KR20180046432A - 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법 - Google Patents

전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법 Download PDF

Info

Publication number
KR20180046432A
KR20180046432A KR1020160141292A KR20160141292A KR20180046432A KR 20180046432 A KR20180046432 A KR 20180046432A KR 1020160141292 A KR1020160141292 A KR 1020160141292A KR 20160141292 A KR20160141292 A KR 20160141292A KR 20180046432 A KR20180046432 A KR 20180046432A
Authority
KR
South Korea
Prior art keywords
data
prostate cancer
stage
models
pathological
Prior art date
Application number
KR1020160141292A
Other languages
English (en)
Other versions
KR102484530B1 (ko
Inventor
최인영
이지열
김재권
육인혜
최문주
헌 백
노미정
박민정
김정두
Original Assignee
가톨릭대학교 산학협력단
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 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Priority to KR1020160141292A priority Critical patent/KR102484530B1/ko
Publication of KR20180046432A publication Critical patent/KR20180046432A/ko
Priority to KR1020220176233A priority patent/KR102500423B1/ko
Application granted granted Critical
Publication of KR102484530B1 publication Critical patent/KR102484530B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4375—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the male reproductive system
    • A61B5/4381—Prostate evaluation or disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • 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
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57434—Specifically defined cancers of prostate
    • G06F17/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Immunology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Hospice & Palliative Care (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)

Abstract

본 발명은 전립선 암 치료에 관한 병리학적 병기 예측에 관한 것으로, 전립선암의 의료데이터를 이용하여 의사결정 나무를 이용한 예측 장치에 관한 것이다. 본 발명의 일 양상인 전립선암 치료를 위한 병리학적 병기 예측 방법은, 복수의 사용자와 관련된 복수의 데이터를 수집하는 제 1 단계; 상기 수집한 복수의 데이터 중 전립선암과 관련된 제 1 데이터를 추출하는 제 2 단계; 상기 제 1 데이터 중 상기 전립선암의 병리학적 병기(Pathology Stage)와 관련하여 미리 설정된 팩터(factor)에 대응하는 제 2 데이터를 추출하는 제 3 단계; 상기 제 2 데이터 중 적어도 하나를 이용하여 상기 전립선암의 병리학적 병기 예측을 위한 모델(model)을 생성하는 제 4 단계; 상기 제 1 단계 내지 제 4 단계를 반복하여 상기 전립선암의 병리학적 병기 예측을 위한 모델을 복수 개 생성하는 제 5 단계; 상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하는 제 6 단계; 상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하는 제 7 단계; 및 상기 제 1 모델을 이용하여 상기 제 1 사용자의 상기 전립선암의 병리학적 병기를 예측하는 제 8 단계;를 포함할 수 있다.

Description

전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법 {Method and Apparatus for Classification and Prediction of Pathology Stage using Decision Tree for Treatment of Prostate Cancer}
본 발명은 전립선 암 치료에 관한 병리학적 병기 예측에 관한 것으로, 전립선암의 의료데이터를 이용하여 의사결정 나무를 이용한 예측 장치에 관한 것이다. 구체적으로 본 발명은 전립선암 치료의 임상 의사결정 지원이 가능하여 전립선암 치료이전에 병리 상태를 미리 알 수 있기 때문에 신뢰도를 높일 수 있으며 수술비용을 감소시킬 수 있는 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치 및 방법에 관한 것이다.
전 세계적으로, 약 680,000명의 남자들은 매년 전립선 암 진단을 받고 있으며 남자에게 전립선 암은 가장 흔한 질병이며, 전립선암은 미국에서는 암으로 사망하는 환자 중에서 2번째로 많은 비율을 차지하고 있다.
한국에서는 2003년 이후부터 현재까지 남성 암 중에서 발생률이 5위를 차지하고 있는 가운데, 전립선암은 종양 발생률 및 고령화에 따라 점차적으로 증가되고 있는 추세이다.
전립선암의 치료를 위한 많은 방법이 있으며, 방사선 치료는 전립선암 환자의 가장 효과적인 치료 방법이다.
하지만, 40~50%의 남자들은 임상적으로 전립선외 질병을 잠재적으로 가지고 있을 것으로 추정되고 있기 때문에, 정확한 병리학적 병기예측은 수술 이전에 전립선암에 대해 의사와 환자에게 미리 알 수 있기 때문에 가장 적합한 수술 방법을 선택할 수 있다.
상기의 내용과 같이 전립선암은 병리학적 병기를 예측하여 조기진단을 통해 의사와 환자에게 수술 전에 알려주는 것이 치료에 효과적이다.
지금까지는 병리학적 병기를 예측하기 위해서는 미국에서 사용하는 예측 모델을 활용하지만, 한국인에게는 적합하지 않기 때문에 어느 부분이 암 조직인지 또한 어느 부분이 암 조직이 아닌지를 판단하는 것은 전문가에게도 용이하지 않을 뿐만 아니라 출혈과 종양을 구별하는 것이 어려웠다.
병리학적 병기 예측기술은 데이터의 분석을 통해 세계 선진국에서는 많은 기술개발이 진행되고 있으며, 병리학적 병기 예측기술 중에서 가장 유명한 카탄 노모그램을 이용한다.
카탄 노모그램은 미국특허 제5993388호 및 미국 특허 제6409664호에 기재되어 있다.
카탄 노모그램은 통계적인 결과로서 특정 범위를 정하는 방법을 활용하여 병리학적 병기를 예측하는 방법을 이용하지만 한국인을 대상으로 하는 기술은 부족하다.
또한, 종래의 통계적인 결과로서 특정 범위를 정하는 방법으로 병리학적 병기를 예측하는 방법은 서양인의 전립선암관련 데이터를 이용하여 병리학적 병기 예측의 범위를 구분했다.
즉, 새로운 데이터를 입력받으면, 데이터의 어떤 값에 따라 병리학적 병기여부의 예측을 제공한다.
이러한 통계적인 결과로서 특정 범위를 정하는 방법을 바탕으로 병리학적 병기를 예측하는 방법은 서양인의 병기 예측을 할 때에 가장 간단하면서도 효과적인 방식이지만, 많은 데이터가 필요하며 입력 데이터에 따라 특정 구간을 벗어나면 예측하기 어려운 문제점이 있다.
상기의 문제점과 같이 한국인의 전립선암 임상데이터는 다른 국적의 전립선암 데이터와는 인종 및 지역에 따라 다를 수 있기 때문에 예측 장치를 생성하는데 있어서 문제점을 가지고 있으므로, 이에 대한 해결방안이 요구되고 있다.
대한민국 특허청 등록번호 제 10-1492710호 대한민국 특허청 등록번호 제 10-1288082호
본 발명은 전립선 암 치료에 관한 병리학적 병기 예측에 관한 것으로, 전립선암의 의료데이터를 이용하여 의사결정 나무를 이용한 예측 장치 및 방법을 제공하고자 한다.
구체적으로 본 발명은 전립선암 치료의 임상 의사결정 지원이 가능하여 전립선암 치료이전에 병리 상태를 미리 알 수 있기 때문에 신뢰도를 높일 수 있으며 수술비용을 감소시킬 수 있는 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치 및 방법을 제공하고자 한다.
다만, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 전립선암 치료를 위한 병리학적 병기 예측 방법은, 복수의 사용자와 관련된 복수의 데이터를 수집하는 제 1 단계; 상기 수집한 복수의 데이터 중 전립선암과 관련된 제 1 데이터를 추출하는 제 2 단계; 상기 제 1 데이터 중 상기 전립선암의 병리학적 병기(Pathology Stage)와 관련하여 미리 설정된 팩터(factor)에 대응하는 제 2 데이터를 추출하는 제 3 단계; 상기 제 2 데이터 중 적어도 하나를 이용하여 상기 전립선암의 병리학적 병기 예측을 위한 모델(model)을 생성하는 제 4 단계; 상기 제 1 단계 내지 제 4 단계를 반복하여 상기 전립선암의 병리학적 병기 예측을 위한 모델을 복수 개 생성하는 제 5 단계; 상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하는 제 6 단계; 상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하는 제 7 단계; 및 상기 제 1 모델을 이용하여 상기 제 1 사용자의 상기 전립선암의 병리학적 병기를 예측하는 제 8 단계;를 포함할 수 있다.
또한, 상기 제 3 단계에서, 상기 미리 설정된 팩터는, 나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage)을 포함할 수 있다.
또한, 상기 제 2 데이터는, 상기 미리 설정된 팩터를 이용하여 도출되는 상기 병리학적 병기의 상태를 나타내는 데이터일 수 있다.
또한, 상기 제 2 데이터는, 상기 병리학적 병기의 상태를 나타내는 비전이질병 데이터 및 전이질병 데이터를 포함할 수 있다.
또한, 상기 미리 설정된 팩터는, 나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage) 를 포함하고, 상기 제 5 단계는, 상기 미리 설정된 팩터 중 적어도 하나를 이용하되, 서로 다른 개수의 팩터를 이용하여 상기 복수의 모델을 생성할 수 있다.
또한, 상기 제 7 단계는, 상기 복수의 모델에 의사결정 나무기반의 분류 알고리즘을 적용하는 제 7-1 단계; 상기 의사결정 나무기반의 분류 알고리즘을 적용된 복수의 모델에 검증 데이터를 적용하는 제 7-2 단계; 및 상기 검증 데이터가 적용된 복수의 모델의 결과값 중 상기 검증 데이터에 가장 잘 매핑(mapping)되는 모델을 상기 제 1 모델로 선택하는 제 7-3 단계;를 포함할 수 있다.
또한, 상기 의사결정 나무기반의 분류 알고리즘은, 상기 복수의 사용자의 의사결정에 따라 연속적으로 결과값이 달라지는 알고리즘일 수 있다.
또한, 상기 제 7-3 단계는, 오차행렬(confusion matrix)을 이용한 정확도, 민감도 및 특이도를 산출하는 제 8-1 단계; 및 상기 복수의 모델 중 상기 정확도, 민감도 및 특이도를 합산하여 가장 높은 수치를 보이는 모델을 상기 제 1 모델로 선택하는 제 8-2 단계;를 더 포함할 수 있다.
또한, 상기 정확도는 하기의 수학식 1에 의해 산출되고, 상기 민감도는 하기의 수학식 2에 의해 산출되며, 상기 특이도는 하기의 수학식 3에 의해 산출될 수 있다.
수학식 1
Figure pat00001
수학식 2
Figure pat00002
수학식 3
Figure pat00003
상기 수학식 1 내지 수학식 3에서 Accuracy는 정확도를 의미하고, Sensitivity는 민감도를 의미하며, Specificity는 특이도를 의미하고, TP(True Positive)는 비전이질병에 대해 정확하게 예측한 값을 의미하며, FN(False Negative)는 비전이질병을 전이질병으로 잘못 예측한 값을 의미하고, FP(False Positive)는 전이질병을 비전이절병으로 잘못 예측한 값을 의미하며, TN(True Negative)는 전이질병에 대해 정확하게 예측한 값을 의미한다.
또한, 상기 제 1 사용자의 예측된 상기 전립선암의 병리학적 병기를 상기 제 1 사용자에게 전송하거나 디스플레이부를 통해 표시하는 제 9 단계;를 더 포함할 수 있다.
한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 다른 양상인 전립선암 치료를 위한 병리학적 병기 예측 장치는, 복수의 사용자와 관련된 복수의 데이터를 수집하고, 상기 수집한 복수의 데이터 중 전립선암과 관련된 제 1 데이터를 추출하는 데이터 클리닝부; 상기 제 1 데이터 중 상기 전립선암의 병리학적 병기(Pathology Stage)와 관련하여 미리 설정된 팩터(factor)에 대응하는 제 2 데이터를 추출하는 데이터 항목 선택부; 상기 제 2 데이터 중 적어도 하나를 이용하여 상기 전립선암의 병리학적 병기 예측을 위한 모델(model)을 생성하고, 상기 데이터 클리닝부 및 데이터 항목 선택부의 동작을 반복하여 상기 전립선암의 병리학적 병기 예측을 위한 모델을 복수 개 생성하는 데이터 모델 준비부; 및 상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하고, 상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하며, 상기 제 1 모델을 이용하여 상기 제 1 사용자의 상기 전립선암의 병리학적 병기를 예측하는 분류 예측부;를 포함할 수 있다.
또한, 상기 미리 설정된 팩터는, 나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage)를 포함할 수 있다.
또한, 상기 제 2 데이터는, 상기 미리 설정된 팩터를 이용하여 도출되는 상기 병리학적 병기의 상태를 나타내는 데이터일 수 있다.
또한, 상기 제 2 데이터는, 상기 병리학적 병기의 상태를 나타내는 비전이질병 데이터 및 전이질병 데이터를 포함할 수 있다.
또한, 상기 미리 설정된 팩터는, 나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage) 를 포함하고, 상기 데이터 모델 준비부는, 상기 미리 설정된 팩터 중 적어도 하나를 이용하되, 서로 다른 개수의 팩터를 이용하여 상기 복수의 모델을 생성할 수 있다.
또한, 상기 제 7 단계는, 상기 복수의 모델에 의사결정 나무기반의 분류 알고리즘을 적용하는 제 7-1 단계; 상기 의사결정 나무기반의 분류 알고리즘을 적용된 복수의 모델에 검증 데이터를 적용하는 제 7-2 단계; 및 상기 검증 데이터가 적용된 복수의 모델의 결과값 중 상기 검증 데이터에 가장 잘 매핑(mapping)되는 모델을 상기 제 1 모델로 선택하는 제 7-3 단계;를 포함할 수 있다.
또한, 상기 의사결정 나무기반의 분류 알고리즘은, 상기 복수의 사용자의 의사결정에 따라 연속적으로 결과값이 달라지는 알고리즘일 수 있다.
또한, 상기 분류 예측부는, 오차행렬(confusion matrix)을 이용한 정확도, 민감도 및 특이도를 산출하고, 상기 복수의 모델 중 상기 정확도, 민감도 및 특이도를 합산하여 가장 높은 수치를 보이는 모델을 상기 제 1 모델로 선택할 수 있다.
또한, 상기 정확도는 하기의 수학식 1에 의해 산출되고, 상기 민감도는 하기의 수학식 2에 의해 산출되며, 상기 특이도는 하기의 수학식 3에 의해 산출될 수 있다.
수학식 1
Figure pat00004
수학식 2
Figure pat00005
수학식 3
Figure pat00006
상기 수학식 1 내지 수학식 3에서 Accuracy는 정확도를 의미하고, Sensitivity는 민감도를 의미하며, Specificity는 특이도를 의미하고, TP(True Positive)는 비전이질병에 대해 정확하게 예측한 값을 의미하며, FN(False Negative)는 비전이질병을 전이질병으로 잘못 예측한 값을 의미하고, FP(False Positive)는 전이질병을 비전이절병으로 잘못 예측한 값을 의미하며, TN(True Negative)는 전이질병에 대해 정확하게 예측한 값을 의미한다.
또한, 상기 제 1 사용자의 예측된 상기 전립선암의 병리학적 병기를 상기 제 1 사용자에게 전송하는 무선통신부; 및 상기 제 1 사용자의 예측된 상기 전립선암의 병리학적 병기를 표시하는 디스플레이부; 중 적어도 하나를 더 포함할 수 있다.
본 발명은 전립선 암 치료에 관한 병리학적 병기 예측에 관한 것으로, 전립선암의 의료데이터를 이용하여 의사결정 나무를 이용한 예측 장치 및 방법을 제공할 수 있다.
구체적으로 본 발명은 전립선암 치료의 임상 의사결정 지원이 가능하여 전립선암 치료이전에 병리 상태를 미리 알 수 있기 때문에 신뢰도를 높일 수 있으며 수술비용을 감소시킬 수 있는 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치 및 방법을 제공할 수 있다.
본 발명은 전립선암의 의료데이터로부터 획득된 데이터를 의사결정나무를 이용하여 예측모델을 생성하여 전립선암의 병리학적 병기 예측의 정확도를 높이고 비용을 감소시킬 수 있다.
또한, 본 발명은 전립선암의 치료를 위한 병리학적 병기 분류 예측 방법과 그 분류 예측하는데 있어서, 병리학적 병기를 분류 예측 해주는 의사결정 나무 기반의 분류 예측 모델은 분류 예측의 정확도를 높일 수 있기 때문에 비용이익의 장점을 충분히 살릴 수가 있고, 불필요한 의료비용을 줄일 수 있으며, 정확한 치료를 할 수 있기 때문에 임상의사결정에 대한 지원이 가능하다.
또한, 본 발명에 따른 전립선암의 병리학적 병기 예측을 통해서 의사결정을 정확하게 지원하기 때문에 전립선암 치료의 신뢰도를 높일 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명이 제안하는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 블록 구성도를 도시한 것이다.
도 2는 도 1에서의 병리학적 병기 분류 예측부의 구체적인 구조에 대한 블록 구성도이다.
도 3은 도 1에서 설명한 병리학적 병기 분류 예측 장치를 통해 전립선암 치료를 위한 의사결정 트리를 활용한 병리학적 병기 분류 예측 방법을 설명하기 위한 흐름도이다.
도 4는 도 3에 따른 방법을 이용하고, 학습데이터를 학습하여 병리학적 병기 분류 예측모델을 생성하는 과정을 설명하기 위한 흐름도이다.
도 5는 도 4의 분류 예측 모델을 선택하는 단계에 따라 결정된 의사결정 나무를 나타내는 일례이다.
전립선암은 병리학적 병기를 예측하여 조기진단을 통해 의사와 환자에게 수술 전에 알려주는 것이 치료에 효과적이다.
지금까지는 병리학적 병기를 예측하기 위해서는 미국에서 사용하는 예측 모델을 활용하지만, 한국인에게는 적합하지 않기 때문에 어느 부분이 암 조직인지 또한 어느 부분이 암 조직이 아닌지를 판단하는 것은 전문가에게도 용이하지 않을 뿐만 아니라 출혈과 종양을 구별하는 것이 어렵다.
병리학적 병기 예측기술은 데이터의 분석을 통해 세계 선진국에서는 많은 기술개발이 진행되고 있으며, 병리학적 병기 예측기술 중에서 가장 유명한 카탄 노모그램을 이용한다.
카탄 노모그램은 미국특허 제5993388호 및 미국 특허 제6409664호에 기재되어 있다. 카탄 노모그램은 통계적인 결과로서 특정 범위를 정하는 방법을 활용하여 병리학적 병기를 예측하는 방법을 이용하지만 한국인을 대상으로 하는 기술은 부족하다.
또한, 종래의 통계적인 결과로서 특정 범위를 정하는 방법으로 병리학적 병기를 예측하는 방법은 서양인의 전립선암관련 데이터를 이용하여 병리학적 병기 예측의 범위를 구분했다.
즉, 새로운 데이터를 입력받으면, 데이터의 어떤 값에 따라 병리학적 병기여부의 예측을 제공한다.
이러한 통계적인 결과로서 특정 범위를 정하는 방법을 바탕으로 병리학적 병기를 예측하는 방법은 서양인의 병기 예측을 할 때에 가장 간단하면서도 효과적인 방식이지만, 많은 데이터가 필요하며 입력 데이터에 따라 특정 구간을 벗어나면 예측하기 어려운 문제점이 있다.
즉, 한국인의 전립선암 임상데이터는 다른 국적의 전립선암 데이터와는 인종 및 지역에 따라 다를 수 있기 때문에 예측 장치를 생성하는데 있어서 문제점을 가지고 있다.
상기와 같이 전립선암 치료를 위한 병리예측 기술은 매우 중요하지만, 정확도가 높은 장치 및 방법을 제공하는 것은 어렵다.
한국에서는 해외의 방법을 이용하는 방법을 사용했지만, 한국인의 병리 예측을 위해서는 국내 환자에 맞는 병리 에측기술을 통해 종양 여부 예측 따르는 정확도를 높이고 예측의 오류율을 최대한 적게하여 암 치료의 신뢰도를 높일 수 있어야 한다.
한편, 공개특허 제10-2013-0023235는 국내에서도 병리학적 병기를 예측하기 위한 연구로서, 카턴 노모그램과 유전자의 데이터를 기반으로 예후 예측하는 방법을 제시했으며, 통계적인 기법을 활용하여 예측모델의 성능을 향상 시켰다.
상기 국내 특허에 따른 카턴 노모그램과 유전자 데이터를 이용한 예후 예측은, 유전자의 데이터에 따라 향후 5년의 재발여부를 예측했지만, 유전자 데이터 분석에 시간이 너무 오래 걸리는 문제점이 있다.
한편, 의사결정나무 학습기법은 귀납추리(inductive inference)의 가장 대표적인 학습기법으로 분류(classification)에 많이 쓰이고 있으며, 학습이 완료가 되면 사람이 해석하기 쉬운 IF-THEN형식의 학습결과를 제공하기 때문에 의사결정지원에 효과적인 특징을 가지고 있다.
의사결정 나무는 노드(Node)로 구성되는데, 최상위에 위치하는 노드를 루트노드(root node)라 하고, 루트노드는 하위노드로 가지치기(pruning)하면서 노드의 수를 증가시킨다.
이 때, 하위 노드는 다시 하위노드로 가지치기를 한다.
또한, 하위노드에서 더이상 가지치기가 진행되지 않는 노드를 종단 노드(leaf node)라 한다. 그리고, 루트노드로부터 종단노드까지의 단계를 깊이(depth)라 한다.
이러한 의사결정나무 학습 기법은 수집된 데이터에 기초하여 트리형태의 의사결정 분류 모델을 형성하고, 이후 전송받는 데이터를 상기 의사결정 분류 모델에 따라 분류하기 때문에 우수한 자동 분류 방식으로 인식되고 있다.
그 중에서도 특히, 한국인의 전립선암 데이터를 활용한 병리예측은 매우 어렵기 때문에 제대로 예측하지 못할 경우 치료가 어려워질 수도 있다.
또한, 예측방법에 따라서 병리학적 병기 분류 예측 성능에 대해서도 비용이 소모되기 때문에 한국인의 전립선암 데이터로 부터 획득된 데이터를 활용한 효율적인 전립선암 병리학적 병기 분류 예측 방법과 의사결정을 지원할 수 있는 방법에 대해 고려해야하는 문제점이 있다.
따라서 본 발명에서는 상기한 문제점을 해소하기 위해, 전립선 암 치료에 관한 병리학적 병기 예측을 위한 전립선암의 의료데이터를 이용하여 의사결정 나무를 이용한 예측 장치 및 방법을 제공하고자 한다.
구체적으로 본 발명은 전립선암 치료의 임상 의사결정 지원이 가능하여 전립선암 치료이전에 병리 상태를 미리 알 수 있기 때문에 신뢰도를 높일 수 있으며 수술비용을 감소시킬 수 있는 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치 및 방법을 제공하고자 한다.
본 발명의 구체적인 설명에 앞서, 본 발명에 적용될 수 있는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 기본 구성에 대해 설명한다.
도 1은 본 발명이 제안하는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 블록 구성도를 도시한 것이다.
도 1을 참조하면, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치(100)는 무선 통신부(110), A/V(Audio/Video) 입력부(120), 사용자 입력부(130), 센싱부(140), 출력부(150), 메모리(160), 인터페이스부(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다.
단, 도 1에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치가 구현될 수도 있다.
이하, 상기 구성요소들에 대해 차례로 살펴본다.
무선 통신부(110)는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치와 무선 통신 시스템 사이 또는 기기와 기기가 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.
예를 들어, 무선 통신부(110)는 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114) 및 위치정보 모듈(115) 등을 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
상기 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 상기 방송 관리 서버는, 방송 신호 및/또는 방송 관련 정보를 생성하여 송신하는 서버 또는 기 생성된 방송 신호 및/또는 방송 관련 정보를 제공받아 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에 송신하는 서버를 의미할 수 있다. 상기 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 뿐만 아니라, TV 방송 신호 또는 라디오 방송 신호에 데이터 방송 신호가 결합한 형태의 방송 신호도 포함할 수 있다.
상기 방송 관련 정보는, 방송 채널, 방송 프로그램 또는 방송 서비스 제공자에 관련한 정보를 의미할 수 있다. 상기 방송 관련 정보는, 이동통신망을 통하여도 제공될 수 있다. 이러한 경우에는 상기 이동통신 모듈(112)에 의해 수신될 수 있다.
상기 방송 관련 정보는 다양한 형태로 존재할 수 있다. 예를 들어, DMB(Digital Multimedia Broadcasting)의 EPG(Electronic Program Guide) 또는 DVB-H(Digital Video Broadcast-Handheld)의 ESG(Electronic Service Guide) 등의 형태로 존재할 수 있다.
상기 방송 수신 모듈(111)은, 예를 들어, DMB-T(Digital Multimedia Broadcasting-Terrestrial), DMB-S(Digital Multimedia Broadcasting-Satellite), MediaFLO(Media Forward Link Only), DVB-H(Digital Video Broadcast-Handheld), ISDB-T(Integrated Services Digital Broadcast-Terrestrial) 등의 디지털 방송 시스템을 이용하여 디지털 방송 신호를 수신할 수 있다. 물론, 상기 방송 수신 모듈(111)은, 상술한 디지털 방송 시스템뿐만 아니라 다른 방송 시스템에 적합하도록 구성될 수도 있다.
방송 수신 모듈(111)을 통해 수신된 방송 신호 및/또는 방송 관련 정보는 메모리(160)에 저장될 수 있다.
이동통신 모듈(112)은, 이동 통신망 상에서 기지국, 외부의 기기, 서버 중 적어도 하나와 무선 신호를 송수신한다.
문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에 내장되거나 외장될 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.
근거리 통신 모듈(114)은 근거리 통신을 위한 모듈을 말한다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee, 와이파이(Wireless Fidelity, Wi-Fi) 등이 이용될 수 있다.
위치정보 모듈(115)은 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 위치를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Position System) 모듈이 있다.
도 1을 참조하면, A/V(Audio/Video) 입력부(120)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(121)와 마이크(122) 등이 포함될 수 있다. 카메라(121)는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시될 수 있다.
카메라(121)에서 처리된 화상 프레임은 메모리(160)에 저장되거나 무선 통신부(110)를 통하여 외부로 전송될 수 있다. 카메라(121)는 사용 환경에 따라 2개 이상이 구비될 수도 있다.
마이크(122)는 녹음모드, 음성인식 모드 등에서 마이크로폰(Microphone)에 의해 외부의 음향 신호를 입력받아 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 이동통신 모듈(112)을 통하여 이동통신 기지국으로 송신 가능한 형태로 변환되어 출력될 수 있다. 마이크(122)에는 외부의 음향 신호를 입력받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(130)는 사용자가 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 동작 제어를 위한 입력 데이터를 발생시킨다. 사용자 입력부(130)는 키 패드(key pad) 돔 스위치 (dome switch), 터치 패드(정압/정전), 조그 휠, 조그 스위치 등으로 구성될 수 있다.
센싱부(140)는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 개폐 상태, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 위치, 사용자 접촉 유무, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 방위, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 가속/감속 등과 같이 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 현 상태를 감지하여 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 동작을 제어하기 위한 센싱 신호를 발생시킨다.
센싱부(140)는 전원 공급부(190)의 전원 공급 여부, 인터페이스부(170)의 외부 기기 결합 여부 등을 센싱할 수도 있다.
한편, 상기 센싱부(140)는 근접 센서(141)를 포함할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 이에는 디스플레이부(151), 음향 출력 모듈(152), 알람부(153), 햅틱 모듈(154) 및 프로젝터 모듈(155) 등이 포함될 수 있다.
디스플레이부(151)는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에서 처리되는 정보를 표시(출력)한다.
디스플레이부(151)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다.
이들 중 일부 디스플레이는 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성될 수 있다. 이는 투명 디스플레이라 호칭될 수 있는데, 상기 투명 디스플레이의 대표적인 예로는 TOLED(Transparant OLED) 등이 있다. 디스플레이부(151)의 후방 구조 또한 광 투과형 구조로 구성될 수 있다. 이러한 구조에 의하여, 사용자는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치 바디의 디스플레이부(151)가 차지하는 영역을 통해 전립선암 치료를 위한 병리학적 병기 분류 예측 장치 바디의 후방에 위치한 사물을 볼 수 있다.
전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 구현 형태에 따라 디스플레이부(151)이 2개 이상 존재할 수 있다. 예를 들어, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에는 복수의 디스플레이부들이 하나의 면에 이격되거나 일체로 배치될 수 있고, 또한 서로 다른 면에 각각 배치될 수도 있다.
디스플레이부(151)와 터치 동작을 감지하는 센서(이하, '터치 센서'라 함)가 상호 레이어 구조를 이루는 경우(이하, '터치 스크린'이라 함)에, 디스플레이부(151)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 터치 센서는, 예를 들어, 터치 필름, 터치 시트, 터치 패드 등의 형태를 가질 수 있다.
터치 센서는 디스플레이부(151)의 특정 부위에 가해진 압력 또는 디스플레이부(151)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다.
터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(180)로 전송한다. 이로써, 제어부(180)는 디스플레이부(151)의 어느 영역이 터치 되었는지 여부 등을 알 수 있게 된다.
상기 근접 센서(141)는 상기 터치스크린에 의해 감싸지는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 내부 영역 또는 상기 터치 스크린의 근처에 배치될 수 있다. 상기 근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서는 접촉식 센서보다는 그 수명이 길며 그 활용도 또한 높다.
상기 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 상기 터치스크린이 정전식인 경우에는 상기 포인터의 근접에 따른 전계의 변화로 상기 포인터의 근접을 검출하도록 구성된다. 이 경우 상기 터치 스크린(터치 센서)은 근접 센서로 분류될 수도 있다.
이하에서는 설명의 편의를 위해, 상기 터치스크린 상에 포인터가 접촉되지 않으면서 근접되어 상기 포인터가 상기 터치스크린 상에 위치함이 인식되도록 하는 행위를 "근접 터치(proximity touch)"라고 칭하고, 상기 터치스크린 상에 포인터가 실제로 접촉되는 행위를 "접촉 터치(contact touch)"라고 칭한다. 상기 터치스크린 상에서 포인터로 근접 터치가 되는 위치라 함은, 상기 포인터가 근접 터치될 때 상기 포인터가 상기 터치스크린에 대해 수직으로 대응되는 위치를 의미한다.
상기 근접센서는, 근접 터치와, 근접 터치 패턴(예를 들어, 근접 터치 거리, 근접 터치 방향, 근접 터치 속도, 근접 터치 시간, 근접 터치 위치, 근접 터치 이동 상태 등)을 감지한다. 상기 감지된 근접 터치 동작 및 근접 터치 패턴에 상응하는 정보는 터치 스크린상에 출력될 수 있다.
음향 출력 모듈(152)은 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(160)에 저장된 오디오 데이터를 출력할 수 있다. 음향 출력 모듈(152)은 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다. 이러한 음향 출력 모듈(152)에는 리시버(Receiver), 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
알람부(153)는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 이벤트 발생을 알리기 위한 신호를 출력한다.
알람부(153)는 비디오 신호나 오디오 신호 이외에 다른 형태, 예를 들어 진동으로 이벤트 발생을 알리기 위한 신호를 출력할 수도 있다.
상기 비디오 신호나 오디오 신호는 디스플레이부(151)나 음성 출력 모듈(152)을 통해서도 출력될 수 있어서, 그들(151,152)은 알람부(153)의 일부로 분류될 수도 있다.
햅틱 모듈(haptic module)(154)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(154)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 있다. 햅택 모듈(154)이 발생하는 진동의 세기와 패턴 등은 제어 가능하다.
예를 들어, 서로 다른 진동을 합성하여 출력하거나 순차적으로 출력할 수도 있다.
햅틱 모듈(154)은, 진동 외에도, 접촉 피부면에 대해 수직 운동하는 핀 배열, 분사구나 흡입구를 통한 공기의 분사력이나 흡입력, 피부 표면에 대한 스침, 전극(eletrode)의 접촉, 정전기력 등의 자극에 의한 효과와, 흡열이나 발열 가능한 소자를 이용한 냉온감 재현에 의한 효과 등 다양한 촉각 효과를 발생시킬 수 있다.
햅틱 모듈(154)은 직접적인 접촉을 통해 촉각 효과의 전달할 수 있을 뿐만 아니라, 사용자가 손가락이나 팔 등의 근 감각을 통해 촉각 효과를 느낄 수 있도록 구현할 수도 있다. 햅틱 모듈(154)은 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 구성 태양에 따라 2개 이상이 구비될 수 있다.
프로젝터 모듈(155)은, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치를 이용하여 이미지 프로젝트(project) 기능을 수행하기 위한 구성요소로서, 제어부(180)의 제어 신호에 따라 디스플레이부(151)상에 디스플레이되는 영상과 동일하거나 적어도 일부가 다른 영상을 외부 스크린 또는 벽에 디스플레이할 수 있다.
구체적으로, 프로젝터 모듈(155)은, 영상을 외부로 출력하기 위한 빛(일 예로서, 레이저 광)을 발생시키는 광원(미도시), 광원에 의해 발생한 빛을 이용하여 외부로 출력할 영상을 생성하기 위한 영상 생성 수단 (미도시), 및 영상을 일정 초점 거리에서 외부로 확대 출력하기 위한 렌즈(미도시)를 포함할 수 있다. 또한, 프로젝터 모듈(155)은, 렌즈 또는 모듈 전체를 기계적으로 움직여 영상 투사 방향을 조절할 수 있는 장치(미도시)를 포함할 수 있다.
프로젝터 모듈(155)은 디스플레이 수단의 소자 종류에 따라 CRT(Cathode Ray Tube) 모듈, LCD(Liquid Crystal Display) 모듈 및 DLP(Digital Light Processing) 모듈 등으로 나뉠 수 있다. 특히, DLP 모듈은, 광원에서 발생한 빛이 DMD(Digital Micromirror Device) 칩에 반사됨으로써 생성된 영상을 확대 투사하는 방식으로 프로젝터 모듈(151)의 소형화에 유리할 수 있다.
바람직하게, 프로젝터 모듈(155)은, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 측면, 정면 또는 배면에 길이 방향으로 구비될 수 있다. 물론, 프로젝터 모듈(155)은, 필요에 따라 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 어느 위치에라도 구비될 수 있음은 당연하다.
메모리부(160)는 제어부(180)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들(예를 들어, 메시지, 오디오, 정지영상, 동영상 등)의 임시 저장을 위한 기능을 수행할 수도 있다. 상기 메모리부(160)에는 상기 데이터들 각각에 대한 사용 빈도도 함께 저장될 수 있다. 또한, 상기 메모리부(160)에는 상기 터치스크린 상의 터치 입력시 출력되는 다양한 패턴의 진동 및 음향에 관한 데이터를 저장할 수 있다.
메모리(160)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 전립선암 치료를 위한 병리학적 병기 분류 예측 장치는 인터넷(internet)상에서 상기 메모리(160)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.
인터페이스부(170)는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에 연결되는 모든 외부기기와의 통로 역할을 한다. 인터페이스부(170)는 외부 기기로부터 데이터를 전송받거나, 전원을 공급받아 전립선암 치료를 위한 병리학적 병기 분류 예측 장치 내부의 각 구성 요소에 전달하거나, 전립선암 치료를 위한 병리학적 병기 분류 예측 장치 내부의 데이터가 외부 기기로 전송되도록 한다. 예를 들어, 유/무선 헤드셋 포트, 외부 충전기 포트, 유/무선 데이터 포트, 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트, 오디오 I/O(Input/Output) 포트, 비디오 I/O(Input/Output) 포트, 이어폰 포트 등이 인터페이스부(170)에 포함될 수 있다.
식별 모듈은 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(User Identify Module, UIM), 가입자 인증 모듈(Subscriber Identify Module, SIM), 범용 사용자 인증 모듈(Universal Subscriber Identity Module, USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 포트를 통하여 전립선암 치료를 위한 병리학적 병기 분류 예측 장치와 연결될 수 있다.
상기 인터페이스부는 전립선암 치료를 위한 병리학적 병기 분류 예측 장치가 외부 크래들(cradle)과 연결될 때 상기 크래들로부터의 전원이 상기 전립선암 치료를 위한 병리학적 병기 분류 예측 장치에 공급되는 통로가 되거나, 사용자에 의해 상기 크래들에서 입력되는 각종 명령 신호가 상기 이동기기로 전달되는 통로가 될 수 있다. 상기 크래들로부터 입력되는 각종 명령 신호 또는 상기 전원은 상기 이동기기가 상기 크래들에 정확히 장착되었음을 인지하기 위한 신호로 동작될 수도 있다.
제어부(controller, 180)는 통상적으로 전립선암 치료를 위한 병리학적 병기 분류 예측 장치의 전반적인 동작을 제어한다.
제어부(180)는 병리학적 병기 분류 예측부(200)를 더 포함할 수 있다.
병리학적 병기 분류 예측부(200)는 데이터 전처리부 및 분류 예측부를 포함한다.
병리학적 병기 분류 예측부(200)는 데이터 전처리부를 통해 전립선암의 의료데이터를 입력받아 전립선암의 병리예측과 관련된 데이터를 분석한다.
구체적으로 병리학적 병기 분류 예측부(200)는 전립선암의 의료데이터로부터 불필요한 데이터를 제거하고, 불필요한 데이터가 제거된 의료데이터에 대해 병리학적 병기 예측과 관련된 데이터를 선택하며, 분류예측에 필요한 데이터들을 여러 항목으로 조합하여 병리예측과 관련된 여러 가지의 데이터 모델을 준비할 수 있다.
병리학적 병기 분류 예측부(200)에 대한 구체적인 설명은 도 2를 참조하여 후술한다.
전원 공급부(190)는 제어부(180)의 제어에 의해 외부의 전원, 내부의 전원을 인가 받아 각 구성요소들의 동작에 필요한 전원을 공급한다.
여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어부(180) 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리(160)에 저장되고, 제어부(180)에 의해 실행될 수 있다.
다음으로, 도 2는 도 1에서의 병리학적 병기 분류 예측부의 구체적인 구조에 대한 블록 구성도이다.
도 2를 참조하면, 본 발명이 제안하는 병리학적 병기 분류 예측부(200)는 데이터 전처리부(210)와 분류 예측부(220)를 포함할 수 있다.
여기서, 데이터 전처리부(210)는 데이터 클리닝부(211), 데이터 항목 선택부(212) 및 데이터 모델 준비부(213)를 포함할 수 있다.
데이터 전처리부(210)는 전립선암의 의료데이터를 입력받아 전립선암의 병리예측과 관련된 데이터를 분석하는 기능을 제공한다.
먼저, 데이터 클리닝부(211)는 전립선암의 의료데이터로부터 불필요한 데이터를 제거하는 기능을 제공한다.
데이터 클리닝부(211)는 전립선암의 의료데이터로부터 획득된 데이터에서 불필요한 데이터를 제거하고, 입력받은 의료데이터 중에서 잘못 입력된 데이터 값을 제거한다.
또한, 데이터 클리닝부(211)는 불필요 정보인 환자 ID, 방사선 치료, 재활 정보등 병리학적 병기에 불필요한 데이터도 제거한다. 그리고, 누락된 데이터에 대해 삭제를 하고, 해당되는 데이터의 행과 열을 모두 삭제한다.
다음으로, 데이터 항목 선택부(212)는 데이터 클리닝부로부터 전송받은 데이터에 대해 병리학적 병기 예측과 관련된 데이터를 선택하는 기능을 제공한다.
즉, 데이터 항목 선택부(212)는 데이터 클리닝부(211)로부터 전송받은 데이터에 관해 병리학적 병기 예측과 관련된 데이터를 추출하고, 데이터를 변형한다.
또한, 데이터 모델 준비부(213)는 분류예측에 필요한 데이터들을 여러 항목으로 조합하여 병리예측과 관련된 여러 가지의 데이터 모델을 준비하는 기능을 제공한다.
즉, 데이터 모델 준비부(213)는 데이터 항목 선택부(212)로부터 전송받은 데이터에 대해 여러 가지의 데이터 모델을 생성하는 단계이다.
또한, 분류 예측부(220)는 분석된 데이터에 대해 분류 예측 모델을 생성하는 기능을 제공한다.
분류 예측부(220)는 데이터 전처리부(210)로부터 데이터 분석을 통해 준비된 데이터 모델들을 입력 받아 상기 전립선암의 의료데이터에 대해 학습데이터를 준비하고, 상기 학습 데이터를 학습하여 의사결정 나무 알고리즘을 적용하여 학습한 후 병리학적 병기 분류 예측모델을 생성한다.
전술한 병리학적 병기 분류 예측부(200)의 데이터 전처리부(210)와 분류 예측부(220) 구조를 기초로 본 발명이 제안하는 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 방법을 설명한다.
도 3은 도 1에서 설명한 병리학적 병기 분류 예측 장치를 통해 전립선암 치료를 위한 의사결정 트리를 활용한 병리학적 병기 분류 예측 방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 본 발명이 제안하는 전립선암 치료를 위한 의사결정 트리(tree)를 활용한 병리학적 병기 분류 예측 방법은, 가장 먼저, 데이터 클리닝 부(211)가 전립선암의 의료데이터로부터 불필요한 데이터를 제거하는 단계(S311)를 수행한다.
이후, 데이터 항목 선택부(212)가 데이터 클리닝부(211)로부터 전송 받은 데이터 중에서 병리예측과 관계된 데이터를 선택하는 단계(S312)가 진행된다.
S312 단계에서 분류 예측부(220)는 병리학적 병기를 예측하기 위한 데이터 중에서 환자의 기본 데이터(Demographic)와 생체 검사(Biopsy) 데이터 및 병리학(Pathology) 데이터 중에서 기본데이터와 생체 검사 데이터를 예측모델을 생성하기 위한 입력 값으로 정하고, 병리학적 병기 데이터를 출력값으로 정할 수 있다.
여기서 기본 정보 데이터는 환자의 나이, 신체질량 지수(Body Mass Index)를 사용하고, 생체 검사 데이터는 초기 전립선 특이항원 (initial Prostate Specific Antigen), 글리슨 점수 (Gleason score), 종양차지비율 (Percentage of positive core), 임상병리(Clinical T stage) 항목을 사용할 수 있다.
즉, 최종적으로 입력 데이터는 나이, 신체질량지수, 초기 전립선 특이항원, 글리슨 점수, 종양차지비율, 임상병리로 총 6개 항목이다. 출력값은 병리학 데이터 중에서 병리학적 병기(Pathology Stage)의 T stage와 N stage 항목을 이용할 수 있다.
여기서, T stage와 N stage는 pT2a, pT2b, pT2c, pT3a, pT3b, pT3c, pN1으로 구분이 된다. 여기서, pT2a, pT2b, pT2c는 비전이 질병(Organ confined Disease; OCD)으로 정하며 pT3a, pT3b, pT3c, pN1는 전이질병 (Non-Organ confined Disease; NOCD)으로 결정할 수 있다.
즉, 최종적으로 출력 데이터는 병리학적 병기의 상태인 비전이질병 클래스(0)와 전이질병 클래스(1)가 될 수 있다.
S312 단계 이후에, 데이터 모델 준비부(213)가 데이터 항목 선택부(212)로부터 전송 받은 데이터들 중에서 예측 모델에 적용시키기 위해 여러 조합의 데이터 모델을 생성하고 준비하는 단계(S313)가 진행된다.
또한, 분류 예측부(220)가 데이터 전처리부(210)로부터 준비된 데이터 모델들과 전립선암의 의료데이터로부터 학습데이터를 준비하고, 데이터 모델에 따라 예측모델들을 생성하는 단계(S314)가 진행된다.
S314 단계에서 데이터 모델 준비부(213)는 병리학적 병기의 예측은 입력데이터 중에서 불필요한 항목이 있을 수 있으며, 불필요한 데이터가 있을 경우, 분류 예측의 정확도 낮아질 수 있기 때문에 여러 가지 모델을 준비할 수 있따.
입력 데이터와 출력 데이터간의 데이터 모델은 표 1과 같이 총 5가지로 준비될 수 있다.
Figure pat00007
상기 표 1에서, 각 데이터모델은 3개에서 5개의 입력 값과 1개의 출력 값이다.
또한, 데이터 모델1은 3개의 입력 값으로, 데이터 모델2는 4개의 입력 값으로, 데이터모델 3 및 4는 5개의 입력 값으로, 데이터 모델 5는 6개의 입력 값으로 구성된다.
이후, 데이터 모델에 따라 생성된 예측모델 중에서 가장 정확도가 높은 예측모델을 선택하는 단계(S315)가 수행된다.
인터넷 게임 중독 치료를 위한 의사결정 트리를 활용한 인터넷 게임 중독 분류 예측 방법은, 데이터 클리닝부(211)가 인터넷 게임 중독의 인터넷 게임 라이프스타일 데이터로부터 불필요한 데이터를 제거하는 단계(S100)부터 수행한다.
S100 단계 이후에, 데이터 항목 선택부(212)가 데이터 클리닝부(211)로부터 전송 받은 데이터 중에서 인터넷 게임 중독 예측과 관계된 데이터를 선택하는 단계(S200)를 수행한다.
S200 단계에서, 분류 예측부(220)부는 인터넷 게임 중독을 예측하기 위한 데이터 중에서 환자의 기본 데이터(Demographic)와 인터넷 게임 이용 시간 및 인터넷 게임 비용, 오프라인 모임 참석 여부 데이터를 예측모델을 생성하기 위한 입력 값으로 정하고, 인터넷 게임 중독 데이터를 출력값으로 정할 수 있다.
도 3에서 설명한 프로세스를 거쳐, 도 4는 본 발명의 일실시 예에 따른 학습데이터를 학습하여 병리학적 병기를 분류 예측 모델을 생성하는 과정을 설명하기 위한 흐름도이다.
도 4에서의 S311 단계 내지 S315 단계는 도 3에서의 S311 단계 내지 S315 단계와 대응되므로, 명세서의 간명화를 위해 생략한다.
도 3에서 학습 데이터를 학습하여 예측모델을 생성하는 단계는 S314 및 S315 단계 이다.
도 4를 참조하면, 학습 데이터를 학습하여 예측모델을 생성하는 단계(S314, S315) 이후에는, 데이터 모델들에 따라 학습데이터를 학습하여 예측모델을 생성하기 위해 의사결정 나무기반의 분류 알고리즘을 적용하여 학습하는 단계(S510)가 진행된다.
S510 단계에서, 분류 예측부(220)를 통해 분류 예측 모델을 생성하기 위해, 데이터 전처리부(210)로부터 상기 5개의 데이터 모델을 전송 받은 후, 표 1의 5개의 데이터 모델을 준비할 수 있다.
여기서, 전체의 학습 데이터 중에서 전체의 70%의 데이터를 이용하여 의사결정나무 기반의 학습모델을 생성하며 나머지 30%의 데이터를 이용하여 단계(S520)로 전송하여 검증으로 이용할 수 있다.
여기서, 의사결정나무 기반의 학습모델을 생성하기 위해 상기 5개의 데이터모델을 이용하여 입력 값으로 이용하고, 상기 출력데이터 항목을 출력값으로 이용하여 학습을 할 수 있다.
이 때, 5개의 데이터 모델을 이용하여 5개의 예측 모델이 생성될 수 있다.
이후, 생성된 의사결정 나무기반의 분류 알고리즘이 적용된 예측 모델들에게 검증 데이터를 적용하는 단계(S520)가 진행된다.
상기 S520 단계에서 분류 예측부(220)는 예측 모델들에게 검증데이터를 적용하게 되는데, 5개의 생성된 예측모델의 정확도, 민감도, 특이도를 평가할 수 있다.
여기서 정확도, 민감도, 특이도는 오차행렬(confusion matrix)를 이용하며 다음의 표 2와 같은 파라미터가 적용될 수 있다.
Figure pat00008
상기 표 2에서, TP(True Positive)는 비전이질병에 대해 정확하게 예측한 값을 의미하며, FN(False Negative)는 비전이질병을 전이질병으로 잘못 예측한 값을 의미하며, FP(False Positive)는 전이질병을 비전이절병으로 잘못 예측한 값을 의미하며, TN(True Negative)는 전이질병에 대해 정확하게 예측한 값을 의미한다.
여기서 정확도, 민감도, 특이도는 하기의 수학식을 통해 산출될 수 있다.
Figure pat00009
상기 수학식을 이용하여 5개의 예측 모델에 대해 계산결과값은 단계(530)으로 전송한다.
상기 S520 단계 이후에는, 검증데이터를 적용한 이후에 가장 높은 정확도를 나타내는 예측모델을 선택하여 전립선암의 병리단계에 대한 분류 예측 모델을 선택하는 단계(S530)가 순차적으로 진행된다.
S530 단계에서는, 분류 예측부(220)에서 가장 높은 정확도를 나타내는 예측모델을 선택하여 전립선암의 병리단계에 대한 분류 예측 모델을 선택하기 위해, S520 단계로부터 전송 받은 계산결과값 중에서 가장 큰 정확도 값을 결정할 수 있다.
일 실시예에 따라 S520 단계로부터 전송받은 계산결과 값은 다음의 표 3과 같이 나타날 수 있다.
Figure pat00010
상기 표 3의 계산 결과값 중에서 정확도, 민감도, 특이도가 가장 높은 분류예측모델은 4번째 분류예측모델4이다.
도 5는 도 4의 단계(530)의 결과에 따른 의사결정 나무를 나타내는 예시도이다.
상기 S530 단계에서 상기 계산결과값 중 가장 높은 분류예측모델4을 나타내며, 새로운 데이터가 들어올 경우, 상기 분류예측모델4을 이용하여 비전이질병 및 전이질병에 대해 예측을 할 수 있다.
예를 들어, 종양차지비율이 40, 임상병리가 T2c, 나이가 64세이면, 루트노드, 노드 1, 노드4, 노드 10, 최종노드 15의 순서로 비전이질병으로 예측할 수 있다.
따라서 본 발명의 전립선 암 치료에 관한 병리학적 병기 예측 방법 및 장치가 적용되는 경우, 전립선암의 의료데이터를 이용하여 의사결정 나무를 이용한 예측 장치 및 방법을 제공할 수 있다.
구체적으로 본 발명은 전립선암 치료의 임상 의사결정 지원이 가능하여 전립선암 치료이전에 병리 상태를 미리 알 수 있기 때문에 신뢰도를 높일 수 있으며 수술비용을 감소시킬 수 있는 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치 및 방법을 제공할 수 있다.
본 발명은 전립선암의 의료데이터로부터 획득된 데이터를 의사결정나무를 이용하여 예측모델을 생성하여 전립선암의 병리학적 병기 예측의 정확도를 높이고 비용을 감소시킬 수 있다.
또한, 본 발명은 전립선암의 치료를 위한 병리학적 병기 분류 예측 방법과 그 분류 예측하는데 있어서, 병리학적 병기를 분류 예측 해주는 의사결정 나무 기반의 분류 예측 모델은 분류 예측의 정확도를 높일 수 있기 때문에 비용이익의 장점을 충분히 살릴 수가 있고, 불필요한 의료비용을 줄일 수 있으며, 정확한 치료를 할 수 있기 때문에 임상의사결정에 대한 지원이 가능하다.
또한, 본 발명에 따른 전립선암의 병리학적 병기 예측을 통해서 의사결정을 정확하게 지원하기 때문에 전립선암 치료의 신뢰도를 높일 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.

Claims (20)

  1. 복수의 사용자와 관련된 복수의 데이터를 수집하는 제 1 단계;
    상기 수집한 복수의 데이터 중 전립선암과 관련된 제 1 데이터를 추출하는 제 2 단계;
    상기 제 1 데이터 중 상기 전립선암의 병리학적 병기(Pathology Stage)와 관련하여 미리 설정된 팩터(factor)에 대응하는 제 2 데이터를 추출하는 제 3 단계;
    상기 제 2 데이터 중 적어도 하나를 이용하여 상기 전립선암의 병리학적 병기 예측을 위한 모델(model)을 생성하는 제 4 단계;
    상기 제 1 단계 내지 제 4 단계를 반복하여 상기 전립선암의 병리학적 병기 예측을 위한 모델을 복수 개 생성하는 제 5 단계;
    상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하는 제 6 단계;
    상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하는 제 7 단계; 및
    상기 제 1 모델을 이용하여 상기 제 1 사용자의 상기 전립선암의 병리학적 병기를 예측하는 제 8 단계;를 포함하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  2. 제 1항에 있어서,
    상기 제 3 단계에서
    상기 미리 설정된 팩터는,
    나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage)를 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  3. 제 2항에 있어서,
    상기 제 2 데이터는,
    상기 미리 설정된 팩터를 이용하여 도출되는 상기 병리학적 병기의 상태를 나타내는 데이터인 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  4. 제 3항에 있어서,
    상기 제 2 데이터는,
    상기 병리학적 병기의 상태를 나타내는 비전이질병 데이터 및 전이질병 데이터를 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  5. 제 1항에 있어서,
    상기 미리 설정된 팩터는,
    나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage) 를 포함하고,
    상기 제 5 단계는,
    상기 미리 설정된 팩터 중 적어도 하나를 이용하되, 서로 다른 개수의 팩터를 이용하여 상기 복수의 모델을 생성하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  6. 제 1항에 있어서,
    상기 제 7 단계는,
    상기 복수의 모델에 의사결정 나무기반의 분류 알고리즘을 적용하는 제 7-1 단계;
    상기 의사결정 나무기반의 분류 알고리즘을 적용된 복수의 모델에 검증 데이터를 적용하는 제 7-2 단계; 및
    상기 검증 데이터가 적용된 복수의 모델의 결과값 중 상기 검증 데이터에 가장 잘 매핑(mapping)되는 모델을 상기 제 1 모델로 선택하는 제 7-3 단계;를 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  7. 제 6항에 있어서,
    상기 의사결정 나무기반의 분류 알고리즘은, 상기 복수의 사용자의 의사결정에 따라 연속적으로 결과값이 달라지는 알고리즘인 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  8. 제 6항에 있어서,
    상기 제 7-3 단계는,
    오차행렬(confusion matrix)을 이용한 정확도, 민감도 및 특이도를 산출하는 제 8-1 단계; 및
    상기 복수의 모델 중 상기 정확도, 민감도 및 특이도를 합산하여 가장 높은 수치를 보이는 모델을 상기 제 1 모델로 선택하는 제 8-2 단계;를 더 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  9. 제 8항에 있어서,
    상기 정확도는 하기의 수학식 1에 의해 산출되고, 상기 민감도는 하기의 수학식 2에 의해 산출되며, 상기 특이도는 하기의 수학식 3에 의해 산출되는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
    수학식 1
    Figure pat00011

    수학식 2
    Figure pat00012

    수학식 3
    Figure pat00013

    상기 수학식 1 내지 수학식 3에서 Accuracy는 정확도를 의미하고, Sensitivity는 민감도를 의미하며, Specificity는 특이도를 의미하고, TP(True Positive)는 비전이질병에 대해 정확하게 예측한 값을 의미하며, FN(False Negative)는 비전이질병을 전이질병으로 잘못 예측한 값을 의미하고, FP(False Positive)는 전이질병을 비전이절병으로 잘못 예측한 값을 의미하며, TN(True Negative)는 전이질병에 대해 정확하게 예측한 값을 의미한다.
  10. 제 1항에 있어서,
    상기 제 1 사용자의 예측된 상기 전립선암의 병리학적 병기를 상기 제 1 사용자에게 전송하거나 디스플레이부를 통해 표시하는 제 9 단계;를 더 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  11. 복수의 사용자와 관련된 복수의 데이터를 수집하고, 상기 수집한 복수의 데이터 중 전립선암과 관련된 제 1 데이터를 추출하는 데이터 클리닝부;
    상기 제 1 데이터 중 상기 전립선암의 병리학적 병기(Pathology Stage)와 관련하여 미리 설정된 팩터(factor)에 대응하는 제 2 데이터를 추출하는 데이터 항목 선택부;
    상기 제 2 데이터 중 적어도 하나를 이용하여 상기 전립선암의 병리학적 병기 예측을 위한 모델(model)을 생성하고, 상기 데이터 클리닝부 및 데이터 항목 선택부의 동작을 반복하여 상기 전립선암의 병리학적 병기 예측을 위한 모델을 복수 개 생성하는 데이터 모델 준비부; 및
    상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하고, 상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하며, 상기 제 1 모델을 이용하여 상기 제 1 사용자의 상기 전립선암의 병리학적 병기를 예측하는 분류 예측부;를 포함하는 전립선암 치료를 위한 병리학적 병기 장치.
  12. 제 11항에 있어서,
    상기 미리 설정된 팩터는,
    나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage) 인 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
  13. 제 12항에 있어서,
    상기 제 2 데이터는,
    상기 미리 설정된 팩터를 이용하여 도출되는 상기 병리학적 병기의 상태를 나타내는 데이터인 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
  14. 제 13항에 있어서,
    상기 제 2 데이터는,
    상기 병리학적 병기의 상태를 나타내는 비전이질병 데이터 및 전이질병 데이터를 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
  15. 제 11항에 있어서,
    상기 미리 설정된 팩터는,
    나이, 신체질량 지수(Body Mass Index), 초기 전립선 특이항원(initial Prostate Specific Antigen), 글리슨 점수(Gleason score), 종양차지비율(Percentage of positive core), 임상병리(Clinical T stage) 를 포함하고,
    상기 데이터 모델 준비부는,
    상기 미리 설정된 팩터 중 적어도 하나를 이용하되, 서로 다른 개수의 팩터를 이용하여 상기 복수의 모델을 생성하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
  16. 제 11항에 있어서,
    상기 제 7 단계는,
    상기 복수의 모델에 의사결정 나무기반의 분류 알고리즘을 적용하는 제 7-1 단계;
    상기 의사결정 나무기반의 분류 알고리즘을 적용된 복수의 모델에 검증 데이터를 적용하는 제 7-2 단계; 및
    상기 검증 데이터가 적용된 복수의 모델의 결과값 중 상기 검증 데이터에 가장 잘 매핑(mapping)되는 모델을 상기 제 1 모델로 선택하는 제 7-3 단계;를 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  17. 제 16항에 있어서,
    상기 의사결정 나무기반의 분류 알고리즘은, 상기 복수의 사용자의 의사결정에 따라 연속적으로 결과값이 달라지는 알고리즘인 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 방법.
  18. 제 16항에 있어서,
    상기 분류 예측부는,
    오차행렬(confusion matrix)을 이용한 정확도, 민감도 및 특이도를 산출하고,
    상기 복수의 모델 중 상기 정확도, 민감도 및 특이도를 합산하여 가장 높은 수치를 보이는 모델을 상기 제 1 모델로 선택하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
  19. 제 18항에 있어서,
    상기 정확도는 하기의 수학식 1에 의해 산출되고, 상기 민감도는 하기의 수학식 2에 의해 산출되며, 상기 특이도는 하기의 수학식 3에 의해 산출되는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
    수학식 1
    Figure pat00014

    수학식 2
    Figure pat00015

    수학식 3
    Figure pat00016

    상기 수학식 1 내지 수학식 3에서 Accuracy는 정확도를 의미하고, Sensitivity는 민감도를 의미하며, Specificity는 특이도를 의미하고, TP(True Positive)는 비전이질병에 대해 정확하게 예측한 값을 의미하며, FN(False Negative)는 비전이질병을 전이질병으로 잘못 예측한 값을 의미하고, FP(False Positive)는 전이질병을 비전이절병으로 잘못 예측한 값을 의미하며, TN(True Negative)는 전이질병에 대해 정확하게 예측한 값을 의미한다.
  20. 제 11항에 있어서,
    상기 제 1 사용자의 예측된 상기 전립선암의 병리학적 병기를 상기 제 1 사용자에게 전송하는 무선통신부; 및 상기 제 1 사용자의 예측된 상기 전립선암의 병리학적 병기를 표시하는 디스플레이부; 중 적어도 하나를 더 포함하는 것을 특징으로 하는 전립선암 치료를 위한 병리학적 병기 예측 장치.
KR1020160141292A 2016-10-27 2016-10-27 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법 KR102484530B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160141292A KR102484530B1 (ko) 2016-10-27 2016-10-27 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법
KR1020220176233A KR102500423B1 (ko) 2016-10-27 2022-12-15 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160141292A KR102484530B1 (ko) 2016-10-27 2016-10-27 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220176233A Division KR102500423B1 (ko) 2016-10-27 2022-12-15 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치

Publications (2)

Publication Number Publication Date
KR20180046432A true KR20180046432A (ko) 2018-05-09
KR102484530B1 KR102484530B1 (ko) 2023-01-06

Family

ID=62200730

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020160141292A KR102484530B1 (ko) 2016-10-27 2016-10-27 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법
KR1020220176233A KR102500423B1 (ko) 2016-10-27 2022-12-15 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220176233A KR102500423B1 (ko) 2016-10-27 2022-12-15 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치

Country Status (1)

Country Link
KR (2) KR102484530B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200027148A (ko) * 2018-09-04 2020-03-12 가톨릭대학교 산학협력단 심층신뢰 신경망(Deep Belief Network)과 Dempster-Shafer이론에 기반한 전립선암의 병리학적 병기 예측 시스템 및 방법
KR20200049290A (ko) * 2018-10-31 2020-05-08 한국 한의학 연구원 다중 생체신호를 이용한 당뇨병 스크리닝 방법 및 당뇨병 스크리닝 시스템
CN112017771A (zh) * 2020-08-31 2020-12-01 吾征智能技术(北京)有限公司 一种基于精液常规检查数据的疾病预测模型的构建方法及系统
CN112435757A (zh) * 2020-10-27 2021-03-02 深圳市利来山科技有限公司 一种急性肝炎的预测装置及系统
CN112466416A (zh) * 2020-11-03 2021-03-09 北京科技大学 一种结合镍基合金先验知识的材料数据清洗方法
KR20210077441A (ko) * 2019-12-17 2021-06-25 주식회사 엘지생활건강 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법
KR20210084215A (ko) * 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 예측 데이터를 이용한 전립선암 치료 계획 시스템
US20220378352A1 (en) * 2018-11-20 2022-12-01 Genetesis, Inc. Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
KR20240051409A (ko) 2022-10-13 2024-04-22 주식회사 스누아이랩 질병검사예측장치 및 그 장치의 구동방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011501276A (ja) * 2007-10-12 2011-01-06 ペイシェンツライクミー， インコーポレイテッド 健康関連の転帰を予測するためのオンラインコミュニティを使用した自己改善方法
JP2011227838A (ja) * 2010-04-23 2011-11-10 Kyoto Univ 予測装置及びその学習装置並びにそれらのコンピュータプログラム
KR101288082B1 (ko) 2011-04-20 2013-07-19 (주)아이엠 프랙탈 차원값을 이용한 전립선암 진단기 및 전립선암 진단정보 제공 방법
KR101492710B1 (ko) 2013-04-03 2015-02-13 중앙대학교 산학협력단 Fgf23 유전자를 이용한 전립선암 진단용 마커 및 이를 이용한 전립선암 예측 및 진단 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011501276A (ja) * 2007-10-12 2011-01-06 ペイシェンツライクミー， インコーポレイテッド 健康関連の転帰を予測するためのオンラインコミュニティを使用した自己改善方法
JP2011227838A (ja) * 2010-04-23 2011-11-10 Kyoto Univ 予測装置及びその学習装置並びにそれらのコンピュータプログラム
KR101288082B1 (ko) 2011-04-20 2013-07-19 (주)아이엠 프랙탈 차원값을 이용한 전립선암 진단기 및 전립선암 진단정보 제공 방법
KR101492710B1 (ko) 2013-04-03 2015-02-13 중앙대학교 산학협력단 Fgf23 유전자를 이용한 전립선암 진단용 마커 및 이를 이용한 전립선암 예측 및 진단 방법

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200027148A (ko) * 2018-09-04 2020-03-12 가톨릭대학교 산학협력단 심층신뢰 신경망(Deep Belief Network)과 Dempster-Shafer이론에 기반한 전립선암의 병리학적 병기 예측 시스템 및 방법
KR20200049290A (ko) * 2018-10-31 2020-05-08 한국 한의학 연구원 다중 생체신호를 이용한 당뇨병 스크리닝 방법 및 당뇨병 스크리닝 시스템
US11903714B2 (en) * 2018-11-20 2024-02-20 Genetesis, Inc. Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
US20220378352A1 (en) * 2018-11-20 2022-12-01 Genetesis, Inc. Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
KR20220027910A (ko) * 2019-12-17 2022-03-08 주식회사 엘지생활건강 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법
KR20210077441A (ko) * 2019-12-17 2021-06-25 주식회사 엘지생활건강 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법
KR20210084215A (ko) * 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 예측 데이터를 이용한 전립선암 치료 계획 시스템
CN112017771A (zh) * 2020-08-31 2020-12-01 吾征智能技术(北京)有限公司 一种基于精液常规检查数据的疾病预测模型的构建方法及系统
CN112017771B (zh) * 2020-08-31 2024-02-27 吾征智能技术(北京)有限公司 一种基于精液常规检查数据的疾病预测模型的构建方法及系统
CN112435757A (zh) * 2020-10-27 2021-03-02 深圳市利来山科技有限公司 一种急性肝炎的预测装置及系统
CN112466416A (zh) * 2020-11-03 2021-03-09 北京科技大学 一种结合镍基合金先验知识的材料数据清洗方法
CN112466416B (zh) * 2020-11-03 2024-04-12 北京科技大学 一种结合镍基合金先验知识的材料数据清洗方法
KR20240051409A (ko) 2022-10-13 2024-04-22 주식회사 스누아이랩 질병검사예측장치 및 그 장치의 구동방법

Also Published As

Publication number Publication date
KR102484530B1 (ko) 2023-01-06
KR102500423B1 (ko) 2023-02-17
KR20230007271A (ko) 2023-01-12

Similar Documents

Publication Publication Date Title
KR102500423B1 (ko) 전립선암 치료의 임상 의사결정 지원을 위한 데이터마이닝을 활용한 병리학적 병기예측 장치
KR102225984B1 (ko) 음성 인식 서비스를 제공하는 서버
US11582337B2 (en) Electronic device and method of executing function of electronic device
US20230335135A1 (en) Collaborative artificial intelligence method and system
CN109378065A (zh) 医疗数据处理方法及装置、存储介质、电子设备
US10593322B2 (en) Electronic device and method for controlling the same
CN108292317B (zh) 问题和答案处理方法以及支持该方法的电子设备
US20200051564A1 (en) Artificial intelligence device
EP3367664B1 (en) Photographing method using external electronic device and electronic device supporting the same
KR20170110967A (ko) 전자 장치 및 전자 장치에서의 정보 제공 방법
KR20170059342A (ko) 환경 정보에 기반한 전자 장치의 동작 방법 및 장치
JP2022517925A (ja) 画像処理方法および装置、電子機器、記憶媒体およびコンピュータプログラム
KR20180058476A (ko) 다양한 입력 처리를 위한 방법, 이를 위한 전자 장치 및 서버
US10464570B2 (en) Electronic device and method using machine learning for identifying characteristics of users located within a specific space
EP3364661A2 (en) Electronic device and method for controlling the same
US20210109703A1 (en) Electronic device and screen control method for processing user input by using same
US11027962B2 (en) Beverage supply apparatus and control method therefor
KR20170089178A (ko) 전자 장치, 전자 장치의 음성 인식 방법
CN110476150A (zh) 用于操作语音辨识服务的方法和支持其的电子装置
CN112712902B (zh) 传染病的传染概率预测方法及装置、存储介质、电子设备
US20230097391A1 (en) Image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product
CN108536725A (zh) 电子设备及其提供信息的方法
Matton et al. Analysis of cataract surgery instrument identification performance of convolutional and recurrent neural network ensembles leveraging BigCat
KR20180046431A (ko) 성인의 인터넷중독 스크리닝을 위한 의사결정나무를 활용한 인터넷 과의존 분류 예측 장치 및 방법
US20190163436A1 (en) Electronic device and method for controlling the same

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right