KR20190029982A - 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법 - Google Patents

질병 예측 모델 생성 장치, 질병 예측 장치 및 방법 Download PDF

Info

Publication number
KR20190029982A
KR20190029982A KR1020170117141A KR20170117141A KR20190029982A KR 20190029982 A KR20190029982 A KR 20190029982A KR 1020170117141 A KR1020170117141 A KR 1020170117141A KR 20170117141 A KR20170117141 A KR 20170117141A KR 20190029982 A KR20190029982 A KR 20190029982A
Authority
KR
South Korea
Prior art keywords
prediction model
risk
skin
cardiovascular disease
disease
Prior art date
Application number
KR1020170117141A
Other languages
English (en)
Other versions
KR102510174B1 (ko
Inventor
신의석
박윤상
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170117141A priority Critical patent/KR102510174B1/ko
Priority to US15/955,353 priority patent/US11134847B2/en
Priority to EP18175919.2A priority patent/EP3457412A1/en
Publication of KR20190029982A publication Critical patent/KR20190029982A/ko
Priority to US17/464,214 priority patent/US11684265B2/en
Application granted granted Critical
Publication of KR102510174B1 publication Critical patent/KR102510174B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0064—Body surface scanning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

일 양상에 따른 질병 예측 장치는, 피부 스펙트럼을 획득하는 스펙트럼 획득부 및 피부 스펙트럼을 자가 형광량 예측 모델에 적용하여, 피부 스펙트럼에 대한 자가 형광량을 예측하고, 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측하는 프로세서를 포함할 수 있다.

Description

질병 예측 모델 생성 장치, 질병 예측 장치 및 방법 {APPARATUS FOR GENERATE DISEASE PREDICTION MODEL, APPARATUS AND METHOD FOR DISEASE PREDICTION}
근적외선 스펙트럼을 이용하여 질병을 예측하기 위한 질병 예측 모델 생성 장치 및 질병 예측 장치 및 방법이 개시된다.
신체조직이 노화하거나 장기간 고농도의 포도당에 노출되면 신체조직 및 혈관을 구성하는 콜라겐(Collagen)과 같은 단백질들이 비효소적 반응에 의해 당화(glycation)이 된다. 이와 같이 비효소적 반응에 의해 당화된 단백질을 최종당화산물(Advanced Glycation End product, AGE)라 한다.
신체 조직내의 최종 당화산물 양이 증가하게 되면 신체 조직을 구성하는 단백질들의 변성에 의해 신체 조직의 탄력성이 저하된다. 즉, 혈액내 포도당의 농도가 장기간 높은 상태로 유지되면 혈관내 단백질들의 당화가 촉진되며 당화된 단백질로 이루어진 혈관은 혈관벽의 탄력성이 저하되고 혈관의 투과성이 증가되며 혈관내 산화적 스트레스 및 염증성 인자들이 증가하게 된다.
이와 같은 혈관내 단백질의 변화는 동맥경화, 고혈압과 같은 심혈관계 질환의 위험도를 증가시키는 요인이 될 수 있다. 또한, 혈관내 당화단백질의 증가는 피부 진피층 조직내 콜라겐(collagen) 단백질의 당화증가를 동반한다. 단백질의 당화가 일어나면 자외선을 조사했을 때 방출하는 자가 형광량(auto fluorescence)이 증가하게 되므로, 피부에 자외선을 조사한 후 발생하는 자가 형광량을 측정함으로써 단백질의 당화 정도를 추정하고, 이를 기초로 심혈관계 질환의 위험도를 예측할 수 있다.
근적외광 피부 스펙트럼으로부터, 피부의 자외선에 노출 없이 질병을 예측하기 위한 질병 예측 모델 생성 장치와 이를 이용한 질병 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 질병 예측 장치는, 피부 스펙트럼을 획득하는 스펙트럼 획득부 및 피부 스펙트럼을 자가 형광량 예측 모델에 적용하여, 피부 스펙트럼에 대한 자가 형광량을 예측하고, 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측하는 프로세서를 포함할 수 있다.
이때, 프로세서는 예측된 자가 형광량 및 사용자 정보를 기초로, 심혈관 질환 위험도를 예측할 수 있다.
여기서 사용자 정보는 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나를 포함할 수 있다.
자가 형광량 예측 모델은, 피부 스펙트럼의 파장에 대한 흡광도와 자가 형광량 사이의 상관 관계를 기초로 생성된 예측 모델일 수 있다.
프로세서는, 피부 스펙트럼을 심혈관 질환 위험도 예측 모델에 적용하여 심혈관 질환 위험도를 예측할 수 있다,
심혈관 질환 위험도 예측 모델은, 피부 스펙트럼과, 사용자 정보 및 자가 형광량을 기초로 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 생성된 예측 모델일 수 있다.
또한, 프로세서는 예측된 사용자의 자가 형광량 및 사용자 정보를 심혈관 질환 예측 모델에 적용하여 심혈관 질환의 위험도를 분류할 수 있다,
프로세서는, 사용자의 피부 스펙트럼을 하나 이상의 주성분(Principal Component)으로 분리하고, 분리된 주성분을 기초로 심혈관 예측 모델로부터 심혈관 질환 위험도를 예측할 수 있다.
프로세서는, 곱셈 산란 보정(Multiplicative Scattering Correction, MSC), Savitzky-Golay 필터 및 표준 정규 변량(Standard Normal Variate, SNV) 분석 방법 중의 적어도 하나의 전처리 알고리즘을 사용하여 획득된 피부 스펙트럼을 전처리할 수 있다.
다른 양상에 따른 질병 예측 장치는, 시각적, 청각적 및 촉각적 방법 중의 적어도 하나의 방법을 통해 질병 예측 결과 및 경고 정보 중의 적어도 하나를 출력하는 출력부를 더 포함할 수 있다.
일 양상에 따른 질병 예측 모델 생성 장치는 피험자의 피부 스펙트럼을 획득하는 스펙트럼 획득부 및 피험자의 피부 스펙트럼 및 자가 형광량 사이의 상관 관계를 기초로 자가 형광량 예측 모델을 생성하는 프로세서를 포함할 수 있다.
이때, 질병 예측 모델 생성 장치는 피험자의 피부에 UV-A를 조사하여 측정된 자가 형광량을 획득하는 자가 형광량 획득부를 더 포함할 수 있다.
프로세서는, 피부 스펙트럼의 파장에 대한 흡광도 및 피험자의 자가 형광량을 기초로, 부분최소자승 회귀분석(partial least square regression, PLS)알고리즘을 사용하여 자가 형광량 예측 모델을 생성할 수 있다.
프로세서는, 피험자의 피부 스펙트럼과, 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 심혈관 질환 위험도 예측 모델을 생성할 수 있다,
심혈관 질환 위험도 예측 모델은, 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도를 포함하는 사용자 정보 및 건강 정보 중의 적어도 하나의 기준에 따라 하나 이상의 그룹별로 생성될 수 있다.
일 양상에 따른 질병 예측 방법은 피부 스펙트럼을 획득하는 단계, 피부 스펙트럼을 피부 스펙트럼의 파장에 대한 흡광도와 자가 형광량 사이의 상관 관계를 기초로 생성된 자가 형광량 예측 모델에 적용하여, 피부 스펙트럼에 대한 자가 형광량을 예측하는 단계 및 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측하는 단계를 포함할 수 있다.
이때, 심혈관 질환 위험도를 예측하는 단계는, 피부 스펙트럼을, 심혈관 질환 위험도 분류 데이터를 기초로 생성된 심혈관 질환 위험도 예측 모델에 적용하여 심혈관 질환 위험도를 예측할 수 있다.
또한, 심혈관 질환 위험도를 예측하는 단계는, 예측된 자가 형광량 및 사용자 정보를 기초로 심혈관 질환 위험도를 예측할 수 있다,
심혈관 질환 위험도를 예측하는 단계는, 사용자의 피부 스펙트럼을 하나 이상의 주성분(Principal Component)으로 분리하는 단계 및 분리된 주성분을 기초로 심혈관 예측 모델로부터 심혈관 질환 위험도를 예측하는 단계를 포함할 수 있다.
한편, 질병 예측 방법은 시각적, 청각적 및 촉각적 방법 중의 적어도 하나의 방법을 통해 질병 예측 결과 및 경고 정보 중의 적어도 하나를 출력하는 단계를 더 포함할 수 있다.
피부에 자외선의 직접적인 노출 없이 근적외광 피부 스펙트럼을 기초로 자가 형광량을 예측하여, 질병을 예측할 수 있다.
도 1은 질병 예측 장치의 일 실시예를 도시한 블록도이다.
도 2는 심혈관 질환의 위험도 분류를 설명하기 위한 예시도이다.
도 3은 질병 예측 장치의 다른 실시예를 도시한 블록도이다.
도 4는 질병 예측 모델 생성 장치의 일 실시예를 도시한 블록도이다.
도 5는 질병 예측 방법의 일 실시예를 도시한 흐름도이다.
도 6은 질병 예측 방법의 다른 실시예를 도시한 흐름도이다.
도 7은 질병 예측 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법의 실시 예들을 도면들을 참조하여 설명하도록 한다.
도 1은 질병 예측 장치의 일 실시예를 도시한 블록도이다. 질병 예측 장치(100)는 피부 스펙트럼을 획득하여, 질병 예측을 위해 미리 생성된 예측 모델로부터 질병을 예측할 수 있다.
예를 들어, 질병 예측 장치(100)는 사용자의 피부에 광을 조사하여, 반사 또는 산란된 광을 검출하여 피부 스펙트럼을 획득하고, 획득한 피부 스펙트럼의 특정 파장 영역에서의 흡광도(absorbance) 또는 광 강도(light intensity)를 분석할 수 있다. 이때 질병 예측 장치(100)는 질병 예측을 위해 미리 생성된 예측 모델로써 예컨대, 자가 형광량(auto fluorescence) 예측 모델 및/또는 심혈관 질환 위험도 예측 모델을 기초로 자가 형광량 및/또는 심혈관 질환 위험도 중의 적어도 하나를 예측할 수 있다.
여기서, 심혈관 질환은 심장과 주요 동맥에 발상해는 질환으로서, 예컨대, 고혈압, 허혈성 심장 질환, 관상동맥질환, 협심증, 심근경색증, 동맥경화증, 부정맥, 뇌혈관 질환, 뇌졸중 및 부정맥 등을 포함할 수 있다.
질병 예측 장치(100)는 소프트웨어 모듈로 구현되거나 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 이때, 전자 장치는 휴대폰, 스마트폰, 타블렛, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있다. 그러나 전자 장치는 상술한 예에 제한되지 않으며, 다양한 디바이스를 포함할 수 있다.
도 1을 참조하면, 질병 예측 장치(100)는 스펙트럼 획득부(110) 및 프로세서(120)를 포함할 수 있다. 여기서, 프로세서(120)는 하나 이상의 프로세서, 메모리 및 이들의 조합으로 구성될 수 있다.
스펙트럼 획득부(110)는 사용자의 피부 스펙트럼을 획득할 수 있다.
일 실시예에 따르면, 피부 스펙트럼은 근적외광(near infrared, NIR)을 사용자 피부에 조사하여 측정된 피부 근적외광 흡수 스펙트럼일 수 있다. 그러나, 이에 한정되는 것은 아니며, 피부 스펙트럼은 피부 근적외광 투과 스펙트럼 또는 피부 근적외광 반사 스펙트럼일 수도 있다.
이때, 스펙트럼 획득부(110)는 피검체에 광을 조사하는 광원 및 피검체로부터 반사 또는 산란된 광을 검출하는 광 검출기를 포함할 수 있으며, 광 검출기로부터 검출된 광을 사용하여 피부 스펙트럼데이터를 직접 생성할 수 있다.
또한, 스펙트럼 획득부(110)는 외부 장치와 통신을 수행하여 외부 장치로부터 사용자의 피부 스펙트럼 데이터를 수신할 수 있다. 예를 들면, 스펙트럼 획득부(110)는 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신 등을 통하여 외부 장치로부터 사용자의 피부 스펙트럼 데이터를 수신할 수 있다. 그러나, 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
한편, 외부 장치는 휴대폰, 스마트폰, 타블렛, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있다. 그러나 외부 장치는 상술한 예에 제한되지 않으며, 사용자의 피부 스펙트럼 데이터를 저장하는 다양한 디바이스를 포함할 수 있다.
프로세서(120)는 질병 예측을 위해 미리 생성된 질병 예측 모델을 기초로 자가 형광량 및/또는 심혈관 질환 위험도를 예측할 수 있다.
일 실시예에 따르면, 프로세서(120)는 획득된 피부 스펙트럼을 자가 형광량 예측 모델에 적용하여, 피부 스펙트럼에 대한 자가 형광량을 예측할 수 있다.
여기서, 자가 형광량 예측 모델은 피부 스펙트럼의 파장에 대한 흡광도와 자가 형광량 사이의 상관 관계를 기초로 미리 생성된 예측 모델일 수 있다.
예를 들어, 자가 형광량 예측 모델은 피험자로부터 획득된 피부 스펙트럼을 독립변수로 하고, 동일한 피험자의 피부에 320nm~380nm 파장 영역의 자외선-A(UV-A)를 조사하고, 조사된 자외선에 의해 피부에서 방출되는 자가 형광량의 측정 값을 종속 변수로하여 생성된 예측 모델일 수 있다. 일 예로, 자가 형광량 예측 모델은 부분 최소 자승법(partial least square, PLS)을 사용하여 동일한 피험자로부터 획득된 피부 스펙트럼 및 자가 형광량 사이의 상관 관계를 분석한 예측모델일 수 있다.
또한, 자가 형광량 예측 모델은 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나의 기준에 따라 하나 이상의 그룹별로 생성될 수 있다.
이때, 프로세서(120)는 하나의 기준에 따라 하나 이상의 그룹별로 생성된 자가 형광량 예측 모델들 중에서, 사용자 정보를 기초로 어느 하나의 적절한 자가 형광량 예측 모델을 선택할 수 있다. 예를 들어, 사용자 정보로써 나이, 성별 및 신장이 입력되면, 프로세서(120)는 그에 적합한 형광량 예측 모델을 선택할 수 있다.
예를 들어, 프로세서(120)는 피부 스펙트럼이 획득되면, 자가 형광량 예측 모델로부터 획득된 피부 스펙트럼에 대응되는 자가 형광량을 예측함으로써, 피부에 직접적인 자외선의 조사 없이 사용자의 자가 형광량을 예측할 수 있다.
이때, 프로세서(110)는 곱셈 산란 보정(Multiplicative Scattering Correction, MSC), Savitzky-Golay 필터 및 표준 정규 변량(Standard Normal Variate, SNV)분석 방법 중의 적어도 하나의 전처리 알고리즘을 사용하여 획득된 피부 스펙트럼을 전처리할 수 있으며, 전처리된 피부 스펙트럼을 자가 형광량 예측 모델에 적용함으로써 피부 스펙트럼에 대한 자가 형광량을 예측할 수 있다.
프로세서(120)는 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측할 수 있다.
예를 들어, 프로세서(120)는 피부 스펙트럼으로부터 자가 형광량을 예측하고, 예측된 자가 형광량으로부터 단백질의 당화 정도를 추정함으로써, 심혈관계 질환의 위험도를 예측할 수 있다. 이때, 자가 형광량에 대한 단백질의 당화 정도는 다수의 피험자의 피부에 320nm~380nm의 파장을 가지는 자외선(UV-A)을 조사하여 실제 측정된 자가 형광량에 대한 단백질의 당화 정도로써, 미리 측정 및 수집된 데이터일 수 있다.
일 예로, 프로세서(120)는 예측된 자가 형광량이 일정 임계치를 초과하거나, 그 사용자의 나이에 대해 평균적인 자가 형광량을 초과하는지 여부를 판단하여 심혈관계 위험도를 측정할 수 있으며, 그 초과하는 정도에 따라 심혈관 질환의 위험도를 하나 이상의 카테고리로 분류할 수 있다.
일 실시예에 따르면, 프로세서(120)는 예측된 자가 형광량 및 사용자 정보를 기초로, 심혈관 질환 위험도를 예측할 수 있다.
여기서 사용자 정보는, 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나를 포함할 수 있으며, 이에 제한되지 않고 심혈관 질환의 위험도 예측에 필요한 다양한 개인 정보가 포함될 수 있다.
예를 들어, 프로세서(120)는 자가 형광량 예측 모델을 통해 자가 형광량을 예측하고, 예측된 자가 형광량과 사용자의 나이를 기초로 사용자의 심혈관 질환의 위험도를 예측할 수 있다.
일 예로, 인체 조직의 노화에 따라 단백질들의 비효소적 반응에 의한 당화(glycation)가 이루어지며 이에 따라 체내 조직의 자가 형광량은 증가하게 되므로, 프로세서(120)는 자가 형광량을 예측하고, 사용자의 나이에 대한 기준 자가 형광량과 비교함으로써 심혈관 질환 위험도를 예측할 수 있다.
또한, 프로세서(120)는 예측된 자가 형광량이 사용자의 나이에 대한 기준 자가 형광량을 초과하는 정도에 따라 심혈관 질환의 위험도의 단계를 구분할 수 있다. 여기서 기준 자가 형광량은 사용자의 나이에 대한 평균적인 자가 형광량일 수 있으며, 사용자 정보에 따라 개인적으로 설정될 수 있다.
이와 같이, 질병 예측 장치(100)는 피부 스펙트럼으로부터 자가 형광량을 예측하고, 예측된 자가 형광량을 기초로 심혈관 질환의 위험을 예측함으로써 사용자가 피부에 유해한 자외선에 노출되는 것을 방지할 수 있다.
다른 실시예에 따르면, 프로세서(120)는 피부 스펙트럼을 심혈관 질환 위험도 예측 모델에 적용하여 심혈관 질환 위험도를 예측할 수 있고, 심혈관 질환의 위험도를 분류할 수 있다.
여기서 심혈관 질환 위험도 예측 모델은 피부 스펙트럼과, 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 생성된 예측 모델일 수 있다.
한편, 심혈관 질환 위험도 분류 데이터는 사용자 정보 및 사용자 정보에 대한 자가 형광량 기반의 위험도 평가 데이터를 포함할 수 있다. 예를 들어, 심혈관 질환 위험도 분류 데이터는 피험자의 나이 및 피부 형광으로부터 추정된 심혈관 질환의 위험도를 포함할 수 있다.
예를 들어, 심혈관 질환 위험도 예측 모델은 피험자로부터 획득된 피부 스펙트럼과 피험자의 나이 및 피부 형광으로부터 추정된 심혈관 질환의 위험도 사이의 상관 관계를 기초로 생성된 예측 모델일 수 있다.
일 예로, 심혈관 질환 위험도 예측 모델은 피험자로부터 획득된 피부 스펙트럼을 독립변수로 하고, 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도를 종속변수로 하여, 서포트 벡터 머신(Support vector machine, SVM) 또는 선형 판별 분석(Linear discriminant analysis)을 통해 생성된 심혈관 질환 위험도 예측 모델일 수 있다. 다만, 이에 제한되지 않으며 심혈관 질환 위험도 예측 모델은 피험자로부터 획득된 피부 스펙트럼과 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도 사이의 상관 관계를 분석하기 위한 다양한 회귀분석 알고리즘 및 기계학습(machine learning)이 사용될 수 있다.
또한, 심혈관 질환 위험도 예측 모델은 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나의 기준에 따라 하나 이상의 그룹별로 생성될 수 있다. 이때, 프로세서(120)는 하나 이상의 기준에 따라 하나 이상의 그룹별로 생성된 심혈관 질환 위험도 예측 모델들 중에서 사용자 정보를 기초로 적절한 심혈관 질환 위험도 예측 모델을 선택하여 질병 예측을 수행할 수 있다.
프로세서(120)는 피부 스펙트럼이 획득되면, 심혈관 질환 예측 모델에 획득된 피부 스펙트럼을 적용하고, 자가 형광량 기반의 위험도 평가 데이터와 비교하여, 획득된 피부 스펙트럼에 대응하는 자가 형광량이 사용자의 나이에 대한 평균 자가 형광량을 초과하는지 여부를 판단하여 사용자의 심혈관 질환의 위험도를 판단하고, 위험도를 단계적으로 분류할 수 있다.
도 2는 심혈관 질환의 위험도 분류를 설명하기 위한 예시도이다. 도 2를 참조하면, 참조번호 21은 나이를 독립 변수로 하고, 나이에 대한 평균 자가 형광량을 종속변수로 하는 그래프이며, 참조번호 22는 나이를 독립 변수로 하고, 나이에 대한 평균 자가 형광량에 표준편차를 -1한 그래프이고, 참조번호 23는 나이를 독립 변수로 하고, 나이에 대한 평균 자가 형광량에 표준편차를 +1한 그래프이다.
도 1 및 도 2를 참조하면, 프로세서(120)는 피부 스펙트럼을 심혈관 질환 예측 모델에 적용하여, 사용자의 심혈도 질환 위험도를 예측하고, 예측된 위험도를 분류할 수 있다.
예를 들어, 프로세서(120)는 사용자의 나이에 따라 예측된 자가 형광량을 기초로 사용자의 심혈관 질환의 위험도를 분류할 수 있다.
일 예로, 프로세서(120)는 40세 사용자의 자가 형광량이 1.5(AU)인 경우 그 사용자의 심혈관 질환 위험도는 Normal로 분류할 수 있으며, 자가 형광량이 2.5(AU)인 경우 그 사용자의 심혈관 질환 위험도는 Rsik II로 분류할 수 있고, 나이에 무관하게 자가 형광량이 3(AU)를 초과하는 경우에는 그 사용자의 심혈관 질환 위험도를 Risk III로 분류할 수 있다.
다른 실시예에 따르면, 프로세서(120)는 사용자의 피부 스펙트럼이 획득되면, 획득된 피부 스펙트럼을 하나 이상의 성분으로 분리하고, 분리된 성분을 기초로 심혈관 예측 모델로부터 심혈관 질환 위험도를 예측할 수 있다. 예를 들어, 프로세서(120)는 주성분 분석(Principal Component Analysis, PCA)을 통해 사용자의 피부 스펙트럼을 하나 이상의 주성분(Principal Component)으로 분리하고, 분리된 주성분을 기초로 심혈관 예측 모델로부터 심혈관 질환 위험도를 예측할 수 있다.
예를 들어, 프로세서(120)는 주성분 분석(Principal Component Analysis, PCA)을 통해 사용자의 피부 스펙트럼이 하나 이상의 주성분으로 분리되면, 서포트 벡터 머신(Support vector machine, SVM)또는 선형 판별 분석(Linear discriminant analysis)을 통해 심혈관 질환 위험도를 예측할 수 있다. 다만, 이에 제한되지 않으며 프로세서(120)는 다양한 회귀분석 알고리즘 및 기계학습(machine learning)을 통해 사용자의 피부 스펙트럼으로부터 심혈관 질환 위험도를 예측할 수 있다.
도 3은 질병 예측 장치의 다른 실시예를 도시한 블록도이다.
도 3을 참조하면, 질병 예측 장치(300)는 스펙트럼 획득부(310), 프로세서(320), 입력부(330), 저장부(340), 통신부(350) 및 출력부(360)를 포함할 수 있다. 여기서 스펙트럼 획득부(310) 및 프로세서(320)는 도 1을 참조하여 설명한 스펙트럼 획득부(110) 및 프로세서(120)과 기본적으로 동일한 기능을 수행하므로, 이하 중복되지 않는 구성을 중심으로 설명한다.
입력부(330)는 사용자로부터 다양한 조작신호 및 질병 예측에 필요한 입력을 받을 수 있다. 일 실시예에 따르면, 입력부(330)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
예를 들어, 입력부(330)는 사용자들에 대한 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나 이상을 포함하는 사용자 정보를 입력 받을 수 있다.
일 예로, 프로세서(320)는 입력된 정보(예: 사용자 정보 등)를 기초로 하나 이상의 그룹으로 분류되어 생성된 자가 형광 예측 모델 및/또는 심혈관 질환 위험도 예측 모델을 선택할 수 있다.
저장부(340)는 질병 예측 장치(300)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 질병 예측 장치(300)에 입/출력되는 데이터들을 저장할 수 있다. 일 예로, 저장부(340)는 입력부(330)를 통해 입력된 사용자 정보, 스펙트럼 획득부(310)로부터 획득된 피부 스펙트럼 데이터, 자가 형광 예측 모델 및/또는 심혈관 질환 위험도 예측 모델, 심혈관 질환 위험도 분류데이터 등을 저장할 수 있다.
저장부(340)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, 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 등 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 질병 예측 장치(300)는 인터넷 상에서 저장부(340)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(350)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(350)는 입력부(330)를 통해 사용자로부터 입력된 사용자 정보, 스펙트럼 획득부(310)를 통해 획득된 피부 스펙트럼, 프로세서(320)의 질병 예측 결과 등을 외부 장치로 전송하거나, 외부 장치로부터 사용자 정보, 피부 스펙트럼, 자가 형광량 예측 모델, 심혈관 질환 위험도 예측 모델 및 심혈관 질환 위험도 분류 데이터 등의 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 질병 예측 모델 데이터 베이스(DB) 및/또는 질병 예측 결과를 사용하는 의료 장비, 결과물을 출력하기 위한 프린트, 또는 질병 예측 결과를 디스플레이하는 디스플레이 장치일 수 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
통신부(350)는 블루투스(Bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 이용하여 외부 장치와 통신할 수 있다. 그러나, 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(360)는 프로세서(320)의 제어에 따라, 질병 예측 결과 및 경고 정보 중의 적어도 하나 이상을 출력할 수 있다.
예를 들어, 출력부(360)는 질병 예측 결과 및 경고 정보 중의 적어도 하나 이상을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(360)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 4는 질병 예측 모델 생성 장치의 일 실시예를 도시한 블록도이다.
도 4를 참조하면, 질병 예측 모델 생성 장치(400)는 스펙트럼 획득부(410) 및 프로세서(420)를 포함할 수 있다. 여기서, 프로세서(420)는 하나 이상의 프로세서, 메모리 및 이들의 조합으로 구성될 수 있다.
스펙트럼 획득부(410)는 피험자의 피부 스펙트럼을 획득할 수 있다.
일 실시예에 따르면, 피부 스펙트럼은 근적외광(near infrared, NIR)을 피험자 피부에 조사하여 측정된 피부 근적외광 흡수 스펙트럼일 수 있다.
이때, 스펙트럼 획득부(410)는 피검체에 광을 조사하는 광원 및 피검체로부터 반사 또는 산란된 광을 검출하는 광 검출기를 포함할 수 있으며, 광 검출기로부터 검출된 광을 사용하여 피부 스펙트럼데이터를 직접 생성하거나, 외부 장치와 통신을 수행하여 외부 장치로부터 피험자의 피부 스펙트럼 데이터를 수신할 수 있다.
프로세서(420)는 피험자의 피부 스펙트럼 및 자가 형광량 사이의 상관 관계를 기초로 자가 형광량 예측 모델을 생성할 수 있다.
일 실시예에 따르면, 프로세서(420)는 피험자의 피부에 근적외광을 조사하여 검출된 광의 스펙트럼데이터로부터 피부 근적외광 스펙트럼의 흡광도와, 동일한 피험자의 피부로부터 측정한 자가 형광량 사이의 상관관계를 기초로 자가 형광량 예측 모델을 생성할 수 있다.
예를 들어, 질병 예측 모델 생성 장치(400)는 피험자의 피부에 320nm~380nm의 파장을 가지는 자외선 A(UV-A)를 조사하여 자가 형광량을 획득하는 자가 형광량 획득부를 더 포함할 수 있으며, 프로세서(420)는 동일한 피험자로부터 획득된 피부 스펙트럼의 흡광도 및 자가 형광량을 기초로 자가 형광량 예측 모델을 생성할 수 있다.
일 예로, 프로세서(420)는 피험자로부터 피부 스펙트럼을 획득하고, 획득한 피부 스펙트럼을 곱셈 산란 보정(Multiplicative Scattering Correction, MSC), 표준 정규 변량(Standard Normal Variate, SNV)분석 및/또는 Savitzky-Golay 필터를 중의 적어도 하나의 전처리 필터를 사용하여 전처리한 결과를 독립변수로 하고, 동일한 피험자의 피부에 320nm~380nm 파장의 자외선(UV-A)을 조사하여 획득된 자가 형광량을 종속변수로 하되, 부분최소자승 회귀분석(partial least square regression, PLS)알고리즘을 사용하여 자가 형광량 예측 모델을 생성할 수 있다.
다른 실시예에 따르면, 프로세서(420)는 피험자의 피부 스펙트럼과, 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 심혈관 질환 위험도 예측 모델을 생성할 수 있다. 예컨대, 심혈관 질환 위험도 예측 모델은 사용자 정보 및 사용자 정보에 대응되는 피험자의 자가 형광량을 포함하는 심혈관 질환 위험도 분류 데이터와, 피험자의 피부 스펙트럼을 기초로 심혈관 위험도 예측 모델을 생성할 수 있다.
이때, 심혈관 질환 위험도 분류 데이터는 사용자 정보 및 사용자 정보에 대한 자가 형광량 기반의 위험도 평가 데이터를 포함할 수 있다. 예를 들어, 심혈관 질환 위험도 분류 데이터는 피험자의 나이 및 피부 형광으로부터 추정된 심혈관 질환의 위험도를 포함할 수 있다.
예를 들어, 프로세서(420)는 피험자로부터 획득된 피부 스펙트럼과 피험자의 나이 및 피부 형광으로부터 추정된 심혈관 질환의 위험도 사이의 상관 관계를 기초로 심혈관 질환 위험도 예측 모델을 생성할 수 있다.
일 예로, 프로세서(420)는 피험자로부터 획득된 피부 스펙트럼을 독립변수로 하고, 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도를 종속변수로 하여, 서포트 벡터 머신(Support vector machine, SVM) 또는 선형 판별 분석(Linear discriminant analysis)을 통해 심혈관 질환 위험도 예측 모델을 생성할 수 있다. 다만, 이에 제한되지 않으며, 프로세서(420)는 피험자로부터 획득된 피부 스펙트럼과 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도 사이의 상관 관계를 분석하기 위해 다양한 회귀분석 알고리즘 및 기계학습(machine learning)을 적용할 수 있다.
또한, 프로세서(420)는 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나의 기준에 따라 하나 이상의 그룹별로 생성될 수 있다.
도 5는 질병 예측 방법의 일 실시예를 도시한 흐름도이다. 도 5의 질병 예측 방법은 도 1 또는 도 2에 도시된 질병 예측 장치(100, 200)에 의해 수행될 수 있다.
도 1 및 5를 참조하면, 질병 예측 장치(100)는 사용자의 피부 스펙트럼을 획득할 수 있다(510).
일 실시예에 따르면, 피부 스펙트럼은 근적외광(near infrared, NIR)을 사용자 피부에 조사하여 측정된 피부 근적외광 흡수 스펙트럼일 수 있다. 그러나, 이에 한정되는 것은 아니며, 피부 스펙트럼은 피부 근적외광 투과 스펙트럼 또는 피부 근적외광 반사 스펙트럼일 수도 있다.
예를 들어, 질병 예측 장치(100)는 피검체에 광을 조사하고, 반사 또는 산란된 광을 검출하여, 직접 스펙트럼 데이터를 생성할 수 있으며, 이에 제한되지 않고 외부의 장치와 통신을 수행하여 외부의 장치로부터 사용자의 피부 스펙트럼 데이터를 수신할 수 있다.
질병 예측장치(100)는 획득된 피부 스펙트럼을 자가 형광량 예측 모델에 적용하여, 피부 스펙트럼에 대한 자가 형광량을 예측할 수 있다(520).
일 실시예에 따르면, 질병 예측 장치(100)는 피부 스펙트럼의 파장에 대한 흡광도와 자가 형광량 사이의 상관 관계를 기초로 미리 생성된 자가 형광량 예측 모델에 획득된 피부 스펙트럼을 적용하여 피부 스펙트럼에 대한 자가 형광량을 예측할 수 있다.
이때, 자가 형광량 예측 모델은 피험자로부터 획득된 피부 스펙트럼을 독립변수로 하고, 동일한 피험자의 피부에 320nm~380nm 파장 영역의 자외선-A(UV-A)를 조사하고, 조사된 자외선에 의해 피부에서 방출되는 자가 형광량의 측정 값을 종속 변수로하여 생성된 예측 모델일 수 있다. 일 예로, 자가 형광량 예측 모델은 부분 최소 자승법(partial least square, PLS)을 사용하여 동일한 피험자로부터 획득된 피부 스펙트럼 및 자가 형광량 사이의 상관 관계를 분석한 예측모델일 수 있다.
질병 예측 장치(100)는 피부 스펙트럼이 획득되면, 자가 형광량 예측 모델로부터 획득된 피부 스펙트럼에 대응되는 자가 형광량을 예측함으로써, 피부에 직접적인 자외선의 조사 없이 사용자의 자가 형광량을 예측할 수 있다.
이때, 질병 예측 장치(100)는 곱셈 산란 보정(Multiplicative Scattering Correction, MSC), Savitzky-Golay 필터 및 표준 정규 변량(Standard Normal Variate, SNV)분석 방법 중의 적어도 하나의 전처리 알고리즘을 사용하여 획득된 피부 스펙트럼을 전처리할 수 있으며, 전처리된 피부 스펙트럼을 자가 형광량 예측 모델에 적용함으로써 피부 스펙트럼에 대한 자가 형광량을 예측할 수 있다.
자가 형광량이 예측되면, 질병 예측 장치(100)는 심혈관 질환 위험도를 예측할 수 있다(530). 예를 들어, 질병 예측 장치(100)는 예측된 자가 형광량으로부터 단백질의 당화정도를 추정하여, 추정된 단백질의 당화 정도를 기초로 심혈관계 질환의 위험도를 예측할 수 있다.
일 예로, 질병 예측 장치(100)는 예측된 자가 형광량이 일정 임계치를 초과하거나, 그 사용자의 나이에 대해 평균적인 자가 형광량을 초과하는지 여부를 판단하여 심혈관계 위험도를 측정할 수 있으며, 그 초과하는 정도에 따라 심혈관 질환의 위험도를 하나 이상의 카테고리로 분류할 수 있다.
또한, 질병 예측 장치는 사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나를 포함하는 사용자 정보와 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측할 수 있다.
예를 들어, 인체 조직의 노화에 따라 단백질들의 비효소적 반응에 의한 당화(glycation)가 이루어지며 이에 따라 체내 조직의 자가 형광량은 증가하게 되므로, 질병 예측 장치(100)는 자가 형광량을 예측하고, 사용자의 나이에 대한 기준 자가 형광량과 비교함으로써 심혈관 질환 위험도를 예측할 수 있다.
도 6은 질병 예측 방법의 다른 실시예를 도시한 흐름도이다. 도 6은 도 1 또는 도 2의 질병 예측 장치(100, 200)에 의해 수행될 수 있다.
도 2 및 6을 참조하면, 질병 예측 장치(200)는 사용자의 피부 스펙트럼을 획득할 수 있다(610).
예를 들어, 질병 예측 장치(200)는 피검체에 광을 조사하고, 반사 또는 산란된 광을 검출하여, 직접 스펙트럼 데이터를 생성할 수 있으며, 이에 제한되지 않고 외부의 장치와 통신을 수행하여 외부의 장치로부터 사용자의 피부 스펙트럼 데이터를 수신할 수 있다.
피부 스펙트럼이 획득되면, 질병 예측 장치(200)는 피부 스펙트럼을 심혈관 질환 위험도 예측 모델에 적용하여 심혈관 질환 위험도를 예측할 수 있고, 심혈관 질환의 위험도를 분류할 수 있다(620).
일 실시예에 따르면, 질병 예측 장치(200)는 피부 스펙트럼과, 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 생성된 심혈관 위험도 예측 모델을 기초로 심혈관 질환의 위험도를 예측할 수 있다.
여기서, 심혈관 질환 위험도 분류 데이터는 사용자 정보 및 사용자 정보에 대한 자가 형광량 기반의 위험도 평가 데이터를 포함할 수 있다. 예를 들어, 심혈관 질환 위험도 분류 데이터는 피험자의 나이 및 피부 형광으로부터 추정된 심혈관 질환의 위험도를 포함할 수 있다.
예를 들어, 심혈관 질환 위험도 예측 모델은 피험자로부터 획득된 피부 스펙트럼을 독립변수로 하고, 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도를 종속변수로 하여, 서포트 벡터 머신(Support vector machine, SVM) 또는 선형 판별 분석(Linear discriminant analysis)을 통해 생성된 심혈관 질환 위험도 예측 모델일 수 있다. 다만, 이에 제한되지 않으며 심혈관 질환 위험도 예측 모델은 피험자로부터 획득된 피부 스펙트럼과 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도 사이의 상관 관계를 분석하기 위한 다양한 회귀분석 알고리즘 및 기계학습(machine learning)이 사용될 수 있다.
질병 예측 장치(200)는 피부 스펙트럼이 획득되면, 심혈관 질환 예측 모델에 획득된 피부 스펙트럼을 적용하고, 자가 형광량 기반의 위험도 평가 데이터와 비교하여, 획득된 피부 스펙트럼에 대응하는 자가 형광량이 사용자의 나이에 대한 평균 자가 형광량을 초과하는지 여부를 판단하여 사용자의 심혈관 질환의 위험도를 판단하고, 위험도를 단계적으로 분류할 수 있다.
또한, 질병 예측 장치(200)는 질병 예측 결과 및 경고 정보 중의 적어도 하나 이상을 출력할 수 있다(630).
예를 들어, 질병 예측 장치(200)는 질병 예측 결과 및 경고 정보 중의 적어도 하나 이상을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다.
도 7은 질병 예측 모델 생성 방법의 일 실시예를 도시한 흐름도이다. 질병 예측 모델 생성 방법은 도 4에 도시된 질병 예측 모델 생성 장치(400)에 의해 수행될 수 있다.
도 4 및 도 7을 참조하면, 질병 예측 모델 생성 장치(400)는 피험자의 피부 스펙트럼을 획득할 수 있다(710).
일 실시예에 따르면, 피부 스펙트럼은 근적외광(near infrared, NIR)을 피험자 피부에 조사하여 측정된 피부 근적외광 흡수 스펙트럼일 수 있다. 이때, 질병 예측 모델 생성 장치(400)는 피험자의 피부에 광을 조사하여 검출된 광으로부터 직접 피부 스펙트럼을 생성하거나, 외부 장치로부터 피부 스펙트럼을 수신할 수 있다.
피부 스펙트럼이 획득되면, 질병 예측 모델 생성 장치(400)는 피험자의 피부 스펙트럼 및 자가 형광량 사이의 상관 관계를 기초로 자가 형광량 예측 모델을 생성할 수 있다(720).
예를 들어, 질병 예측 모델 생성 장치(400)는 피험자의 피부에 320nm~380nm의 파장을 가지는 자외선 A(UV-A)를 조사하여 자가 형광량을 획득하고, 동일한 피험자로부터 획득된 피부 스펙트럼의 흡광도 및 자가 형광량을 기초로 자가 형광량 예측 모델을 생성할 수 있다.
일 예로, 질병 예측 모델 생성 장치(400)는 피험자로부터 피부 스펙트럼을 획득하고, 획득한 피부 스펙트럼을 곱셈 산란 보정(Multiplicative Scattering Correction, MSC), 표준 정규 변량(Standard Normal Variate, SNV)분석 및/또는 Savitzky-Golay 필터를 중의 적어도 하나의 전처리 필터를 사용하여 전처리한 결과를 독립변수로 하고, 동일한 피험자의 피부에 320nm~380nm 파장의 자외선(UV-A)을 조사하여 획득된 자가 형광량을 종속변수로 하되, 부분최소자승 회귀분석(partial least square regression, PLS)알고리즘을 사용하여 자가 형광량 예측 모델을 생성할 수 있다.
한편, 다른 실시예에 따르면, 질병 예측 모델 생성 장치(400)는 피험자의 피부 스펙트럼과, 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 심혈관 질환 위험도 예측 모델을 생성할 수 있다. 예컨대, 심혈관 질환 위험도 예측 모델은 사용자 정보 및 사용자 정보에 대응되는 피험자의 자가 형광량을 포함하는 심혈관 질환 위험도 분류 데이터와, 피험자의 피부 스펙트럼을 기초로 심혈관 위험도 예측 모델을 생성할 수 있다.
예를 들어, 질병 예측 모델 생성 장치(400)는 피험자로부터 획득된 피부 스펙트럼을 독립변수로 하고, 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도를 종속변수로 하여, 서포트 벡터 머신(Support vector machine, SVM) 또는 선형 판별 분석(Linear discriminant analysis)을 통해 심혈관 질환 위험도 예측 모델을 생성할 수 있다. 다만, 이에 제한되지 않으며 질병 예측 모델 생성 장치(400)는 피험자로부터 획득된 피부 스펙트럼과 동일한 피험자의 자가 형광량 및 나이로부터 추정된 심혈관 질환의 위험도 사이의 상관 관계를 분석하기 위한 다양한 회귀분석 알고리즘 및 기계학습(machine learning)을 적용할 수 있다,
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행 될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 질병 예측 장치
110: 스펙트럼 획득부
120: 프로세서
300: 질병 예측 장치
310: 스펙트럼 획득부
320: 프로세서
330: 입력부
340: 저장부
350: 통신부
360: 출력부
400: 질병 예측 모델 생성 장치
410: 스펙트럼 획득부
420: 프로세서

Claims (20)

  1. 피부 스펙트럼을 획득하는 스펙트럼 획득부; 및
    상기 피부 스펙트럼을 자가 형광량 예측 모델에 적용하여, 상기 피부 스펙트럼에 대한 자가 형광량을 예측하고, 상기 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측하는 프로세서;를 포함하는 질병 예측 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 예측된 자가 형광량 및 사용자 정보를 기초로, 상기 심혈관 질환 위험도를 예측하는 질병 예측 장치.
  3. 제2항에 있어서,
    상기 사용자 정보는,
    사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도 및 건강 정보 중의 적어도 하나를 포함하는 질병 예측 장치.
  4. 제1항에 있어서,
    상기 자가 형광량 예측 모델은,
    상기 피부 스펙트럼의 파장에 대한 흡광도와 자가 형광량 사이의 상관 관계를 기초로 생성된 예측 모델인 질병 예측 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 피부 스펙트럼을 심혈관 질환 위험도 예측 모델에 적용하여 심혈관 질환 위험도를 예측하는 질병 예측 장치.
  6. 제5항에 있어서,
    상기 심혈관 질환 위험도 예측 모델은,
    피부 스펙트럼과, 사용자 정보 및 자가 형광량을 기초로 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 생성된 예측 모델인 질병 예측 장치.
  7. 제5항에 있어서,
    상기 프로세서는,
    상기 예측된 사용자의 자가 형광량 및 사용자 정보를 상기 심혈관 질환 예측 모델에 적용하여 심혈관 질환의 위험도를 분류하는 질병 예측 장치.
  8. 제5항에 있어서,
    상기 프로세서는,
    상기 사용자의 피부 스펙트럼을 하나 이상의 주성분(Principal Component)으로 분리하고, 분리된 주성분을 기초로 상기 심혈관 예측 모델로부터 심혈관 질환 위험도를 예측하는 질병 예측 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    곱셈 산란 보정(Multiplicative Scattering Correction, MSC), Savitzky-Golay 필터 및 표준 정규 변량(Standard Normal Variate, SNV) 분석 방법 중의 적어도 하나의 전처리 알고리즘을 사용하여 획득된 상기 피부 스펙트럼을 전처리하는 질병 예측 장치.
  10. 제1항에 있어서,
    시각적, 청각적 및 촉각적 방법 중의 적어도 하나의 방법을 통해 질병 예측 결과 및 경고 정보 중의 적어도 하나를 출력하는 출력부를 더 포함하는 질병 예측 장치.
  11. 피험자의 피부 스펙트럼을 획득하는 스펙트럼 획득부; 및
    상기 피험자의 피부 스펙트럼 및 자가 형광량 사이의 상관 관계를 기초로 자가 형광량 예측 모델을 생성하는 프로세서;를 포함하는 질병 예측 모델 생성 장치.
  12. 제11항에 있어서,
    피험자의 피부에 UV-A를 조사하여 측정된 자가 형광량을 획득하는 자가 형광량 획득부를 더 포함하는 질병 예측 모델 생성 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 피부 스펙트럼의 파장에 대한 흡광도 및 상기 피험자의 자가 형광량을 기초로, 부분최소자승 회귀분석(partial least square regression, PLS)알고리즘을 사용하여 자가 형광량 예측 모델을 생성하는 질병 예측 모델 생성 장치.
  14. 제11항에 있어서,
    상기 프로세서는,
    상기 피험자의 피부 스펙트럼과, 미리 생성된 심혈관 질환 위험도 분류 데이터를 기초로 심혈관 질환 위험도 예측 모델을 생성하는 질병 예측 모델 생성 장치.
  15. 제14항에 있어서,
    상기 심혈관 질환 위험도 예측 모델은,
    사용자의 나이, 성별, 인종, 직업, 신장, BMI지수, 흡연 여부, 혈중 HbA1c 농도를 포함하는 사용자 정보 및 건강 정보 중의 적어도 하나의 기준에 따라 하나 이상의 그룹별로 생성되는 질병 예측 모델 생성 장치.
  16. 피부 스펙트럼을 획득하는 단계;
    상기 피부 스펙트럼을 상기 피부 스펙트럼의 파장에 대한 흡광도와 자가 형광량 사이의 상관 관계를 기초로 생성된 자가 형광량 예측 모델에 적용하여, 상기 피부 스펙트럼에 대한 자가 형광량을 예측하는 단계; 및
    상기 예측된 자가 형광량을 기초로 심혈관 질환 위험도를 예측하는 단계;를 포함하는 질병 예측 방법.
  17. 제16항에 있어서,
    상기 심혈관 질환 위험도를 예측하는 단계는,
    상기 피부 스펙트럼을, 심혈관 질환 위험도 분류 데이터를 기초로 생성된 심혈관 질환 위험도 예측 모델에 적용하여 심혈관 질환 위험도를 예측하는 질병 예측 방법.
  18. 제17항에 있어서,
    상기 심혈관 질환 위험도를 예측하는 단계는,
    상기 예측된 자가 형광량 및 사용자 정보를 기초로 상기 심혈관 질환 위험도를 예측하는 질병 예측 방법.
  19. 제17항에 있어서,
    상기 심혈관 질환 위험도를 예측하는 단계는,
    상기 사용자의 피부 스펙트럼을 하나 이상의 주성분(Principal Component)으로 분리하는 단계; 및
    분리된 주성분을 기초로 상기 심혈관 예측 모델로부터 심혈관 질환 위험도를 예측하는 단계;를 포함하는 질병 예측 방법.
  20. 제16항에 있어서,
    시각적, 청각적 및 촉각적 방법 중의 적어도 하나의 방법을 통해 질병 예측 결과 및 경고 정보 중의 적어도 하나를 출력하는 단계를 더 포함하는 질병 예측 방법.
KR1020170117141A 2017-09-13 2017-09-13 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법 KR102510174B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020170117141A KR102510174B1 (ko) 2017-09-13 2017-09-13 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법
US15/955,353 US11134847B2 (en) 2017-09-13 2018-04-17 Disease prediction model generation apparatus, and apparatus and method for predicting disease
EP18175919.2A EP3457412A1 (en) 2017-09-13 2018-06-05 Disease prediction model generation apparatus, and apparatus and method for predicting disease
US17/464,214 US11684265B2 (en) 2017-09-13 2021-09-01 Disease prediction model generation apparatus, and apparatus and method for predicting disease

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170117141A KR102510174B1 (ko) 2017-09-13 2017-09-13 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190029982A true KR20190029982A (ko) 2019-03-21
KR102510174B1 KR102510174B1 (ko) 2023-03-14

Family

ID=62530157

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170117141A KR102510174B1 (ko) 2017-09-13 2017-09-13 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법

Country Status (3)

Country Link
US (2) US11134847B2 (ko)
EP (1) EP3457412A1 (ko)
KR (1) KR102510174B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112566578A (zh) * 2018-06-19 2021-03-26 托尼尔公司 针对骨科外科手术使用虚拟模型或虚拟表示进行的混合现实辅助教学
KR20210069944A (ko) * 2019-12-04 2021-06-14 삼성전자주식회사 노화도 추정 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120283530A1 (en) 2009-11-17 2012-11-08 Maynard John D Method and apparatus to detect coronary artery calcification or disease
US20170135645A1 (en) * 2015-11-16 2017-05-18 Samsung Electronics Co., Ltd. Disease prediction model construction apparatus and method, and disease prediction apparatus

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110313296A9 (en) * 2001-04-11 2011-12-22 Johnson Robert D Method and Apparatus for Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence
US7616123B2 (en) 2001-04-11 2009-11-10 Trutouch Technologies, Inc. Apparatus and method for noninvasively monitoring for the presence of alcohol or substances of abuse in controlled environments
US7139598B2 (en) 2002-04-04 2006-11-21 Veralight, Inc. Determination of a measure of a glycation end-product or disease state using tissue fluorescence
US6933154B2 (en) 2002-07-09 2005-08-23 Medispectra, Inc. Optimal windows for obtaining optical data for characterization of tissue samples
AU2003258062A1 (en) 2002-08-05 2004-02-23 Infraredx, Inc. Near-infrared spectroscopic analysis of blood vessel walls
CA2481857A1 (en) 2003-09-19 2005-03-19 Nir Diagnostics Inc. Near infrared risk assessment of diseases
CN1890557A (zh) 2003-11-28 2007-01-03 Bc肿瘤研究所 根据拉曼和背景荧光谱多峰检测组织异常
US20050228295A1 (en) 2004-04-01 2005-10-13 Infraredx, Inc. Method and system for dual domain discrimination of vulnerable plaque
CA2592691C (en) 2004-12-28 2017-07-04 Hypermed, Inc. Hyperspectral/multispectral imaging in determination, assessment and monitoring of systemic physiology and shock
DE102006026173A1 (de) 2006-06-06 2007-12-20 Fachhochschule Südwestfalen Verfahren zur nichtinvasiven Diagnose von Diabetes
WO2008064130A2 (en) 2006-11-17 2008-05-29 Bloom Matthew B Mir spectroscopy of tissue
FR2952217B1 (fr) 2009-10-29 2011-12-30 Galderma Res & Dev Dispositif et procede de compensation de relief d'images hyper-spectrales.
US20130217984A1 (en) * 2010-06-18 2013-08-22 Diagnoptics Holding B.V. Method and apparatus for determining an autofluorescence value of skin tissue
US20140316292A1 (en) 2013-04-19 2014-10-23 Semler Scientific, Inc. Circulation Monitoring System
US20170127983A1 (en) 2015-11-10 2017-05-11 Massachusetts Institute Of Technology Systems and methods for sampling calibration of non-invasive analyte measurements

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120283530A1 (en) 2009-11-17 2012-11-08 Maynard John D Method and apparatus to detect coronary artery calcification or disease
US20170135645A1 (en) * 2015-11-16 2017-05-18 Samsung Electronics Co., Ltd. Disease prediction model construction apparatus and method, and disease prediction apparatus

Also Published As

Publication number Publication date
US11684265B2 (en) 2023-06-27
KR102510174B1 (ko) 2023-03-14
US11134847B2 (en) 2021-10-05
US20190076025A1 (en) 2019-03-14
US20210393133A1 (en) 2021-12-23
EP3457412A1 (en) 2019-03-20

Similar Documents

Publication Publication Date Title
KR102655737B1 (ko) 생체 성분 추정 장치 및 방법
KR102375183B1 (ko) 레이저 유도 붕괴 스펙트럼 분석을 이용하는 진단 방법 및 이를 수행하는 진단 장치
JP2019053061A (ja) グルコース露出量推定装置、方法及びプログラム、グルコース露出量推定モデル生成装置、並びに糖指数測定装置
US11684265B2 (en) Disease prediction model generation apparatus, and apparatus and method for predicting disease
KR102539144B1 (ko) 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법
EP3624682A1 (en) Device, system and method for non-invasive monitoring of physiological measurements
KR20200091625A (ko) 생체 신호 측정 장치 및 방법
JP2018535745A5 (ko)
KR102640331B1 (ko) 생체정보 추정 장치 및 방법과, 생체정보 추정 지원 장치
KR102655670B1 (ko) 생체 신호 품질 평가 장치 및 방법과, 생체 신호 측정 파라미터 최적화 장치 및 방법
KR20200047981A (ko) 생체성분 추정 장치 및 방법
US20170236059A1 (en) Apparatus and method for generating weight estimation model, and apparatus and method for estimating weight
KR20200129409A (ko) 광 센서, 생체 정보 추정 장치 및 방법
US11389092B2 (en) Apparatus and method for estimating bio-information
US11350878B2 (en) Apparatus and method for estimating bio-information
KR102461185B1 (ko) 스펙트럼 분석법을 이용한 혈중 성분 수치의 추정 장치
KR20190011593A (ko) 스펙트럼 측정 장치 및 방법
KR102655742B1 (ko) 분석 물질의 혈중 농도 측정 장치 및 방법
KR20210069944A (ko) 노화도 추정 장치 및 방법
JP6842322B2 (ja) 分析装置
KR102658237B1 (ko) 분석 물질의 혈중 농도 추정 장치 및 방법과, 모델 생성 장치 및 방법
KR102640317B1 (ko) 체액 측정 장치 및 방법
KR20210050967A (ko) 분석 물질의 농도 추정 장치 및 방법과, 캘리브레이션 방법
KR20190019378A (ko) 생체 정보 추정 장치, 스펙트럼 품질 평가 장치 및 방법
KR20220107525A (ko) 체내성분 추정 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant