 체질량지수(BMI) 정보, 고혈압 정보, 제2형 당뇨병 정보, 갑상선 및 부갑상선 기능항진증 정보, 성선 기능저하증 정보, 만성 신부전증 정보 또는 다중 오믹스 정보 중 적어도 하나를 포함하는 교란 변수의 영향이 통제되도록 상기 임상 공변량 정보에 가중치를 부여함으로써 정규화할 수 있다.
또한, 프로세서(1400)는 상기 진단 정보를 시각화 함으로써 시각 진단 정보를 생성하고, 상기 생성된 시각 진단 정보 및 상기 획득된 진단 정보를 함께 출력할 수 있다.
또한, 프로세서(1400)는 상기 인공 지능 모델을 학습시키기 위한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하고, 상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리하고, 상기 전처리된 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보에 기초하여 상기 인공 지능 모델을 학습시킬 수 있다.
또한, 프로세서(1400)는 상기 엑스레이 학습 이미지로부터 상기 진단 대상자의 신체 조직 중 일부를 포함하는 관심 영역을 추출하고, 상기 엑스레이 학습 이미지로부터 추출된 관심 영역의 해상도 정보를 미리 설정된 해상도 정보로 업스케일링함으로써 초해상화 처리하고, 상기 초해상화 처리된 엑스레이 학습 이미지의 관심 영역에 대한 이미지를 정규화할 수 있다.
일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치와 연결된 외부 디바이스 또는 서버로부터 엑스레이 이미지, 전자 의무 기록 정보, 환자의 임상 공변량 정보를 획득할 수 있다. 또한, 네트워크 인터페이스(15000)는 서버(2000)에서 미리 학습된 인공 지능 모델에 대한 구조 정보, 가중치 정보들을 획득하고, 획득된 구조 정보 및 가중치 정보들을 전자 장치의 프로세서(1400)로 전송함으로써, 프로세서(1400)가 서버로부터 획득된 구조 정보 및 가중치 정보에 기초하여 메모리(1700)에 기 저장된 인공 지능 모델의 가중치를 수정 및 갱신하도록 할 수 있다. 또한, 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치(1000)가 인공 지능 모델을 이용하여 진단을 수행한 결과에 대한 정보들을 전자 장치(1000)와 연결된 서버(예컨대 의료 서버 등)에 전송할 수도 있다.
메모리(1700)는, 프로세서(1400)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 다층 퍼셉트론, 신경망 모델과 같은 인공 지능 학습 알고리즘에 의해 학습될 수 있는 인공 지능 모델에 대한 정보를 저장할 수도 있다. 일 실시 예에 의하면, 메모리(1700)는 신경망 모델의 구성으로써, 신경망을 구성하는 레이어들, 레이어들에 포함된 노드들 및 레이어들의 연결 강도에 관한 가중치들에 대한 정보를 저장할 수 있다.
일 실시 예에 의하면, 메모리(1700)는 메모리에 기 저장된 사전 학습 모델 및 신경망 모델이 수정 및 갱신되는 경우, 수정 및 갱신된 사전 학습 모델 및 신경망 모델을 저장할 수도 있다. 메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 그러나, 이에 한정되는 것은 아니며, 기타 엑스레이 이미지 분석 및 골다공증 질환을 진단하기 위해 필요한 인스트럭션들을 저장하기 위한 기타 저장 매체일 수 있다.
일 실시예에 따른 상술한 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 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 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.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다
Claims (18)
- 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도의 진단을 위한 정보를 제공하는 방법에 있어서,
상기 진단 대상자의 임상 공변량 정보를 획득하는 단계;
상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하는 단계;
상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하는 단계;
상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하는 단계; 및
상기 획득된 진단 정보를 출력하는 단계; 를 포함하고,
상기 임상 공변량 정보는 상기 전자 장치와 연동된 서버로부터 획득된 스캔 이미지, 골밀도 정보, T-점수 정보, Z-점수 정보 및 대퇴골 형태 요소 정보를 포함하는 DXA 자료를 포함하는 것을 특징으로 하고,
상기 획득된 진단 정보를 출력하는 단계는,
상기 진단 정보를 시간의 흐름에 따른 골다공증 발생 위험도 또는 골다공증 발생 위험률을 시각화한 그래프로 나타냄으로써 시각 진단 정보를 생성하는 단계; 및
상기 생성된 시각 진단 정보 및 상기 획득된 진단 정보를 함께 출력하는 단계; 를 포함하며, 상기 방법은 상기 진단 정보를 출력하는 단계 이후,
상기 진단 대상자의 성별, 연령대 및 고혈압 유무를 포함하는 명목형 변수에 대하여 환자군과 대조군 사이에 골다공증 발생비율에 차이가 있는지 피어슨 카이제곱 검정 또는 피셔 정확 검정을 수행함으로써, 상기 인공지능 모델로부터 출력된 상기 진단 정보를 검증하는 단계; 를 더 포함하며,
상기 진단 정보를 검증하는 단계는, 상기 진단 정보 내 변수의 타입이 연속형 변수로 식별되는 경우, 만-위트니 유 검증 분석 기법, 상기 변수의 타입이 환자의 생존율인 경우, 카플란-마이어 분석 및 로그 순위 분석 기법, 상기 변수의 타입이 단변량 변수로 식별되고, 상기 단변량 변수로 식별된 변수 중 일부 변수에 대해서는 콕스 비례 위험 모형 다변량 분석 기법에 의해 수행되는 것을 특징으로 하고,
상기 방법은 상기 진단 대상자의 임상 공변량 정보를 획득하는 단계에 앞서,
상기 인공 지능 모델을 학습시키기 위한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하는 단계;
상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리하는 단계; 및
상기 전처리된 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보에 기초하여 상기 인공 지능 모델을 학습시키는 단계; 를 더 포함하고,
상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 획득하는 단계는, 소정의 기간 동안 요추 및 근위 대퇴부의 골밀도 검사를 받은 진단 대상자들을 정상 그룹, 골감소증 그룹, 비골절 골다공증 그룹 또는 골절 골다공증 그룹 중 적어도 하나의 학습 진단 그룹으로 그룹화하고, 상기 그룹화된 진단 대상자들에 대한 상기 DXA 자료 및 전자 의무 기록 정보에 기초하여, 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하는 단계; 를 포함하는, 방법. - 제1항에 있어서, 상기 임상 공변량 정보를 획득하는 단계는
상기 진단 대상자의 식별 정보를 획득하는 단계;
상기 획득된 식별 정보에 매칭되는 상기 진단 대상자의 전자 의무 기록 정보를 획득하는 단계; 및
상기 전자 의무 기록 정보에 기초하여 상기 임상 공변량 정보를 획득하는 단계; 를 포함하는, 방법. - 제2항에 있어서, 상기 전자 의무 기록 정보를 획득하는 단계는
상기 진단 대상자의 신체 특징들에 대한 기본 임상 정보, 상기 진단 대상자에 대해 수행된 임상 시험 결과에 관한 임상 측정 정보, 상기 진단 대상자의 과거 진단 이력에 관한 진료 정보 또는 상기 진단 대상자에게 처방된 약물 처방 정보 중 적어도 하나를 상기 전자 의무 기록 정보로 획득하는 단계; 를 포함하는, 방법. - 제3항에 있어서,
상기 기본 임상 정보는 상기 진단 대상자의 이니셜 정보, 나이 정보, 생년 월일 정보, 성별 정보, 종족 정보, 신장 정보 또는 체중 정보 중 적어도 하나를 포함하고,
상기 임상 측정 정보는 상기 진단 대상자의 혈압 정보, 혈액 검사 정보, 혈당 정보, 칼슘 정보, 비타민 D 정보, 갑상선 및 부갑상선 호르몬 수치 정보 또는 다중 오믹스 정보 중 적어도 하나를 포함하며,
상기 진료 정보는 상기 진단 대상자의 주소 정보, 상병 내역 정보, 이전 병력 정보, 처방전 교부 상세 내역 정보, 검사명 정보, 검사 결과 정보 또는 치료명 정보 중 적어도 하나를 포함하고,
상기 약물 처방 정보는 상기 진단 대상자에 대해 처방된 투약 처방 기록 정보를 포함하는 것을 특징으로 하는, 방법. - 제1항에 있어서, 상기 엑스레이 이미지를 획득하는 단계는
상기 진단 대상자의 척추 및 대퇴골을 포함하는 신체 부위 중 적어도 일부 신체 영역 별로 엑스레이 이미지를 획득하는 단계; 를 포함하고,
상기 진단 정보를 획득하는 단계는
상기 진단 대상자의 일부 신체 영역 별로, 상기 골다 공증 및 상기 골다공증성 골절 위험도에 관한 진단 정보를 획득하는 단계; 를 포함하는, 방법. - 제1항에 있어서, 상기 전처리 하는 단계는
상기 엑스레이 이미지로부터 상기 진단 대상자의 신체 조직 중 일부를 포함하는 관심 영역을 추출하는 단계;
상기 추출된 관심 영역의 해상도 정보를 미리 설정된 해상도 정보로 업스케일링함으로써 초해상화 처리하는 단계; 및
상기 초해상화 처리된 엑스레이 이미지의 관심 영역에 대한 이미지 데이터를 정규화 하는 단계; 를 포함하는, 방법. - 제6항에 있어서, 상기 전처리 하는 단계는
상기 임상 공변량 정보를 부호화하는 단계; 및
상기 부호화된 임상 공변량 정보 및 상기 추출된 관심 영역에 대한 이미지 데이터 사이에 오버피팅이 되지 않도록 가중치를 부여함으로써 정규화 하는 단계; 를 포함하는, 방법. - 제6항에 있어서, 상기 진단 정보를 획득하는 단계는
상기 인공 지능 모델로부터, 상기 진단 대상자가 골다공증 질환에 대해 정상인지 또는 비정상인지 여부를 나타내는 이상 여부 정보를 획득하는 단계;
상기 진단 대상자의 상기 골다공증 질환 정도로써 골감소증 정보, 낮은 골밀도 정보, 중간 단계 골다공증 정보 또는 골다공성 골절 정보 중 적어도 하나를 포함하는 비정상 레벨 정보를 획득하는 단계;
상기 진단 대상자에 대한 골절 또는 재골절이 발생할 때까지의 예상 시간 정보를 획득하는 단계; 및
상기 진단 대상자의 골다공증성 골절 또는 재골절 위험도 정보를 획득하는 단계; 를 포함하는, 방법. - 제8항에 있어서, 상기 전처리 하는 단계는
상기 인공 지능 모델로부터 출력되는 골절 또는 재골절이 발생할 때까지의 예상 시간 정보 및 상기 골절 또는 재골절 위험도 정보에 대해, 상기 진단 대상자의 나이 정보, 종족 정보, 체질량지수(BMI) 정보, 고혈압 정보, 제2형 당뇨병 정보, 갑상선 및 부갑상선 기능항진증 정보, 성선 기능저하증 정보, 만성 신부전증 또는 다중 오믹스 정보 중 적어도 하나를 포함하는 교란 변수의 영향이 통제되도록 상기 임상 공변량 정보에 가중치를 부여함으로써 정규화 하는 단계; 를 포함하는, 방법. - 삭제
- 삭제
- 제1항에 있어서, 상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리 하는 단계는
상기 엑스레이 학습 이미지로부터 상기 진단 대상자의 신체 조직 중 일부를 포함하는 관심 영역을 추출하는 단계;
상기 엑스레이 학습 이미지로부터 추출된 관심 영역의 해상도 정보를 미리 설정된 해상도 정보로 업스케일링함으로써 초해상화 처리하는 단계; 및
상기 초해상화 처리된 엑스레이 학습 이미지의 관심 영역에 대한 이미지를 정규화하는 단계; 를 포함하는, 방법. - 제12항에 있어서, 상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리 하는 단계는
상기 임상 공변량 학습 정보를 부호화 하는 단계; 및
상기 부호화된 임상 공변량 학습 정보 및 상기 엑스레이 학습 이미지로부터 추출된 관심 영역에 대한 이미지 데이터 사이에 오버피팅이 되지 않도록 가중치를 부여함으로써 정규화 하는 단계; 를 포함하는, 방법. - 제1항에 있어서, 상기 인공 지능 모델을 학습시키는 단계는
상기 전처리된 엑스레이 학습 이미지로부터 골밀도 정보를 획득하는 단계;
상기 골밀도 정보에 기초하여 골밀도에 관한 T-점수 정보를 획득하는 단계;
상기 전처리된 임상 공변량 학습 정보 중, 상기 엑스레이 학습 이미지에 매칭 가능한 매칭 임상 공변량 학습 정보를 레이블링 정보로 생성하는 단계;
상기 생성된 레이블링 정보를 이용하여 상기 엑스레이 학습 이미지를 레이블링하는 단계; 및
상기 레이블링된 엑스레이 학습 이미지에 기초하여 상기 인공 지능 모델을 학습시키는 단계; 를 포함하는, 방법. - 제1항에 있어서, 상기 방법은
상기 학습된 인공 지능 모델로부터 출력되는 진단 정보를 검증하는 단계; 및
상기 검증 결과에 기초하여, 상기 인공 지능 모델을 재 학습하는 단계; 를 더 포함하는, 방법. - 진단 대상자의 골다공증 위험도의 진단을 위한 정보를 제공하는 전자 장치에 있어서,
네트워크 인터페이스;
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
상기 적어도 하나의 프로세서는
상기 진단 대상자의 임상 공변량 정보를 획득하고,
상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하고,
상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하고,
상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하고,
상기 획득된 진단 정보를 출력하며,
상기 임상 공변량 정보는 상기 전자 장치와 연동된 서버로부터 획득된 스캔 이미지, 골밀도 정보, T-점수 정보, Z-점수 정보 및 대퇴골 형태 요소 정보를 포함하는 DXA 자료를 포함하는 것을 특징으로 하고,
상기 적어도 하나의 프로세서는 상기 진단 정보를 시간의 흐름에 따른 골다공증 발생 위험도 또는 골다공증 발생 위험률을 시각화한 그래프로 나타냄으로써 시각 진단 정보를 생성하고,
상기 생성된 시각 진단 정보 및 상기 획득된 진단 정보를 함께 출력하고,
상기 진단 대상자의 성별, 연령대 및 고혈압 유무를 포함하는 명목형 변수에 대하여 환자군과 대조군 사이에 골다공증 발생비율에 차이가 있는지 피어슨 카이제곱 검정 또는 피셔 정확 검정을 수행함으로써, 상기 인공지능 모델로부터 출력된 상기 진단 정보를 검증하고,
상기 적어도 하나의 프로세서는, 상기 진단 정보 내 변수의 타입이 연속형 변수로 식별되는 경우 만-위트니 유 검증 분석 기법, 상기 변수의 타입의 환자의 생존율인 경우, 카플란-마이어 분석 및 로그 순위 분석 기법, 상기 변수의 타입이 단변량 변수로 식별되고, 상기 단변량 변수로 식별된 변수 중 일부 변수에 대해서는 콕스 비례 위험 모형 다변량 분석 기법에 기초하여, 상기 검증을 수행하며,
상기 적어도 하나의 프로세서는, 상기 진단 대상자의 임상 공변량 정보를 획득하기에 앞서,
상기 인공 지능 모델을 학습시키기 위한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하고,
상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리하며,
상기 전처리된 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보에 기초하여 상기 인공 지능 모델을 학습시키고,
상기 적어도 하나의 프로세서는, 소정의 기간 동안 요추 및 근위 대퇴부의 골밀도 검사를 받은 진단 대상자들을 정상 그룹, 골감소증 그룹, 비골절 골다공증 그룹 또는 골절 골다공증 그룹 중 적어도 하나의 학습 진단 그룹으로 그룹화하고, 상기 그룹화된 진단 대상자들에 대한 상기 DXA 자료 및 전자 의무 기록 정보에 기초하여, 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하는, 전자 장치. - 제16항에 있어서, 상기 적어도 하나의 프로세서는
상기 인공 지능 모델을 학습시키기 위한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하고,
상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리하고,
상기 전처리된 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보에 기초하여 상기 인공 지능 모델을 학습시키는, 전자 장치. - 전자 장치가 진단 대상자의 골다공증 및 골다공증성 골절 위험도의 진단을 위한 정보를 제공하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
상기 진단 대상자의 임상 공변량 정보를 획득하는 단계;
상기 진단 대상자의 신체 조직에 관한 엑스레이 이미지를 획득하는 단계;
상기 임상 공변량 정보 및 상기 엑스레이 이미지를 전처리 하는 단계;
상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지가 입력되면, 상기 진단 대상자의 골다공증 및 골다공증성 골절 위험도에 관한 진단 정보를 출력하는 인공 지능 모델에, 상기 전처리된 임상 공변량 정보 및 상기 엑스레이 이미지를 입력함으로써 상기 진단 정보를 획득하는 단계; 및
상기 획득된 진단 정보를 출력하는 단계; 를 포함하고,
상기 임상 공변량 정보는 상기 전자 장치와 연동된 서버로부터 획득된 스캔 이미지, 골밀도 정보, T-점수 정보, Z-점수 정보 및 대퇴골 형태 요소 정보를 포함하는 DXA 자료를 포함하는 것을 특징으로 하고,
상기 획득된 진단 정보를 출력하는 단계는,
상기 진단 정보를 시간의 흐름에 따른 골다공증 발생 위험도 또는 골다공증 발생 위험률을 시각화한 그래프로 나타냄으로써 시각 진단 정보를 생성하는 단계; 및
상기 생성된 시각 진단 정보 및 상기 획득된 진단 정보를 함께 출력하는 단계; 를 포함하며, 상기 방법은 상기 진단 정보를 출력하는 단계 이후,
상기 진단 대상자의 성별, 연령대 및 고혈압 유무를 포함하는 명목형 변수에 대하여 환자군과 대조군 사이에 골다공증 발생비율에 차이가 있는지 피어슨 카이제곱 검정 또는 피셔 정확 검정을 수행함으로써, 상기 인공지능 모델로부터 출력된 상기 진단 정보를 검증하는 단계; 를 더 포함하며,
상기 진단 정보를 검증하는 단계는, 상기 진단 정보 내 변수의 타입이 연속형 변수로 식별되는 경우 만-위트니 유 검증 분석 기법, 상기 변수의 타입의 환자의 생존율인 경우, 카플란-마이어 분석 및 로그 순위 분석 기법, 상기 변수의 타입이 단변량 변수로 식별되고, 상기 단변량 변수로 식별된 변수 중 일부 변수에 대해서는 콕스 비례 위험 모형 다변량 분석 기법에 의해 수행되는 것을 특징으로 하고,
상기 방법은 상기 진단 대상자의 임상 공변량 정보를 획득하는 단계에 앞서,
상기 인공 지능 모델을 학습시키기 위한 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하는 단계;
상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 전처리하는 단계; 및
상기 전처리된 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보에 기초하여 상기 인공 지능 모델을 학습시키는 단계; 를 더 포함하고,
상기 엑스레이 학습 이미지 및 상기 임상 공변량 학습 정보를 획득하는 단계는 소정의 기간 동안 요추 및 근위 대퇴부의 골밀도 검사를 받은 진단 대상자들을 정상 그룹, 골감소증 그룹, 비골절 골다공증 그룹 또는 골절 골다공증 그룹 중 적어도 하나의 학습 진단 그룹으로 그룹화하고, 상기 그룹화된 진단 대상자들에 대한 상기 DXA 자료 및 전자 의무 기록 정보에 기초하여, 엑스레이 학습 이미지 및 임상 공변량 학습 정보를 획득하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210073044A KR102624616B1 (ko) | 2021-06-04 | 2021-06-04 | Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210073044A KR102624616B1 (ko) | 2021-06-04 | 2021-06-04 | Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220164361A KR20220164361A (ko) | 2022-12-13 |
KR102624616B1 true KR102624616B1 (ko) | 2024-01-18 |
Family
ID=84439089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210073044A KR102624616B1 (ko) | 2021-06-04 | 2021-06-04 | Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102624616B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117174257B (zh) * | 2023-11-03 | 2024-02-27 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102097741B1 (ko) | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 |
KR102185760B1 (ko) * | 2020-03-18 | 2020-12-03 | 가톨릭대학교 산학협력단 | 골다공증 진단 장치 및 골다공증 판단 방법 |
US20210015421A1 (en) * | 2019-07-16 | 2021-01-21 | 16 Bit Inc. | Systems and Methods for Approximating Bone Mineral Density and Fracture Risk using Single Energy X-Rays |
-
2021
- 2021-06-04 KR KR1020210073044A patent/KR102624616B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210015421A1 (en) * | 2019-07-16 | 2021-01-21 | 16 Bit Inc. | Systems and Methods for Approximating Bone Mineral Density and Fracture Risk using Single Energy X-Rays |
KR102097741B1 (ko) | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 |
KR102185760B1 (ko) * | 2020-03-18 | 2020-12-03 | 가톨릭대학교 산학협력단 | 골다공증 진단 장치 및 골다공증 판단 방법 |
Non-Patent Citations (1)
Title |
---|
Y. Li, 외., A Review of the Deep Learning Methods for Medical Images Super Resolution Problems. IRBM, Vol. 42, Issue 2. 2021. pp.120-133. 2020.08.20. 공개.* |
Also Published As
Publication number | Publication date |
---|---|
KR20220164361A (ko) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Automated bone mineral density prediction and fracture risk assessment using plain radiographs via deep learning | |
Azizi et al. | Robust and data-efficient generalization of self-supervised machine learning for diagnostic imaging | |
Lee et al. | The exploration of feature extraction and machine learning for predicting bone density from simple spine X-ray images in a Korean population | |
KR102185760B1 (ko) | 골다공증 진단 장치 및 골다공증 판단 방법 | |
US20190050982A1 (en) | System and method for automatically detecting a physiological condition from a medical image of a patient | |
US20220122253A1 (en) | Information processing device, program, trained model, diagnostic support device, learning device, and prediction model generation method | |
CN109147940B (zh) | 从患者的医学图像自动预测生理状况的装置和系统 | |
Azimi et al. | A review on the use of artificial intelligence in spinal diseases | |
Laserson et al. | Textray: Mining clinical reports to gain a broad understanding of chest x-rays | |
US11737704B2 (en) | Systems and methods for approximating bone mineral density and fracture risk using single energy x-rays | |
Luo et al. | A preliminary dual-energy X-ray absorptiometry-based finite element model for assessing osteoporotic hip fracture risk | |
McMaster et al. | Artificial intelligence and deep learning for rheumatologists | |
KR102624616B1 (ko) | Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 | |
Fleps et al. | A review of CT-based fracture risk assessment with finite element modeling and machine learning | |
Sharma et al. | Classification of heart disease from MRI images using convolutional neural network | |
Senapati et al. | Wrist crack classification using deep learning and X-ray imaging | |
Wang et al. | Opportunistic screening of osteoporosis using plain film chest X-ray | |
Constant et al. | The use of deep learning in medical imaging to improve spine care: A scoping review of current literature and clinical applications | |
Subhash et al. | An efficient cnn for hand x-ray classification of rheumatoid arthritis | |
KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
CN114241261A (zh) | 基于图像处理的皮肤病识别方法、装置、设备及存储介质 | |
Soydan et al. | An AI based classifier model for lateral pillar classification of Legg–Calve–Perthes | |
Ye et al. | Automatic ARDS surveillance with chest X-ray recognition using convolutional neural networks | |
Gilani et al. | Show, attend and detect: towards fine-grained assessment of abdominal aortic calcification on vertebral fracture assessment scans | |
Zhang et al. | Improving Image Classification of Knee Radiographs: An Automated Image Labeling Approach |
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 |