KR20140119486A - 알츠하이머병 발병률 예측 장치 - Google Patents

알츠하이머병 발병률 예측 장치 Download PDF

Info

Publication number
KR20140119486A
KR20140119486A KR1020130035205A KR20130035205A KR20140119486A KR 20140119486 A KR20140119486 A KR 20140119486A KR 1020130035205 A KR1020130035205 A KR 1020130035205A KR 20130035205 A KR20130035205 A KR 20130035205A KR 20140119486 A KR20140119486 A KR 20140119486A
Authority
KR
South Korea
Prior art keywords
disease
alzheimer
measurement value
value
beta
Prior art date
Application number
KR1020130035205A
Other languages
English (en)
Inventor
채철주
정교일
송기봉
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020130035205A priority Critical patent/KR20140119486A/ko
Publication of KR20140119486A publication Critical patent/KR20140119486A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • G01N33/6896—Neurological disorders, e.g. Alzheimer's disease
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/28—Neurological disorders
    • G01N2800/2814—Dementia; Cognitive disorders
    • G01N2800/2821—Alzheimer

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Hematology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Biochemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Cell Biology (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

입력 데이터로 베타-아밀로이드 농도, p-FET 측정값, PMT 측정값을 사용하고 입력 데이터에 대한 특징값을 추출하여 패턴 인식 알고리즘에 적용함으로써 알츠하이머병의 발병률을 예측할 수 있는 장치 및 방법을 제시한다. 제시된 장치는 측정 시료에 포함된 베타-아밀로이드 농도값, 베타-아밀로이드와 형광 물질이 결합된 형태의 시료를 광학 센서의 센싱 영역에 고정하여 빛을 여기시킴에 따라 발광되는 빛에 대한 광 전류를 측정한 광 전류 측정값, 및 상기 광 전류의 측정에 사용된 동일한 시료에 빛을 여기시킴에 따라 발광되는 빛에 대한 광자의 수를 측정한 광자수 측정값을 외부로부터 입력받아 기저장된 초기값들과 비교하여 패턴 인식을 통한 특징값을 추출하는 특징 추출부; 및 상기 추출된 특징값을 근거로 알츠하이머병의 발병률을 예측하는 발병률 예측부;를 포함한다.

Description

알츠하이머병 발병률 예측 장치{Apparatus of forecasting alzheimer's disease etiologic rate}
본 발명은 알츠하이머병 발병률 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 알츠하이머병에 대한 여러 데이터들을 가공하여 알츠하이머병의 발병률을 예측하는 장치 및 방법에 관한 것이다.
알츠하이머병은 치매의 주요 원인이며, 가장 일반적인 퇴행성 신경 질환이다. 사실상 진행성인 상기 질환은 기억 상실 및 언어 능력, 상황 판단 및 분별력의 퇴화가 특징이다.
흔히 고령의 생리학적 병과 혼돈되는 증상의 특성, 이러한 증상의 심각성 및 이러한 증상이 발생하는 연령은 개인마다 다르다. 그로 인해 질환의 초기단계에 진단을 확증하기가 어렵다.
알츠하이머병은 퇴행성 신경질환으로서 80세 이상 노인의 50% 정도가 고통을 받고 있는 병이다. 그 증상으로는 기억력 및 인지기능의 상실이 서서히 진행되어 나타나며 아직 정확한 병인이나 치료법은 알려지지 않고 있는 실정이다.
대한민국등록특허 10-1154193호(백신 예방 가능한 질병의 발생 예측 시스템)는 데이터가 입력되는 입력장치, 입력된 데이터로부터 질병 살생에 관한 연산을 수행하는 컴퓨터, 및 연산된 질병 발생에 관한 수치를 출력하는 출력장치를 포함하는 시스템이다. 그 대한민국등록특허 10-1154193호의 시스템은 예방 접종 정책에 대한 정보 및 상기 정보 관련된 모수를 입력 받아 미분방정식을 이용하여 질병 발생수의 예측 값을 출력하는 산술 발생 예측부 및 과거 질병 발생수를 입력 받아 시계열적으로 질병 발생수의 예측 값을 출력하는 통계 발생 예측부를 포함하고 있다. 그 대한민국등록특허 10-1154193호는 A형 간염, B형 간염, 홍역, 유행성 이하선염, 풍진, 파상풍, 백일해, 일본뇌염, 인플루엔자, 수두, 소아마비 등과 같은 예방접종으로 예방이 가능한 질병의 발생 예측에 관한 것이다. 그러나 본 발명에서와 같이 알츠하이머병을 예측할 수 있는 방법은 제시되고 있지 않다.
대한민국등록특허 10-1170651호(알츠하이머 병의 진단 및 예측 방법)는 ABCA2 유전자의 rs908832 다형태의 부 대립유전자의 존재 여부를 검출하여 알츠하이머병을 예측한다. ABCA2 단백질은 ABC(ATP 결합 카세트)형 콜레스테롤 수송인자의 대분류과에 속하는 단백질이다. 이러한 수송인자는 뇌에서 특이적으로 발현된다. ABCA2 유전자의 다양한 다형태는 이미 확인되어 있다. 구체적으로, 이 다형태의 서열은 NCBI의 dbSNP 데이터베이스에서 입수 가능하다. 이러한 데이터베이스에 올려져 있는 다양한 다형태 중에서, rs908832 다형태가 있다. 그 대한민국등록특허 10-1170651호는 알츠하이머병을 예측하기 위해서 ABCA2 유전자의 rs908832 다형태의 부 대립 유전자의 존재 여부를 검출하는 1회 이상의 단계를 포함하고 있다. 알츠하이머병을 예측하기 위해 ABCA2 유전자의 rs908832 다형태의 부 대립유전자의 존재를 이용하고 있다. 그러나, 그 대한민국등록특허 10-1170651호는 ABCA2 유전자의 rs908832 다형태의 부 대립유전자를 이용하는 방법만 제시하고 있을 뿐, 본 발명과 같이 베타-아밀로이드 농도, p-FET 측정값, PMT 측정값을 사용하는 방법에 대한 언급은 전혀 없으며 알츠하이머병 예측 알고리즘에 대한 방법은 제시하지 않고 있다.
대한민국공개특허 10-2009-0098941호(알츠하이머 질환의 검출 절차 및 방법)는 사람 질환자에서 알츠하이머 질환의 혈청 생물학적 결과 특성을 밝히고, 특성화하는 것에 근거를 둔다. 이러한 결과로 질환자에서 검출되는 바이오마커(biomarkers), 바람직하게는 조합 형태를 만들어 심지어 초기 단계에서도 상기 질환의 발생 위험, 상기 질환의 존재, 또는 상기 질환의 진행 단계를 측정할 수 있게 되었다. 또한, 대한민국공개특허 10-2009-0098941호에서 마커는 또한 치료의 유효성을 측정하고/하거나 후보 약제를 선택하기 위해서 사용될 수 있다. 대한민국공개특허 10-2009-0098941호에서의 마커의 조합으로 다른 신경퇴행성 병상으로부터 알츠하이머 질환을 구별할 수 있게 되었다. 그러나, 대한민국공개특허 10-2009-0098941호는 본 발명과 같이 베타-아밀로이드 농도, p-FET 측정값, PMT 측정값을 사용하는 방법에 대한 언급은 전혀 없을 뿐만 아니라 알츠하이머병 예측 알고리즘에 대한 방법은 제시하지 않고 있다.
알츠하이머병을 치료하는 방법에 대해서는 여러 기관에서 많은 연구가 진행되고 있지만, 알츠하이머병을 간편하게 조기 진단할 수 있는 방법에 대한 연구는 아직 상대적으로 부족한 실정이다.
또한, 대부분의 연구가 알츠하이머병을 예측하기보다는 진단할 수 있는 방법에 초점이 맞추어져 있다.
그러나, 알츠하이머병의 진단의 경우 광학적이나 화학적 방법을 사용하기 때문에 실시간 진단이 힘들고, 진단 비용이 비싸며, 알츠하이머병 진단 키트 또한 대량 생산이 불가능하기 때문에 저가의 상용화가 힘들다는 단점이 있다.
본 발명은 상기한 종래의 문제점을 해결하기 위해 제안된 것으로, 입력 데이터로 베타-아밀로이드 농도, p-FET 측정값, PMT 측정값을 사용하고 입력 데이터에 대한 특징값을 추출하여 패턴 인식 알고리즘에 적용함으로써 알츠하이머병의 발병률을 예측할 수 있는 장치 및 방법을 제공함에 그 목적이 있다.
상기와 같은 목적을 달성하기 위하여 본 발명의 바람직한 실시양태에 따른 알츠하이머병 발병률 예측 장치는, 측정 시료에 포함된 베타-아밀로이드 농도값, 베타-아밀로이드와 형광 물질이 결합된 형태의 시료를 광학 센서의 센싱 영역에 고정하여 빛을 여기시킴에 따라 발광되는 빛에 대한 광 전류를 측정한 광 전류 측정값, 및 상기 광 전류의 측정에 사용된 동일한 시료에 빛을 여기시킴에 따라 발광되는 빛에 대한 광자의 수를 측정한 광자수 측정값을 외부로부터 입력받아 기저장된 초기값들과 비교하여 패턴 인식을 통한 특징값을 추출하는 특징 추출부; 및 상기 추출된 특징값을 근거로 알츠하이머병의 발병률을 예측하는 발병률 예측부;를 포함한다.
바람직하게, 상기 광 전류 측정값을 주파수와 크기 및 위상의 값으로 세분화하여 상기 외부로부터 입력받은 값들을 베타-아밀로이드 농도값, 주파수 값, 크기 값, 위상 값, 광자수 측정값으로 분류하고 상기 분류한 값들을 상기 특징 추출부에게로 전송하는 전처리부를 추가로 포함하여도 된다.
그리고, 상기 알츠하이머병의 발병률 예측을 위한 상기 초기값들을 저장하고 있는 알츠하이머병 시그니처 데이터베이스를 추가로 포함하여도 된다. 이 경우, 상기 발병률 예측부는 상기 예측한 예측값을 상기 알츠하이머병 시그니처 데이터베이스에 저장시킨다.
본 발명의 바람직한 실시양태에 따른 알츠하이머병 발병률 예측 방법은, 데이터 수신부가, 측정 시료에 포함된 베타-아밀로이드 농도값, 베타-아밀로이드와 형광 물질이 결합된 형태의 시료를 광학 센서의 센싱 영역에 고정하여 빛을 여기시킴에 따라 발광되는 빛에 대한 광 전류를 측정한 광 전류 측정값, 및 상기 광 전류의 측정에 사용된 동일한 시료에 빛을 여기시킴에 따라 발광되는 빛에 대한 광자의 수를 측정한 광자수 측정값을 입력받는 단계; 특징 추출부가, 상기 입력받은 베타-아밀로이드 농도값과 광 전류 측정값 및 광자수 측정값을 기저장된 초기값들과 비교하여 패턴 인식을 통한 특징값을 추출하는 단계; 및 발병률 예측부가, 상기 추출된 특징값을 근거로 알츠하이머병의 발병률을 예측하는 단계;를 포함한다.
바람직하게, 전처리부가, 상기 입력받는 단계에 의해 입력받은 상기 광 전류 측정값을 주파수와 크기 및 위상의 값으로 세분화하여 상기 외부로부터 입력받은 값들을 베타-아밀로이드 농도값, 주파수 값, 크기 값, 위상 값, 광자수 측정값으로 분류하고 상기 분류한 값들을 상기 특징 추출부에게로 전송하는 단계를 추가로 포함하여도 된다.
그리고, 상기 기저장된 초기값들은 상기 알츠하이머병의 발병률 예측을 위한 값들이고, 알츠하이머병 시그니처 데이터베이스에 기저장된다. 이 경우, 상기 발병률을 예측하는 단계에서 예측한 예측값은 상기 알츠하이머병 시그니처 데이터베이스에 저장된다.
이러한 구성의 본 발명에 따르면, 알츠하이머병을 예측하기 위해 베타-아밀로이드, 광 전류 측정값(p-FET 측정값), 광자수 측정값(PMT 측정값)을 입력 값으로 받아서 데이터의 특징값을 추출하고, 추출된 특징값을 패턴 인식 알고리즘에 적용하여 알츠하이머병의 발병률을 예측한다.
본 발명에서 제시하는 방법을 이용하여 알츠하이머병의 발병률을 예측함으로써 조기 진단에 활용될 수 있고, 초기 단계에 증상을 확증하기 위한 DSS(Decision Support System)로 활용될 수 있다는 장점이 있다.
도 1은 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 장치의 구성도이다.
도 2는 도 1에 도시된 알츠하이머병 시그니처 데이터베이스의 초기값들의 일 예를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 방법을 설명하는 플로우차트이다.
도 4는 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 분포의 일 예를 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 장치 및 방법에 대하여 설명하면 다음과 같다. 본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니된다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 장치의 구성도이고, 도 2는 도 1에 도시된 알츠하이머병 시그니처 데이터베이스의 초기값들의 일 예를 나타낸 도면이다.
도 1에서, 알츠하이머병 발병률 예측 장치(60)는 데이터 수신부(10), 전처리부(20), 알츠하이머병 시그니처 데이터베이스(30), 특징 추출부(40), 및 발병률 예측부(50)를 포함한다.
데이터 수신부(10)는 네트워크를 통해 입력되는 질병 데이터를 수신한다. 여기서, 네트워크는 유·무선 네트워크를 의미한다.
질병 데이터는 알츠하이머병을 유발시키는 원인으로 알려진 베타-아밀로이드(Beta-Amyloid)에 관련된 값들을 근간으로 한다. 질병 데이터는 베타-아밀로이드(Beta-Amyloid) 농도값, 광 전류 측정값(p-FET(photosensitive field-effect transistor) 측정값), 및 광자수 측정값(PMT(Photo Multiplier Tube) 측정값)을 포함한다. 베타-아밀로이드 농도값은 측정 시료에 포함된 베타-아밀로이드(Beta-Amyloid) 농도값이다. 베타-아밀로이드 농도값을 획득하기 위하여 ELISA(Enzyme-Linked ImmunoSorbent Assay)를 사용하였다. 한편, 베타-아밀로이드와 형광 물질이 결합된 형태의 시료를 광학 센서(p-FET ; photosensitive field-effect transistor)의 센싱 영역에 고정하고 빛을 여기(Excitation)시키면 특정 파장 대역의 빛이 발광(Emission)하게 되고 이 빛에 대한 광 전류를 생성할 수 있는데, 그 광 전류는 결국 베타-아밀로이드의 양에 비례하여 발생하게 된다. 이와 같이 광학 센서(p-FET)를 통해 측정된 광 전류 값을 광 전류 측정값이라 한다. 광자수 측정값은 상기 광 전류의 측정에 사용된 동일한 시료에 빛을 여기시켰을 때 발광되는 빛에 대한 광자(Photon)의 수를 측정한 값이다.
전처리부(20)는 데이터 수신부(10)에 수신된 베타-아밀로이드 농도값, 광 전류 측정값, 광자수 측정값을 특징 추출부(40)에게로 전달하는데, 광 전류 측정값을 보다 세분화하여 보낸다. 즉, 광 전류 측정값은 전기적인 신호로 전처리부(20)에게로 전송되고, 전처리부(20)는 그 광 전류 측정값을 주파수(Frequency), 크기(Magnitude), 위상(Phase)으로 다시 분류한다. 결국, 전처리부(20)에 의해 베타-아밀로이드 농도값, 주파수(Frequency) 값, 크기(Magnitude) 값, 위상(Phase) 값, 광자수 측정값으로 분류된 값들이 특징 추출부(40)에게로 전송된다.
한편, 입력 데이터 값의 범위를 살펴보면, 베타-아밀로이드 농도값은 대략 0 ~ 1mM이고, 주파수(Frequency) 값은 대략 0 ~ 1MHz이고, 크기(Magnitude) 값은 대략 0 ~ 10V이고, 위상(Phase) 값은 대략 0 ~ 360°이고, 광자수 측정값은 대략 0 ~ 4,500,000이다.
물론, 베타-아밀로이드 농도값, 광 전류 측정값, 및 광자수 측정값으로도 충분히 알츠하이머병 발병률 예측을 할 수 있겠으나, 상기와 같이 베타-아밀로이드 농도값, 주파수(Frequency) 값, 크기(Magnitude) 값, 위상(Phase) 값, 광자수 측정값으로 보다 세분화하게 되면 보다 정확한 패턴인식 및 특징값 추출이 가능하게 되어 알츠하이머병 발병률을 보다 확실하게 예측할 수 있다.
알츠하이머병 시그니처 데이터베이스(30)는 알츠하이머병의 발병률 예측을 위한 초기값(Initialization Vector)들을 저장하고 있다. 알츠하이머병 시그니처 데이터베이스(30)에 저장되어 있는 초기값들의 테이블은 도 2에 예시한 바와 같다.
특징 추출부(40)는 전처리부(20)에서 분류한 값들을 알츠하이머병 시그니처 데이터베이스(30)에 기저장된 초기값들과 비교하여 패턴 인식을 통한 특징값을 추출한다.
도 1에서는 전처리부(20)와 알츠하이머병 시그니처 데이터베이스(30) 및 특징 추출부(40)를 각각 별개의 구성으로 도시하였으나, 전처리부(20)와 알츠하이머병 시그니처 데이터베이스(30)가 특징 추출부(40)에 포함되는 것으로 하여도 된다. 만약, 전처리부(20)와 알츠하이머병 시그니처 데이터베이스(30)가 특징 추출부(40)에 포함된다면 특징 추출부(40)는 전처리부(20)의 작용과 함께 데이터 저장 작용을 함께 수행할 것이다.
발병률 예측부(50)는 특징 추출부(40)에서 추출된 특징값을 입력값으로 하여 예측 알고리즘(예컨대, 통계학적 알고리즘, 인공신경망 알고리즘 등)을 통해 알츠하이머병의 발병률을 예측한다. 발병률 예측부(50)는 예측한 예측값을 알츠하이머병 시그니처 데이터베이스(30)에 저장시킨다. 그 저장되는 예측값은 추후 입력 데이터에 대한 패턴 인식을 위한 학습 DB로 사용된다.
도 3은 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 방법을 설명하는 플로우차트이고, 도 4는 본 발명의 실시예에 따른 알츠하이머병 발병률 예측 분포의 일 예를 나타낸 도면이다.
먼저, 알츠하이머병의 발병률을 예측하기 위해서 알츠하이머병 시그니처 데이터베이스(30)에 초기값들이 입력된다.
이후, 알츠하이머병에 대한 질병 데이터로서 서로 상이한 종류의 데이터들(베타-아밀로이드 농도값, 광 전류 측정값, 및 광자수 측정값)이 네트워크를 통해 입력되어 오면 데이터 수신부(10)가 그 질병 데이터를 수신한다(S10).
그 데이터 수신부(10)에 수신된 질병 데이터는 전처리부(20)에게로 전달되고, 전처리부(20)는 광 전류 측정값을 보다 세분화한다. 즉, 전처리부(20)는 그 광 전류 측정값을 주파수(Frequency), 크기(Magnitude), 위상(Phase)으로 다시 분류한다. 그에 따라, 전처리부(20)에 의해 베타-아밀로이드 농도값, 주파수(Frequency) 값, 크기(Magnitude) 값, 위상(Phase) 값, 광자수 측정값으로 분류된 값들이 특징 추출부(40)에게로 전송된다(S20).
이어, 특징 추출부(40)는 그와 같이 분류된 값들을 알츠하이머병 시그니처 데이터베이스(30)에 저장되어 있는 초기값들과 비교하여 패턴 인식을 행한다(S30).
본 발명에서는 패턴 인식을 통한 특징값을 추출하기 위해서 알츠하이머병 시그니처 데이터베이스(30)와 150개 샘플 데이터를 이용하여 0 ~ 0.01의 가중치를 두고 1,000회 정도의 학습을 수행하였다. 특징 추출부(40)는 패턴 인식 동작에 의해 각 값들에 대한 특징값을 추출한다(S40).
이와 같이 특징 추출부(40)에서 추출된 특징값들은 발병률 예측부(50)에게로 전송된다. 그 패턴 인식을 통해 추출된 특징값들은 알츠하이머병 발병률 예측 알고리즘(통계학적 알고리즘, 인공신경망 알고리즘 등)의 입력 값으로 사용된다. 예를 들어, 본 발명의 실시예에서 예측 알고리즘으로 기존의 다중 로지스틱 회귀 분석 모델을 예시할 수 있다. 입력된 데이터를 이용하여 알츠하이머 질병의 발병율을 0~1 (0:발병확률 0%, 1:발병확률 100%) 사이에 속한 확률 값을 구함으로써 발병율을 예측할 수 있다. 해당 알고리즘을 이용할 때 계산식은 확률
Figure pat00001
로 구할 수 있다. 그리고, 위험 변수로 본 발명에서 제안하는 Beta-Amyloid 농도, Frequency, Magnitude, Phase, PMT를 사용하게 되면 다음과 같게 된다. 따라서, A=β0+(β1×Beta-Amyloid 농도)+(β2×Frequency)+(β3× Magnitude)+(β4 ×Phase)+(β5 ×PMT)와 같은 계산식을 이용하여 알츠하이머 질병의 발병 확률을 구할 수 있다.
특징값 추출 이후에는, 발병률 예측부(50)는 특징 추출부(40)로부터의 특징값을 예측 알고리즘에 입력하여 알츠하이머병의 발병률을 예측해 낸다(S50). 도 4에서는 발병률 예측부(50)에서 알츠하이머병 발병률 예측 알고리즘을 통해 추출된 예측값에 대한 결과(예측 분포)를 예시한다. 도 4에서, X축(가로축)은 환자를 의미하고, Y축(세로축)은 발병률을 의미한다.
그리고, 발병률 예측부(50)는 이러한 예측값을 추후 입력 데이터에 대한 패턴 인식을 위한 학습 DB로 사용하기 위해 알츠하이머병 시그니처 데이터베이스(30)에 저장한다(S60).
상술한 바와 같이, 본 발명의 실시예는 서로 상이한 종류의 질병 데이터(즉, 베타-아밀로이드 농도값, 광 전류 측정값(p-FET 측정값), 광자수 측정값(PMT 측정값))를 패턴 인식을 통해 각 데이터들에 대한 특징값을 추출하고 추출된 특징값을 예측 알고리즘(통계학적 알고리즘, 인공신경망 알고리즘 등)에 적용함으로써 알츠하이머병 발병률을 예측한다. 본 발명은 기존의 유전자 분석, 광학적인 방법 등과 같은 방법을 통한 진단과는 다르게 데이터에 대한 특징값을 추출하고 이를 예측 알고리즘에 적용함으로써 알츠하이머병을 발병률을 예측할 수 있다는 장점을 가지고 있다. 또한 이러한 예측 방법은 알츠하이머병의 초기 단계에 확증을 위한 DSS로 활용될 수 있다는 장점이 있다.
한편, 본 발명은 상술한 실시예로만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위내에서 수정 및 변형하여 실시할 수 있고, 그러한 수정 및 변형이 가해진 기술사상 역시 이하의 특허청구범위에 속하는 것으로 보아야 한다.
10 : 데이터 수신부 20 : 전처리부
30 : 알츠하이머병 시그니처 데이터베이스
40 : 특징 추출부 50 : 발병률 예측부
60 : 알츠하이머병 발병률 예측 장치

Claims (1)

  1. 측정 시료에 포함된 베타-아밀로이드 농도값, 베타-아밀로이드와 형광 물질이 결합된 형태의 시료를 광학 센서의 센싱 영역에 고정하여 빛을 여기시킴에 따라 발광되는 빛에 대한 광 전류를 측정한 광 전류 측정값, 및 상기 광 전류의 측정에 사용된 동일한 시료에 빛을 여기시킴에 따라 발광되는 빛에 대한 광자의 수를 측정한 광자수 측정값을 외부로부터 입력받아 기저장된 초기값들과 비교하여 패턴 인식을 통한 특징값을 추출하는 특징 추출부; 및
    상기 추출된 특징값을 근거로 알츠하이머병의 발병률을 예측하는 발병률 예측부;를 포함하는 것을 특징으로 하는 알츠하이머병 발병률 예측 장치.
KR1020130035205A 2013-04-01 2013-04-01 알츠하이머병 발병률 예측 장치 KR20140119486A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130035205A KR20140119486A (ko) 2013-04-01 2013-04-01 알츠하이머병 발병률 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130035205A KR20140119486A (ko) 2013-04-01 2013-04-01 알츠하이머병 발병률 예측 장치

Publications (1)

Publication Number Publication Date
KR20140119486A true KR20140119486A (ko) 2014-10-10

Family

ID=51991787

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130035205A KR20140119486A (ko) 2013-04-01 2013-04-01 알츠하이머병 발병률 예측 장치

Country Status (1)

Country Link
KR (1) KR20140119486A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180023517A (ko) 2016-08-26 2018-03-07 연세대학교 산학협력단 알츠하이머병의 지표 성분의 전파 경로 결정 장치 및 방법과 그에 따른 알츠하이머병의 진행 단계 결정 방법
KR20180105092A (ko) * 2017-03-14 2018-09-27 서울대학교산학협력단 인지장애 자가 진단 타액 검사기, 인지장애 타액 마커 분석기 및 인지장애 예측 알고리즘
KR20200073156A (ko) * 2018-12-13 2020-06-23 서울대학교산학협력단 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치
CN112135568A (zh) * 2018-05-17 2020-12-25 一般社团法人认知症高龄者研究所 信息处理装置、信息处理方法和程序
KR20220007537A (ko) 2020-07-10 2022-01-18 서울대학교산학협력단 음성 특성 기반 알츠하이머병 예측 방법 및 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180023517A (ko) 2016-08-26 2018-03-07 연세대학교 산학협력단 알츠하이머병의 지표 성분의 전파 경로 결정 장치 및 방법과 그에 따른 알츠하이머병의 진행 단계 결정 방법
KR20180105092A (ko) * 2017-03-14 2018-09-27 서울대학교산학협력단 인지장애 자가 진단 타액 검사기, 인지장애 타액 마커 분석기 및 인지장애 예측 알고리즘
CN112135568A (zh) * 2018-05-17 2020-12-25 一般社团法人认知症高龄者研究所 信息处理装置、信息处理方法和程序
KR20200073156A (ko) * 2018-12-13 2020-06-23 서울대학교산학협력단 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치
KR20220007537A (ko) 2020-07-10 2022-01-18 서울대학교산학협력단 음성 특성 기반 알츠하이머병 예측 방법 및 장치

Similar Documents

Publication Publication Date Title
JP7257009B2 (ja) がん検出を目的としたリアルタイムラマン分光法のためのシステムおよび方法
US20200372973A1 (en) Automated detection of boundaries in mass spectrometry data
US11346764B2 (en) Image-based assay using intelligent monitoring structures
US20190187048A1 (en) Spectroscopic systems and methods for the identification and quantification of pathogens
JP5870851B2 (ja) 情報処理装置、情報処理方法、及びプログラム
KR20140119486A (ko) 알츠하이머병 발병률 예측 장치
US20230081393A1 (en) Lactoferrin for use in the diagnosis or prognosis of alzheimer's disease, or in the diagnosis of parkinson's disease
US20190285611A1 (en) Gender and race identification from body fluid traces using spectroscopic analysis
US20090132443A1 (en) Methods and Devices for Analyzing Lipoproteins
US10725017B2 (en) Prediction of therapeutic response using vibrational spectroscopy
US20230194432A1 (en) Method of detecting the presence of a pathogen in a biological liquid
US10740655B2 (en) Integrative prediction of a cognitive evolution of a subject
WO2006051847A1 (ja) Ｈｉｖ等のウイルス感染の有無、又はプリオン感染の有無を近赤外線分光法により検査・判定する方法、及び同方法に使用する装置
Bratchenko et al. Comparative study of multivariative analysis methods of blood Raman spectra classification
Lampe et al. Multiclass prediction of different dementia syndromes based on multi-centric volumetric MRI imaging
EP3361236A1 (en) Image processing method and image processing device
JP2006294014A (ja) 解析プログラム、プロテインチップ、プロテインチップの製造方法、および、抗体カクテル
Lin et al. Identification of pulmonary edema in forensic autopsy cases of fatal anaphylactic shock using Fourier transform infrared microspectroscopy
Mazzara et al. Application of multivariate data analysis for the classification of two dimensional gel images in neuroproteomics
Wei et al. Multi-scale sequential feature selection for disease classification using Raman spectroscopy data
Rienda et al. Enhancing the accuracy of mid-infrared spectroscopy-based liver steatosis quantification using digital image analysis as a reference
Khristoforova et al. Combination of Raman spectroscopy and chemometrics: A review of recent studies published in the Spectrochimica Acta, Part A: Molecular and Biomolecular Spectroscopy Journal
JP7510782B2 (ja) プログラム、情報処理装置、情報処理方法及び学習モデルの生成方法
KR20160014866A (ko) 눈물 방울을 이용한 바이러스 감염진단 방법 및 기기
Sreelatha et al. Quantification of DNA damage by the analysis of silver stained comet assay images

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid