KR102641727B1 - 근시 퇴행 예측 전자장치 및 그것의 동작방법 - Google Patents

근시 퇴행 예측 전자장치 및 그것의 동작방법 Download PDF

Info

Publication number
KR102641727B1
KR102641727B1 KR1020230023137A KR20230023137A KR102641727B1 KR 102641727 B1 KR102641727 B1 KR 102641727B1 KR 1020230023137 A KR1020230023137 A KR 1020230023137A KR 20230023137 A KR20230023137 A KR 20230023137A KR 102641727 B1 KR102641727 B1 KR 102641727B1
Authority
KR
South Korea
Prior art keywords
machine learning
learning model
myopia
vision correction
training data
Prior art date
Application number
KR1020230023137A
Other languages
English (en)
Inventor
류익희
김진국
유태근
Original Assignee
주식회사 비쥬웍스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 비쥬웍스 filed Critical 주식회사 비쥬웍스
Priority to KR1020230023137A priority Critical patent/KR102641727B1/ko
Application granted granted Critical
Publication of KR102641727B1 publication Critical patent/KR102641727B1/ko

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • 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
    • G16H30/40—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Ophthalmology & Optometry (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

본 발명의 일 실시예에 따른 근시퇴행을 예측하는 전자장치는 메모리; 및 상기 메모리와 연결되고, 상기 메모리에 포함된 명령들을 실행하도록 구성된 프로세서를 포함하되, 상기 프로세서는 피검자의 제1 타겟데이터 및 상기 피검자의 제2 타겟데이터를 수집하고, 상기 제1 타겟데이터를 제1 기계학습 모델에 대한 입력데이터로 하여 제1 결과값을 상기 제1 기계학습 모델에 대한 출력데이터로 추출하고, 상기 제1 결과값에 기초하여 상기 피검자의 근시퇴행가능여부를 판단할 수 있다.

Description

근시 퇴행 예측 전자장치 및 그것의 동작방법{ELECTRONIC DEVICE FOR PREDICTING MYOPIA REGRESSION AND THEREOF METHOD}
본 발명은 근시 퇴행을 예측하는 전자장치 및 그것의 동작방법에 관한 것이다.
오늘날 라식, 라섹, 스마일과 같은 시력교정술은 우수한 효과 때문에 남녀노소 불문하고 시력이 좋지 않은 사람들의 근시 교정에 많이 활용되고 있다. 스마트폰, 태블릿PC 등 각종 IT 기기의 보편화로 나빠진 시력을 교정하는 시력교정수술을 받는 인구는 해마다 증가하고 있다. 하지만, 수술의 장기적 유효성과 부작용에 대해 잘 알려져있지 않아 많은 사람들이 장기적인 합병증에 대하여 우려하고 있는 상황이다.
시력교정수술 후 가장 흔한 장기적인 합병증은 근시 퇴행(myopia regression)이다. 근시퇴행은 일반적으로 진행속도가 매우 느리기 때문에 장기적으로 관찰하지 않으면, 합병증을 진단하기 어렵다. 시력교정수술 후 근시 퇴행의 정확한 요인은 알려져 있지 않으며, 사람마다 상황이 다르기 때문에 예측할 수 없는 것으로 여겨져 왔다. 근시퇴행은 시력교정수술 후 안경을 다시 맞춘다거나, 콘택트 렌즈를 사용한다거나, 추가적인 교정수술을 시행하는 등 상당한 인적, 사회적 경제적 비용을 수반하게 된다.
만약, 시력교정수술 후, 근시퇴행의 가능성이 높은 환자를 식별할 수 있다면, 합병증과 관련된 인적, 사회적, 경제적 비용을 줄일 수 있다. 따라서, 시력교정수술 후 근시퇴행의 가능성을 판단할 수 있는 기술이 필요하다.
본 발명에 따르면, 수술전 데이터와 환자의 안저사진을 기반으로 구축된 인공지능 기계학습 모델을 활용하여 시력교정수술 후 근시퇴행 가능성을 예측하는 전자장치 및 그것의 동작방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 근시퇴행을 예측하는 전자장치는 메모리; 및 상기 메모리와 연결되고, 상기 메모리에 포함된 명령들을 실행하도록 구성된 프로세서를 포함하되, 상기 프로세서는 피검자의 제1 타겟데이터 및 상기 피검자의 제2 타겟데이터를 수집하고, 상기 제1 타겟데이터를 제1 기계학습 모델에 대한 입력데이터로 하여 제1 결과값을 상기 제1 기계학습 모델에 대한 출력데이터로 추출하고, 상기 제1 결과값과 상기 제2 타겟데이터를 제2 기계학습 모델에 대한 입력데이터로 하여 제2 결과값을 상기 제2 기계학습 모델에 대한 출력데이터로 추출하며, 상기 제2 결과값에 기초하여 상기 피검자의 근시퇴행가능여부를 판단하는할 수 있다.
본 발명의 실시 예에 따르면, 상기 제1 타겟데이터는 상기 피검자의 안저사진에 대한 정보이고, 상기 제2 타겟데이터는 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보를 포함할 수 있다.
본 발명의 실시 예에 따르면, 상기 프로세서는 제1 훈련데이터를 수집하고, 상기 제1 훈련데이터를 기반으로 제1 훈련데이터세트를 가공하며, 상기 제1 훈련데이터세트를 토대로 상기 제1 신경망모델을 구축하며, 상기 제1 신경망모델에 대하여 기 설정된 주기대로 성능을 판단하며, 상기 제1 훈련데이터는 복수의 피검자들에 대한 안저사진에 대한 정보를 포함할 수 있다.
본 발명의 실시 예에 따르면, 상기 프로세서는 제2 훈련데이터를 수집하고, 상기 제2 훈련데이터를 기반으로 제2 훈련데이터세트를 가공하며, 상기 제2 훈련데이터세트를 토대로 상기 제2 신경망모델을 구축하며, 상기 제2 신경망모델에 대하여 기 설정된 주기대로 성능을 판단하는 상기 제2 훈련데이터는 복수의 피검자들에 각각에 대한 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보를 포함할 수 있다.
본 발명의 실시 예에 따르면, 상기 프로세서는 외부 전자장치로 상기 근시퇴행가능여부를 제공할 수 있다.
본 발명의 일 실시예에 따른 근시퇴행을 예측하는 전자장치의 동작방법은 피검자의 제1 타겟데이터 및 상기 피검자의 제2 타겟데이터를 수집하는 단계; 상기 제1 타겟데이터를 제1 기계학습 모델에 대한 입력데이터로 하여 제1 결과값을 상기 제1 기계학습 모델에 대한 출력데이터로 추출하는 단계; 상기 제1 결과값과 상기 제2 타겟데이터를 제2 기계학습 모델에 대한 입력데이터로 하여 제2 결과값을 상기 제2 기계학습 모델에 대한 출력데이터로 추출하는 단계; 및 상기 제2 결과값에 기초하여 상기 피검자의 근시퇴행가능여부를 판단하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따르면, 상기 제1 타겟데이터는 상기 피검자의 안저사진에 대한 정보이고, 상기 제2 타겟데이터는 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보를 포함할 수 있다.
본 발명의 실시 예에 따르면, 제1 훈련데이터를 수집하는 단계; 상기 제1 훈련데이터를 기반으로 제1 훈련데이터세트를 가공하는 단계; 상기 제1 훈련데이터세트를 토대로 상기 제1 신경망모델을 구축하는 단계; 및 상기 제1 신경망모델에 대하여 기 설정된 주기대로 성능을 판단하는 단계를 더 포함하며, 상기 제1 훈련데이터는 복수의 피검자들에 대한 안저사진에 대한 정보를 포함할 수 있다.
본 발명의 실시 예에 따르면, 제2 훈련데이터를 수집하는 단계; 상기 제2 훈련데이터를 기반으로 제2 훈련데이터세트를 가공하는 단계; 상기 제2 훈련데이터세트를 토대로 상기 제2 신경망모델을 구축하는 단계; 및 상기 제2 신경망모델에 대하여 기 설정된 주기대로 성능을 판단하는 단계를 더 포함하며, 상기 제2 훈련데이터는 복수의 피검자들에 각각에 대한 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보를 포함할 수 있다.
본 발명의 실시 예에 따르면, 외부 전자장치로 상기 근시퇴행가능여부를 제공하는 단계를 더 포함할 수 있다.
본 발명의 근시퇴행예측 전자장치 및 그것의 동작방법에 따르면, 근시퇴행관찰을 위한 검진을 최소화하면서 시력교정수술 후 근시퇴행을 예측하여 비용과 시간을 절약하고, 근시퇴행의 고위험 환자를 식별하여 맞춤형 치료 전략을 제공할 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 근시퇴행예측 시스템에 관한 도면이다.
도 2는 본 발명의 일 실시예에 따른 전자장치의 구성을 나타내는 블록도이다.
도 3a는 본 발명의 일 실시예에 따른 전자장치의 동작을 나타낸 개념도이다.
도 3b는 본 발명의 일 실시예에 따른 전자장치의 동작을 나타낸 흐름도이다.
도 3c는 본 발명의 일 실시예에 따른 전자장치의 동작을 나타낸 개념도이다.
도 4a는 본 발명의 일 실시예에 따른 전자장치의 동작을 나타낸 흐름도이다.
도 4b는 본 발명의 일 실시예에 따른 전자장치의 동작을 나타낸 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 전자장치의 동작을 나타낸 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 근시퇴행을 예측하는 전자장치의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 본 발명은 특정 실시 예에 대해 한정되지 아니며, 본 발명의 실시 예들의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다", "가질 수 있다", "포함한다", 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B", "A 또는/및 B 중 적어도 하나", 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B", "A 및 B 중 적어도 하나", 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 본 문서에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)", "~하는 능력을 가지는(having the capacity to)", "~하도록 설계된(designed to)", "~하도록 변경된(adapted to)", "~하도록 만들어진(made to)", 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성(또는 설정)된"은 "특별히 설계된(specifically designed to)"것만을 반드시 의미하지는 않는다.
본 문서에 있어서 제1 전자장치(들)와 제2 전자장치(들) 사이에서 송수신되는, 예컨대, "명령(command)", "명령어(instruction)", "제어 정보", "메시지", "정보", "데이터", "패킷", "데이터 패킷", "인텐트(intent)" 및/또는 "신호"는 그 표현에 구애됨 없이 인간이 인지할 수 있는 사상이나 구체적인 전기적 표현(예: 디지털 부호/아날로그 물리량)을 포함하거나 그 자체를 지칭하는 것일 수 있다. 상기 열거된 예시적인 표현이 사용하게 되는 맥락에 따라 다양하게 해석될 수 있음은 본 문서에서 개시된 발명이 속한 기술분야의 통상의 기술자에게 자명할 것이다. 본 문서에서 “가 B보다 크다”는 단순히 “가 B보다 크다”는 의미를 갖고 있을 뿐만 아니라 “가 B보다 같거나 크다”라는 의미도 포함한다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은 관련 기술의 문맥 상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 근시퇴행예측 시스템에 관한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 전자장치(150)는 네트워크를 통해 외부의 또다른 전자장치와 통신할 수 있다.
참고로, 전자장치(150)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 예를 들어, 컴퓨터는 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 또한, 전자장치(150)는 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 예를 들어, 전자장치(150)는 휴대성과 이동성이 보장되는 무선 통신 장치로서, 내비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
본 발명의 일 실시 예에 따른 전자장치(150)는 명령, 코드 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 혹은 복수의 컴퓨터 장치들로 구현될 수 있다. 전자장치(150)는 개인 또는 기업에 의해 제작되어 운영되는 자체 웹 페이지 또는 어플리케이션(APP)의 형태로 구현될 수 있다.
본 발명의 실시 예에 따르면, 전자장치(150)는 외부로부터 입력데이터를 제공받아 근시퇴행을 예측할 수 있다. 본 발명의 일 실시 예에 따르면, 입력데이터는 환자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량 및 안저사진 등을 포함할 수 있다.
본 발명의 실시 예에 따르면, 전자장치(150)는 입력데이터에 기초하여 근시퇴행 가능성을 식별할 수 있다.
도 2는 도 1에 도시된 서버의 세부적인 구성을 개략적으로 나타낸 블록도이다.
도 2에 도시된 바와 같이, 전자장치(150)는 버스(210), 디스플레이(220), 통신회로(230), 데이터베이스(240), 메모리(250), I/O 인터페이스(260) 및 프로세서(270)를 포함할 수 있다. 다른 실시 예에서는, 전자장치(150)는 상기 구성요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다.
참고로, 도 2에 도시되는 전자장치(150)의 구성요소들(210, 220, 230, 240, 250, 260, 270)은 본 발명의 일 실시 예에 따른 문서 작성 지원 방법을 설명하기 위한 예시적인 구성요소들에 불과하다. 즉, 본 발명의 일 실시 예에 따른 전자장치(150)가 도시된 구성요소들 이외의 다른 구성요소를 추가로 포함할 수 있음은 명백하다.
버스(210)는 구성요소들(220 내지 270)을 서로 전기적으로 연결할 수 있다. 버스(210)는 구성요소들(220 내지 270) 간의 통신(예를 들면, 제어 메시지 및/또는 데이터)을 위한 회로를 포함할 수 있다.
디스플레이(220)는 각종 콘텐츠를 구성하는 텍스트, 이미지, 비디오, 아이콘 혹은 심볼 등을 표시할 수 있다. 디스플레이(220)는 터치스크린을 포함할 수 있으며, 전자펜 혹은 사용자 신체의 일부를 이용한 터치, 제스처, 근접 혹은 호버링(hovering) 입력을 수신할 수 있다.
예를 들면, 디스플레이(220)는 액정디스플레이(LCD), 발광다이오드(LED) 디스플레이, 유기 발광 다이오드(organic LED) 디스플레이 또는 마이크로 전자기기 시스템(microelectromechanical systems, MEMS) 디스플레이, 또는 전자 종이(electronic paper) 디스플레이를 포함할 수 있다. 디스플레이(220)는 전자장치(150)에 포함되어 구현되거나, 전자장치(150)와 별도로 구현되되 상기 전자장치(150)에 기능적(operatively)으로 연결될 수 있다.
통신회로(230)는 전자장치(150)와 외부장치들과의 통신 채널을 수립할 수 있다. 통신회로(230)는 무선 통신 혹은 유선 통신을 통하여 네트워크(280)에 액세스하여 외부장치들과 통신할 수 있다.
데이터베이스(240)는 메모리(250) 상에 구현되거나 별도의 저장매체에 구현될 수 있다. 데이터베이스(240)는 외부장치와 송수신한 데이터의 내용, 내역 등을 모두 저장할 수 있다. 데이터베이스(240)에 저장된 데이터는 미리 지정된 주기에 따라 일정하게 업데이트될 수 있다.
본 발명의 실시 예에 따르면, 데이터베이스(240)에는 외부장치로부터 입력받은 다양한 정보가 저장될 수 있다. 예를 들면, 데이터베이스(240)는 환자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량 및 안저사진 등이 저장될 수 있다.
다양한 실시 예에 따르면, 데이터베이스(240)에 저장되는 데이터는 피검자의 민감한 정보이므로, 상기 정보들의 이용에 관한 보안성 향상을 위하여 블록체인 네트워크에 분산 저장될 수도 있다. 데이터베이스(240)가 블록체인 네트워크에 분산 저장되면, 데이터베이스(240)에 포함된 정보의 전송, 수정(modification), 삭제, 추가 등의 이력은 당해 블록체인 네트워크에서 더욱 안전하게 관리될 수 있다.
메모리(250)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(250)는 전자장치(150)에 적어도 하나의 다른 구성요소에 관계된 명령 혹은 데이터를 저장할 수 있다. 예를 들면, 메모리(250)는 실행 시에, 프로세서(270)가 본 명세서에서 설명되는 다양한 동작을 수행하도록 하는 명령어(instructions)를 저장할 수 있다. 일 예로, 상기 명령어는 어플리케이션 프로그램의 패키지 파일에 포함될 수 있다.
I/O 인터페이스(260)는 사용자 혹은 다른 외부기기로부터 입력된 명령 혹은 데이터를 전자장치(150)의 다른 구성요소에 전달할 수 있는 역할을 수행할 수 있다. I/O 인터페이스(260)는 하드웨어 혹은 소프트웨어로 구현될 수 있으며, 사용자 인터페이스(UI) 및 외부 다른 장치와의 통신을 위한 단자를 포괄하는 개념으로 사용될 수 있다.
프로세서(270)는 중앙처리장치(CPU), 어플리케이션 프로세서(AP) 혹은 커뮤니케이션 프로세서(CP) 중 적어도 하나 이상을 포함할 수 있다. 프로세서(270)는 버스(210)를 통하여 메모리(250), 디스플레이(220) 및 통신회로(230)과 전기적으로 연결되며, 동작 중에, 메모리(250)에 저장된 명령어, 프로그램 혹은 소프트웨어에 따라 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 따라서, 상기 명령어, 어플리케이션 프로그램 혹은 소프트웨어의 실행은 프로세서(270)의 동작으로 이해될 수 있다.
본 발명의 실시 예에 따르면, 프로세서(270)는 후술하는 근시퇴행예측과 관련된 모델의 학습 및 예측 단계의 수행을 위한 데이터 가공 등을 수행할 수 있다. 본 발명의 실시 예에 따르면, 프로세서(270)는 후술하는 근시퇴행예측과 관련된 모델의 학습을 수행할 수 있으며, 근시퇴행예측과 관련된 모델을 활용하여 근시퇴행예측 결과를 생성할 수 있다.
네트워크(280)는 통신 네트워크(telecommunications network), 컴퓨터 네트워크(computer network), 인터넷, 혹은 전화망(telephone network) 중 적어도 하나를 포함할 수 있다. 상기 네트워크(280)에 액세스하기 무선 통신 프로토콜은, 예를 들면, LTE(Long-Term Evolution), LTE-A(LTE Advanced), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), UMTS(Universal Mobile Telecommunications System), WiBro(Wireless Broadband), GSM(Global System for Mobile communications), 또는 5G 표준통신 프로토콜 중 적어도 하나를 사용할 수 있다. 다만, 이는 예시적인 것으로서, 본 발명이 적용되는 실시 예에 따라 당해 기술분야에서 적용 가능한 다양한 유, 무선 통신 기술이 이용될 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 전자장치(150)에 따르면, 근시퇴행관찰을 위한 검진을 최소화하면서 시력교정수술 후 근시퇴행을 예측하여 비용과 시간을 절약하고, 근시퇴행의 고위험 환자를 식별하여 맞춤형 치료 전략을 피검자에게 제공할 수 있다.
도 3a은 본 발명의 일 실시예에 따른 전자장치(150)의 의하여 구축된 제1 기계학습 모델을 나타낸 개념도이다.
본 발명의 일 실시 예에 따른 제1 기계학습 모델은 피검자의 안저를 촬영한 사진(이하, 안저사진)을 분석하기 위한 신경망을 포함할 수 있다. 본 발명의 실시 예에 따르면, 신경망은 상호 연결된 노드 단위의 집합으로 구성될 수 있다. 복수의 노드들은 복수의 뉴런(neuron)들을 의미한다. 본 발명의 실시 예에 따르면, 신경망을 구성하는 노드들은 하나 이상의 링크로 연결될 수 있다. 신경망에서, 링크를 통해 연결된 하나 이상의 노드들은 입력 노드 및 출력 노드의 관계를 형성할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 따라 그 값(value)이 결정될 수 있다. 본 발명의 실시 예에 따르면, 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있다. 또한, 본 발명의 실시 예에 따른 신경망은 근시퇴행을 예측하기 위하여 사용자 또는 일정한 알고리즘에 의해 가중치를 가변할 수도 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 링크로 연결된 경우, 출력 노드는 해당하는 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
본 발명의 실시 예에 따르면, 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 성능이 결정될 수 있다. 예를 들어, 노드의 개수 및 링크의 개수가 동일하고, 링크의 가중치 값이 서로 다른 두 신경망이 존재하는 경우에는, 두 개의 신경망들은 서로 다른 것으로 인식될 수 있다.
신경망은 복수의 노드들의 집합으로 구성될 수 있으며, 신경망을 구성하는 노드들의 부분 집합을 레이어(layer)로 지칭할 수 있다. 신경망을 구성하는 노드들 중 일부는, 특정 입력 노드로부터 형성하는 거리에 기초하여, 레이어(layer)를 구성할 수 있다. 예를 들어, 특정 입력 노드로부터 거리가 'n'인 복수의 노드들의 집합은 'n'-레이어를 구성할 수 있다. 특정 입력 노드로부터 거리는 특정 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크의 개수를 의미한다. 다만, 이러한 레이어의 정의는 일 실시 예일 뿐이며, 이에 제한되지 아니한다.
본 발명의 일 실시예에 따르면, 신경망은 입력 레이어에 포함된 노드의 개수가 출력 레이어에 포함된 노드의 개수와 동일할 수 있다. 본 발명의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 다를 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어뿐만 아니라 적어도 하나 이상의 히든 레이어를 포함하는 신경망을 의미한다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 예컨대, 딥 뉴럴 네트워크를 이용하면 안저사진의 잠재적인 구조(예컨대, 특정한 무늬가 있는지 망막신경이 어떠한 형태로 되어 있는지, 색소층이 얇은지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(convolutional neural network), 리커런트 뉴럴 네트워크(recurrent neural network), 적대적 생성 네트워크(Generative Adversarial Network), 오토 인코더(auto encoder), 심층 신뢰 네트워크(DBN: deep belief network) 등을 포함할 수 있다. 다만, 이는 예시일 뿐이며, 이에 제한되지 아니한다.
신경망은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning) 혹은 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 신경망이 근시퇴행예측을 수행하기 위한 정보(데이터)를 신경망에 적용하여 특정 모델을 구축하는 과정일 수 있다.
신경망은 출력의 오류가 최소화되도록 훈련데이터에 기초하여 학습될 수 있다. 신경망은 반복적으로 훈련데이터(training data)를 입력받고, 훈련데이터에 기초하여 신경망의 출력과 타겟데이터 간의 에러를 산출할 수 있다. 신경망은 산출된 에러를 줄이기 위하여 신경망의 에러를 신경망의 출력 레이어(혹은 출력 노드)에서부터 입력 레이어(혹은 입력 노드) 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트할 수 있다.
지도 학습의 경우, 신경망은 각각의 훈련데이터에 정답값이 라벨링(labeling) 되어있는 훈련데이터(라벨링 데이터)를 사용할 수 있다. 비지도 학습의 경우, 신경망은 각각의 훈련데이터에 정답이 라벨링되어 있지 않을 수 있다. 예를 들어 데이터 분류에 관한 지도 학습에 활용된 훈련데이터는 훈련데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 신경망은 라벨링 데이터를 입력받고, 신경망의 출력과 훈련데이터의 라벨을 비교하여 에러를 계산할 수 있다. 또 다른 예를 들면, 데이터 분류에 관한 비지도 학습에 활용된 입력인 훈련데이터에 대하여 신경망은 신경망의 출력과 비교하면서 에러를 계산할 수 있다. 계산된 오류는 신경망에서 역방향으로 전파될 수 있다. 신경망은 역전파에 따라 신경망의 각 레이어에 포함된 각 노드들의 링크에 대응하는 가중치를 업데이트할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다.
신경망의 학습에서 일반적으로 훈련데이터는 실제 데이터(즉, 학습된 신경망을 활용하여 처리하고자 하는 안저사진 등)의 부분집합일 수 있다. 훈련데이터에 대한 오류는 감소함에도, 실제 데이터에 대해서는 오류가 증가하는 경우가 존재할 수 있다. 과적합(overfitting)은 이와 같이 훈련데이터에 과도하게 학습되어, 실제 데이터에 대해서는 오류가 증가하는 현상이다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다.
본 발명의 실시 예에 따른 전자장치(150)는 과적합을 막기 위하여 훈련데이터를 증가시키는 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 등의 방법을 활용하였다.
도 3b는 본 발명의 일 실시예에 따른 전자장치(150)의 동작을 나타낸 흐름도이다. 특히, 도 3a에서는, 본 발명의 실시 예에 따라 제1 기계학습 모델을 구축하는 전자장치(150)의 동작이 도시된다.
단계 S301에서, 전자장치(150)는 제1 훈련데이터를 수집할 수 있다. 본 발명의 일 실시 예에 따르면, 전자장치(150)는 제1 훈련데이터를 외부로부터 제공받을 수 있다. 본 발명의 다른 실시 예에 따르면, 전자장치(150)는 자체적으로 훈련용 데이터를 수집할 수 있다. 제1 기계학습 모델 구축을 위한 제1 훈련데이터는 복수의 피검자에 대응하는 안저사진일 수 있다.
단계 S303에서, 전자장치(150)는 제1 훈련데이터를 기반으로 제1 훈련데이터세트를 가공할 수 있다. 본 발명의 일 실시 예에 따르면, 전자장치(150)는 제1 훈련데이터를 근시퇴행가능성이 높은 데이터(비정상 데이터)와 근시퇴행 가능성이 낮은 데이터(정상 데이터)로 분류하여 제1 훈련데이터세트를 생성할 수 있다.
단계 S305에서, 전자장치(150)는 제1 훈련데이터세트를 토대로 피검자의 안저사진을 이용한 근시 퇴행을 예측하기 위한 제1 기계학습 모델을 구축할 수 있다.
단계 S307에서, 전자장치(150)는 제1 기계학습 모델에 대한 성능을 판단할 수 있다. 본 발명의 실시 예에 따르면, 전자장치(150)는 제1 기계학습 모델을 활용하여 출력된 데이터와 제1 훈련데이터를 비교하여 에러를 계산할 수 있다. 전자장치(150)는 주기적으로 상기 에러를 계산하여 제1 기계학습 모델에 대한 성능을 판단할 수 있다.
도면에 도시되진 아니하였으나, 전자장치(150)는 계산된 에러를 감소하는 방향으로 제1 기계학습 모델을 업데이트할 수 있다.
도 3c은 본 발명의 일 실시예에 따른 전자장치(150)의 동작을 나타낸 개념도이다.
본 발명의 실시 예에 따르면, 전자장치(150)는 안저사진(입력 데이터)에 대하여 구축된 제1 기계학습 모델을 활용하여 근시 퇴행을 예측한 값(제1 결과값)을 추출할 수 있다.
본 발명의 실시 예에 따르면, 전자장치(150)는 제1 결과값만으로도 피검자의 근시 퇴행을 판단할 수 있다.
도 4a는 본 발명의 일 실시예에 따른 전자장치(150)의 동작을 나타낸 흐름도이다. 특히, 도 4a에서는, 본 발명의 실시 예에 따라 제2 기계학습 모델을 구축하는 전자장치(150)의 동작이 도시된다. 도면에 도시되진 아니하였으나, 제2 기계학습 모델도 도 3a에 개시된 내용이 그대로 적용될 수 있다.
단계 S401에서, 전자장치(150)는 제2 훈련데이터를 수집할 수 있다. 본 발명의 일 실시 예에 따르면, 전자장치(150)는 제2 훈련데이터를 외부로부터 제공받을 수 있다. 본 발명의 다른 실시 예에 따르면, 전자장치(150)는 자체적으로 제2 훈련데이터를 수집할 수 있다. 제2 기계학습 모델 구축을 위한 제2 훈련데이터는 복수의 피검자에 대한 환자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량 등에 대한 정보(이하, 의료데이터) 및 제1 기계학습 모델의 출력인 제1 결과값을 포함할 수 있다.
단계 S403에서, 전자장치(150)는 제2 훈련데이터를 기반으로 제2 훈련데이터세트를 가공할 수 있다. 본 발명의 일 실시 예에 따르면, 전자장치(150)는 제2 훈련데이터를 근시퇴행가능성이 높은 데이터(비정상 데이터)와 근시퇴행 가능성이 낮은 데이터(정상 데이터)로 분류하여 제2 훈련데이터세트를 생성할 수 있다. 예컨대, 전자장치(150)는 제1 결과값에 의료데이터를 반영하여 근시퇴행가능성이 높은 데이터(비정상 데이터)와 근시퇴행 가능성이 낮은 데이터(정상 데이터)로 분류하여 제2 훈련데이터세트를 생성할 수 있다.
단계 S405에서, 전자장치(150)는 제2 훈련데이터세트를 토대로 피검자의 안저사진과 피검자의 의료데이터를 활용하여 근시 퇴행을 예측하기 위한 제2 기계학습 모델을 구축할 수 있다. 특히, 전자장치(150)는 의료데이터와 제1 기계학습 모델을 활용하여 출력된 제1 결과값을 통합하여 근시 퇴행을 예측할 수 있도록 제2 기계학습 모델을 구축할 수 있다.
단계 S407에서, 전자장치(150)는 제2 기계학습 모델에 대한 성능을 판단할 수 있다. 본 발명의 실시 예에 따르면, 전자장치(150)는 제2 기계학습 모델을 활용하여 출력된 데이터와 제2 훈련데이터를 비교하여 에러를 계산할 수 있다. 전자장치(150)는 주기적으로 상기 에러를 계산하여 제2 기계학습 모델에 대한 성능을 판단할 수 있다.
도면에 도시되진 아니하였으나, 전자장치(150)는 계산된 에러를 감소하는 방향으로 제2 기계학습 모델을 업데이트할 수 있다.
도 4b는 본 발명의 일 실시예에 따른 전자장치의 동작(150)을 나타낸 개념도이다.
본 발명의 실시 예에 따르면, 전자장치(150)는 의료데이터(입력데이터) 및 제1 결과값에 기초하여 구축된 제2 기계학습 모델을 활용하여 피검자의 근시 퇴행을 예측한 값(제2 결과값)을 추출할 수 있다.
본 발명의 실시 예에 따르면, 전자장치(150)는 제2 결과값에 기초하여 피검자의 근시 퇴행 여부를 예측할 수 있다.
도 5은 본 발명의 일 실시예에 따른 전자장치(150)의 동작을 나타낸 흐름도이다.
단계 S501에서, 전자장치(150)는 외부로부터 입력데이터를 수집할 수 있다. 입력데이터는 의료데이터 및 안저(fundus) 사진을 포함할 수 있다. 본 발명의 다양한 실시 예에 따르면, 전자장치(150)는 자체적으로 의료데이터 및 안저(fundus) 사진을 수집할 수 있다.
단계 S503에서, 전자장치(150)는 제1 기계학습 모델을 활용하여 피검자의 안저사진에 대한 제1 결과값을 추출할 수 있다.
단계 S505에서, 전자장치(150)는 제2 기계학습 모델을 활용하여 피검자에 대응하는 제1 결과값과 상기 피검자에 대한 의료데이터에 대한 제2 결과값을 추출할 수 있다.
단계 S507에서, 전자장치(150)는 추출된 제2 결과값에 기초하여 상기 피검자의 근시퇴행여부를 판단할 수 있다.
도 6은 본 발명의 일 실시예에 따른 근시퇴행예측 전자장치의 하드웨어 구성을 나타내는 블록도이다.
본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(1000)은 MCU(1010), 메모리(1020), 입출력 I/F(1030) 및 통신 I/F(1040)를 포함할 수 있다.
MCU(1010)는 메모리(1020)에 저장되어 있는 근시퇴행예측을 위한 각종 프로그램을 실행시키고, 이러한 프로그램들을 통해 여러 데이터를 처리하며, 전술한 도 2에 나타낸 전자장치(150)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(1020)는 각종 프로그램을 저장할 수 있다. 또한, 메모리(1020)는 클라이언트로부터 수신한 각종 데이터를 저장할 수 있다.
이러한 메모리(1020)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(1020)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(1020)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(1020)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(1020)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(1030)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(1010) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(1040)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(1040)를 통해 별도로 마련된 외부 서버로부터 각종 데이터 관리를 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이와 같이, 본 문서에 개시된 일 실시예에 따른 컴퓨터 프로그램은 메모리(1020)에 기록되고, MCU(1010)에 의해 처리됨으로써, 예를 들면 도 2에서 도시한 각 기능들을 수행하는 모듈로서 구현될 수도 있다.
이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
한편, 본 명세서에 기재된 다양한 실시 예들은 하드웨어, 미들웨어, 마이크로코드, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 실시 예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.
또한, 예를 들어, 다양한 실시 예들은 명령들을 포함하는 컴퓨터-판독가능한 매체에 수록되거나 인코딩될 수 있다. 컴퓨터-판독가능한 매체에 수록 또는 인코딩된 명령들은 프로그램 가능한 프로세서 또는 다른 프로세서로 하여금 예컨대,　명령들이 실행될 때 방법을 수행하게끔 할 수 있다. 컴퓨터-판독가능한 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수도 있다. 예를 들어, 이러한 컴퓨터-판독가능한 매체는 RAM, ROM, EEPROM, CD-ROM　또는 기타 광학 디스크 저장 매체, 자기 디스크 저장 매체 또는 기타 자기 저장 디바이스를 포함할 수 있다.
이러한 하드웨어, 소프트웨어, 펌웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용 가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시 예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.
특정한 순서로 동작들이 도면에 도시되어 있지만, 이러한 동작들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 동작이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시 예에서 다양한 구성요소들의 구분은 모든 실시 예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안 되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.
이상으로 설명한 본 문서의 다양한 실시 예들에 따른 전자장치, 서버, 혹은 외부 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 데스크탑 PC, 랩탑 PC, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라, 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체 형(예: 전자 의복), 신체 부착 형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식 형(예: implantable circuit) 중 적어도 하나를 포함할 수 있다.
어떤 실시 예들에서, 전자장치 또는 외부 장치는 가전 제품(home appliance)일 수 있다. 가전 제품은, 예를 들면, 텔레비전, DVD 플레이어(Digital Video Disk player), 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel), TV 박스, 게임 콘솔, 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시 예에서, 전자장치, 외부 장치, 웨어러블 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 내비게이션(navigation) 장치, 위성 항법 시스템 (GNSS(Global Navigation Satellite System)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 가정용 로봇, 또는 사물 인터넷 장치(internet of things) (예: 전구, 각종 센서, 전기 또는 가스 미터기, 스프링클러 장치, 화재경보기, 온도조절기(thermostat), 가로등, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
이상에서와 같이 도면과 명세서에서 최적 실시 예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

  1. 메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 명령들을 실행하도록 구성된 프로세서를 포함하되,
    상기 프로세서는
    피검자의 제1 타겟데이터 및 상기 피검자의 제2 타겟데이터를 수집하고, 상기 제1 타겟데이터를 제1 기계학습 모델에 대한 입력데이터로 하여 제1 결과값을 상기 제1 기계학습 모델에 대한 출력데이터로 추출하고,
    상기 제1 결과값과 상기 제2 타겟데이터를 제2 기계학습 모델에 대한 입력데이터로 하여 제2 결과값을 상기 제2 기계학습 모델에 대한 출력데이터로 추출하며, 상기 제2 결과값에 기초하여 상기 피검자의 근시퇴행가능여부를 판단하며,
    상기 제1 타겟데이터는 상기 피검자의 안저사진에 대한 정보이고,
    상기 제2 타겟데이터는 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값), 시력교정수술 종류(라식, 라섹, 스마일), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보
    를 포함하는 근시퇴행을 예측하는 전자장치.

  2. 삭제
  3. 삭제
  4. 청구항 1에 있어서,
    상기 프로세서는
    제1 훈련데이터를 수집하고, 상기 제1 훈련데이터를 기반으로 제1 훈련데이터세트를 가공하며, 상기 제1 훈련데이터세트를 토대로 상기 제1 기계학습 모델을 구축하며, 상기 제1 기계학습 모델에 대하여 기 설정된 주기대로 성능을 판단하며,
    상기 제1 훈련데이터는 복수의 피검자들에 대한 안저사진에 대한 정보를 포함하는
    근시퇴행을 예측하는 전자장치.
  5. 청구항 4에 있어서,
    상기 프로세서는
    제2 훈련데이터를 수집하고, 상기 제2 훈련데이터를 기반으로 제2 훈련데이터세트를 가공하며, 상기 제2 훈련데이터세트를 토대로 상기 제2 기계학습 모델을 구축하며, 상기 제2 기계학습 모델에 대하여 기 설정된 주기대로 성능을 판단하고,
    상기 제2 훈련데이터는 복수의 피검자들에 각각에 대한 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값), 시력교정수술 종류(라식, 라섹, 스마일), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보를 포함하는
    근시퇴행을 예측하는 전자장치.
  6. 근시퇴행을 예측하는 전자장치의 동작방법에 있어서,
    피검자의 제1 타겟데이터 및 상기 피검자의 제2 타겟데이터를 수집하는 단계;
    상기 제1 타겟데이터를 제1 기계학습 모델에 대한 입력데이터로 하여 제1 결과값을 상기 제1 기계학습 모델에 대한 출력데이터로 추출하는 단계;
    상기 제1 결과값과 상기 제2 타겟데이터를 제2 기계학습 모델에 대한 입력데이터로 하여 제2 결과값을 상기 제2 기계학습 모델에 대한 출력데이터로 추출하는 단계; 및
    상기 제2 결과값에 기초하여 상기 피검자의 근시퇴행가능여부를 판단하는 단계
    를 포함하고,
    상기 제1 타겟데이터는 상기 피검자의 안저사진에 대한 정보이고,
    상기 제2 타겟데이터는 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값 등), 시력교정수술 종류(라식, 라섹, 스마일 등), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보
    를 포함하는 근시퇴행을 예측하는 전자장치의 동작방법.
  7. 삭제
  8. 삭제
  9. 청구항 6에 있어서,
    제1 훈련데이터를 수집하는 단계;
    상기 제1 훈련데이터를 기반으로 제1 훈련데이터세트를 가공하는 단계;
    상기 제1 훈련데이터세트를 토대로 상기 제1 기계학습 모델을 구축하는 단계; 및
    상기 제1 기계학습 모델에 대하여 기 설정된 주기대로 성능을 판단하는 단계
    를 더 포함하며,
    상기 제1 훈련데이터는 복수의 피검자들에 대한 안저사진에 대한 정보를 포함하는
    근시퇴행을 예측하는 전자장치의 동작방법.
  10. 청구항 9에 있어서,
    제2 훈련데이터를 수집하는 단계;
    상기 제2 훈련데이터를 기반으로 제2 훈련데이터세트를 가공하는 단계;
    상기 제2 훈련데이터세트를 토대로 상기 제2 기계학습 모델을 구축하는 단계; 및
    상기 제2 기계학습 모델에 대하여 기 설정된 주기대로 성능을 판단하는 단계
    를 더 포함하며,
    상기 제2 훈련데이터는 복수의 피검자들에 각각에 대한 상기 피검자의 나이, 성별, 시력교정수술 전 굴절력(예컨대, 근시도수, 난시값), 시력교정수술 종류(라식, 라섹, 스마일), 시력교정수술 전 안압(IOP; Intraocular Pressure), 시력교정수술 전 중심각막두께(CCT; Central Corneal Thickness), 시력교정수술 전 ACD(Anterior Chamber Depth), 시력교정수술에서 예상절삭량에 대한 정보를 포함하는
    근시퇴행을 예측하는 전자장치의 동작방법.
KR1020230023137A 2023-02-21 2023-02-21 근시 퇴행 예측 전자장치 및 그것의 동작방법 KR102641727B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230023137A KR102641727B1 (ko) 2023-02-21 2023-02-21 근시 퇴행 예측 전자장치 및 그것의 동작방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230023137A KR102641727B1 (ko) 2023-02-21 2023-02-21 근시 퇴행 예측 전자장치 및 그것의 동작방법

Publications (1)

Publication Number Publication Date
KR102641727B1 true KR102641727B1 (ko) 2024-02-28

Family

ID=90052796

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230023137A KR102641727B1 (ko) 2023-02-21 2023-02-21 근시 퇴행 예측 전자장치 및 그것의 동작방법

Country Status (1)

Country Link
KR (1) KR102641727B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210025430A (ko) * 2019-08-27 2021-03-09 주식회사 비쥬웍스 원추 각막 진단 보조 시스템 및 이를 이용하는 방법
KR20210131968A (ko) * 2019-08-27 2021-11-03 주식회사 비쥬웍스 시력교정술 추천 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210025430A (ko) * 2019-08-27 2021-03-09 주식회사 비쥬웍스 원추 각막 진단 보조 시스템 및 이를 이용하는 방법
KR20210131968A (ko) * 2019-08-27 2021-11-03 주식회사 비쥬웍스 시력교정술 추천 방법 및 장치

Similar Documents

Publication Publication Date Title
Lee et al. Clinical applications of continual learning machine learning
Lee et al. Machine learning has arrived!
RU2664173C2 (ru) Способы и система слежения за лечением аметропии
Cheng et al. Big data in ophthalmology
US11696706B2 (en) Multi-state engagement with continuous glucose monitoring systems
US20230157533A1 (en) A computer-implemented system and method for assessing a level of activity of a disease or condition in a patient's eye
KR20210004057A (ko) 기계 학습 및 의미론적 지식 기반 빅데이터 분석으로 웨어러블 센서와 소셜 네트워킹 데이터를 이용한 새로운 의료 모니터링 방법 및 장치
US20230116079A1 (en) Population health platform
CN115668399A (zh) 使用堆叠式机器学习模型进行的葡萄糖测量结果预测
US11468993B2 (en) Digital therapeutic platform
US20220139550A1 (en) Population health platform
Parvin et al. Personalized real-time anomaly detection and health feedback for older adults
Das People to policy: The promise and challenges of big data for India
KR102641727B1 (ko) 근시 퇴행 예측 전자장치 및 그것의 동작방법
Mishra et al. Uses of wireless devices and IoT in management of diabetes
US11842810B1 (en) Real-time feedback systems for tracking behavior change
Oke et al. Machine learning applications in pediatric ophthalmology: AUTHORS
KR102641728B1 (ko) 심혈관질환을 예측하는 전자장치 및 그것의 동작방법
CN116798640A (zh) 患者行为预测方法、装置、计算机设备及存储介质
Majma et al. Specification and verification of medical monitoring system using petri-nets
KR102607775B1 (ko) 마약 투약 여부 판단 전자장치 및 그것의 동작방법
US20210110932A1 (en) Methods and Systems to Predict Macular Edema in a Patient's Eye Following Cataract Surgery
KR20230132306A (ko) 혈당 데이터 분석 및 저혈당 예측 서버와 그것의 동작방법
KR102554826B1 (ko) 건강관리서버 및 그것의 동작방법
KR102608866B1 (ko) 항암 치료 순응도 개선을 위한 디지털 치료제 및 이를 제공하는 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant