KR20190104713A - 자가 적응형 의료 데이터 분석 장치 및 방법 - Google Patents

자가 적응형 의료 데이터 분석 장치 및 방법 Download PDF

Info

Publication number
KR20190104713A
KR20190104713A KR1020180025153A KR20180025153A KR20190104713A KR 20190104713 A KR20190104713 A KR 20190104713A KR 1020180025153 A KR1020180025153 A KR 1020180025153A KR 20180025153 A KR20180025153 A KR 20180025153A KR 20190104713 A KR20190104713 A KR 20190104713A
Authority
KR
South Korea
Prior art keywords
medical
data
model
patient data
disease
Prior art date
Application number
KR1020180025153A
Other languages
English (en)
Inventor
박준영
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 KR1020180025153A priority Critical patent/KR20190104713A/ko
Publication of KR20190104713A publication Critical patent/KR20190104713A/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

Abstract

자가 적응형 의료 데이터 분석 장치 및 방법이 개시된다. 본 발명에 따른 자가 적응형 의료 데이터 분석 장치는, 입력받은 환자 데이터에 대한 전처리를 수행하는 환자 데이터 입력부, 의료 데이터를 이용하여 학습된 하나 이상의 의료 모델 중에서 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하고. 상기 환자 데이터에 대해 상기 의료 모델을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 질병 추론부, 그리고 상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 추론 결과 출력부를 포함하고, 상기 의료 모델은, 하나 이상의 하이퍼파라미터를 포함하는 기계 학습 알고리즘을 기반으로, 상기 자가 적응형 의료 데이터 분석 장치가 자가 적응적으로 학습을 수행하여 생성한다.

Description

자가 적응형 의료 데이터 분석 장치 및 방법{SELF-ADAPTIVE MEDICAL DATA ANALYSIS APPARATUS AND METHOD THEREOF}
본 발명은 자가 적응형 의료 데이터 분석 기술에 관한 것으로, 특히 지속적으로 축적되는 데이터에 대해 자가 적응적으로 학습하여 의료 데이터를 분석하는 기술에 관한 것이다.
최근 의료 분야에서도 기계 학습을 이용하여 의사의 진료를 보조하기 위한 다양한 연구들이 진행되고 있다. IBM의 인공지능 왓슨은 의사의 의료적 의사결정 과정을 돕는 임상 의사결정 지원 시스템으로, 특히, 폐암, 유방암, 전립선암 등 암 진료에 탁월한 성과를 보인다. 왓슨은 의사의 판단을 골든 스탠더드(golden standard)로 하여 방대한 의료 학습량을 학습하며, 2013년 기준으로 200만 페이지 분량의 임상 시험 데이터를 학습하였으며 그 결과, 대장암 진단 정확도는 98%에 이르고 있다.
한편, 의료 현장에서 환자가 진료를 받기 위해 의사에게 제공하는 환자 데이터는 환자마다 매우 상이할 수 있다. 동일한 질병으로 의심되는 환자들도 의사 또는 병원에 따라 처방받는 검사가 상이하다. 따라서, 아무리 방대한 의료 데이터를 기반으로 학습된 의료 모델이 있더라도 모든 환자에게 동일한 의료 모델을 적용하는 데에는 한계가 있다.
예를 들어, 학습 단계에서 예상한 환자 데이터 보다 훨씬 많은 정보를 포함하는 환자 데이터가 입력 될 수 있으며, 반대로, 예상보다 굉장히 제한적인 환자 정보를 바탕으로 질병을 추론하여 의사의 의료적 의사결정을 도와야 할 수 있다. 즉, 학습 단계에서 고려되지 않은 다양한 형태의 환자 데이터가 질병 추론을 위해 입력 될 가능성이 매우 높다. 따라서, 학습 단계에서 고려되지 않은 환자 데이터에 대해 자가 적응적으로 학습하여 환자에게 유연한 의료 서비스를 제공할 필요가 있다.
또한, 의료 현장에서는 새로운 의료 데이터가 계속해서 생성된다. 의료 데이터를 처리함에 있어 의사의 판단을 골든 스탠더드로 가정하여, 의사가 환자를 진료 할 때마다 학습 가능한 새로운 의료 데이터가 생성된다. 그리고 기계 학습에서는 더 많은 데이터가 확보될수록 추가 학습을 수행하여 의사의 의료적 의사결정 과정을 더 높은 정확도로 도울 수 있다.
이때, 추가적으로 수집되는 의료 데이터를 학습에 이용하기 위해 데이터분석가와 같은 사람의 개입을 필요로 하는 경우, 새로운 데이터를 빠르게 처리하여 학습에 이용하기 어렵다.
따라서, 데이터 분석가의 개입 없이, 가용한 모든 데이터를 실시간으로 학습하여 환자의 질병 추론에 사용함으로써, 의사의 의료적 의사 결정을 높은 정확도로 지원하는 기술의 개발이 필요하다.
한국 등록 특허 제10-0794516호, 2008년 01월 08일 공고(명칭: 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법)
본 발명의 목적은 환자가 의사에게 제공하는 데이터가 다양하게 변화하더라도, 자가 적응적인 의료 데이터 분석을 수행하여 질병을 추론하는 것이다.
또한, 본 발명의 목적은 자가 적응적으로 데이터를 분석하여 질병을 추론함으로써, 의사에게 환자 맞춤형 의료 데이터 분석 결과를 제공하는 것이다.
또한, 본 발명의 목적은 지속적으로 축적되는 데이터에 대해 사용자의 개입 없이 스스로 학습을 수행하여, 환자에게 다양한 의료 모델을 실시간으로 제공하는 것이다.
상기한 목적을 달성하기 위한 본 발명에 따른 자가 적응형 의료 데이터 분석 장치는 입력받은 환자 데이터에 대한 전처리를 수행하는 환자 데이터 입력부, 의료 데이터를 이용하여 학습된 하나 이상의 의료 모델 중에서 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하고. 상기 환자 데이터에 대해 상기 의료 모델을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 질병 추론부, 그리고 상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 추론 결과 출력부를 포함하고, 상기 의료 모델은, 하나 이상의 하이퍼파라미터를 포함하는 기계 학습 알고리즘을 기반으로, 상기 자가 적응형 의료 데이터 분석 장치가 자가 적응적으로 학습을 수행하여 생성한다.
이때, 상기 질병 추론부는, 상기 환자 데이터와 학습된 하나 이상의 상기 의료 모델의 메타데이터를 비교하여, 상기 환자 데이터에 상응하는 상기 의료 모델을 검색할 수 있다.
이때, 상기 질병 추론부는, 복수의 상기 의료 모델들이 검색된 경우, 검색된 상기 복수의 의료 모델들 중에서 의료 모델의 신뢰도가 가장 높은 상기 의료 모델을 선택하여 상기 환자 데이터에 대한 질병을 추론하거나, 상기 복수의 의료 모델들을 실행하여 상기 환자 데이터에 대한 질병을 추론할 수 있다.
이때, 상기 질병 추론부는, 상기 질병의 추론 결과에 대한 신뢰 수준 분석을 수행하거나, 질병의 주요 속성 정보에 대한 통계 분석을 수행할 수 있다.
이때, 상기 추론 결과 출력부는, 상기 통계 분석의 결과를 기반으로, 상기 질병의 주요 속성 정보에 대한 검사 중에서 상기 환자 데이터에 결측된 검사를 추천할 수 있다.
이때, 상기 환자 데이터 입력부는, 입력된 상기 환자 데이터의 형식을 확인하거나, 상기 환자 데이터의 값이 정상 범위의 값인지 여부를 확인하고, 상기 환자 데이터의 정규화를 수행할 수 있다.
이때, 기 저장된 다양한 조합의 상기 하이퍼파라미터를 이용하여, 상기 의료 모델을 생성하는 의료 모델 학습부를 더 포함할 수 있다.
이때, 상기 의료 모델 학습부는, 생성된 상기 의료 모델의 메타데이터를 기반으로, 상기 의료 모델의 신뢰도를 분석하고, 상기 의료 모델 및 상기 메타데이터를 저장할 수 있다.
이때, 상기 의료 모델 학습부는, 추가로 수집된 상기 의료 데이터를 이용하여 새로운 의료 모델을 학습하고, 상기 추가로 수집된 의료 데이터를 이용하여 기존의 상기 의료 모델을 증분 학습할 수 있다.
이때, 상기 의료 모델 학습부는, 상기 의료 모델이 검색되지 않은 경우, 기 저장된 상기 의료 데이터를 이용하여 상기 의료 모델을 생성할 수 있다.
또한, 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치에 의해 수행되는 자가 적응형 의료 데이터 분석 방법은 입력받은 환자 데이터에 대한 전처리를 수행하는 단계, 의료 데이터를 이용하여 학습된 하나 이상의 의료 모델 중에서, 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하는 단계, 상기 환자 데이터에 대해 상기 의료 모델을 실행하여, 상기 환자 데이터에 대한 질병을 추론하는 단계, 그리고 상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 단계를 포함하고, 상기 의료 모델은, 하나 이상의 하이퍼파라미터를 포함하는 기계 학습 알고리즘을 기반으로, 상기 자가 적응형 의료 데이터 분석 장치가 자가 적응적으로 학습을 수행하여 생성한다.
이때, 상기 의료 모델을 검색하는 단계는, 상기 환자 데이터와 학습된 하나 이상의 상기 의료 모델의 메타데이터를 비교하여, 상기 환자 데이터에 상응하는 상기 의료 모델을 검색할 수 있다.
이때, 상기 의료 모델을 검색하는 단계는, 복수의 상기 의료 모델들이 검색된 경우, 검색된 상기 복수의 의료 모델들 중에서 의료 모델의 신뢰도가 가장 높은 상기 의료 모델을 선택하여 상기 환자 데이터에 대한 질병을 추론하거나, 상기 복수의 의료 모델들을 실행하여 상기 환자 데이터에 대한 질병을 추론할 수 있다.
이때, 상기 환자 데이터에 대한 질병을 추론하는 단계는, 상기 질병의 추론 결과에 대한 신뢰 수준 분석을 수행하거나, 질병의 주요 속성 정보에 대한 통계 분석을 수행할 수 있다.
이때, 상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 단계는, 상기 통계 분석의 결과를 기반으로, 상기 질병의 주요 속성 정보에 대한 검사 중에서 상기 환자 데이터에 결측된 검사를 추천할 수 있다.
이때, 상기 전처리를 수행하는 단계는, 입력된 상기 환자 데이터의 형식을 확인하거나, 상기 환자 데이터의 값이 정상 범위의 값인지 여부를 확인하는 단계, 그리고 상기 환자 데이터의 정규화를 수행하는 단계를 포함할 수 있다.
이때, 기 저장된 다양한 조합의 상기 하이퍼파라미터를 이용하여, 상기 의료 모델을 생성하는 단계를 더 포함할 수 있다.
이때, 상기 의료 모델을 생성하는 단계는, 생성된 상기 의료 모델의 메타데이터를 기반으로, 상기 의료 모델의 신뢰도를 분석하고, 상기 의료 모델 및 상기 메타데이터를 저장할 수 있다.
이때, 추가로 수집된 상기 의료 데이터를 이용하여, 새로운 의료 모델을 학습하는 단계, 그리고 상기 추가로 수집된 의료 데이터를 이용하여, 기존의 상기 의료 모델을 증분 학습하는 단계를 더 포함할 수 있다.
또한, 본 발명의 또 다른 실시예에 따른 자가 적응형 의료 데이터 분석 장치에 의해 수행되는 자가 적응형 의료 데이터 분석 방법은, 추가로 수집된 의료 데이터에 대한 전처리를 수행하는 단계, 하이퍼파라미터를 포함하는 기계 학습 알고리즘에 상기 의료 데이터를 적용하여 새로운 의료 모델을 학습하거나, 상기 의료 데이터를 이용하여 기존의 의료 모델을 증분 학습하여, 상기 의료 데이터에 대해 자가 적응적으로 학습을 수행하는 단계, 학습된 상기 의료 모델의 메타데이터를 기반으로, 상기 의료 모델의 신뢰도를 분석하는 단계, 상기 의료 모델 및 상기 의료 모델의 메타데이터를 저장하는 단계, 환자 데이터가 입력된 경우, 저장된 상기 의료 모델의 상기 메타데이터를 기반으로 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하는 단계, 상기 환자 데이터에 대해 검색된 상기 의료 모델을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 단계를 포함한다.
본 발명에 따르면, 환자가 의사에게 제공하는 데이터가 다양하게 변화하더라도, 자가 적응적인 의료 데이터 분석을 수행하여 질병을 추론 할 수 있다.
또한 본 발명에 따르면, 자가 적응적으로 데이터를 분석하여 질병을 추론함으로써, 의사에게 환자 맞춤형 의료 데이터 분석 결과를 제공할 수 있다.
또한 본 발명에 따르면, 지속적으로 축적되는 데이터에 대해 사용자의 개입 없이 스스로 학습을 수행하여, 환자에게 다양한 의료 모델을 실시간으로 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 의료 데이터 입력부의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일실시예에 따른 의료 모델 학습부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일실시예에 따른 환자 데이터 입력부의 구성을 나타낸 블록도이다.
도 5는 본 발명의 일실시예에 따른 질병 추론부의 구성을 나타낸 블록도이다.
도 6은 본 발명의 일실시예에 따른 추론 결과 출력부의 구성을 나타낸 블록도이다.
도 7은 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 방법을 설명하기 위한 순서도이다.
도 8은 본 발명의 일실시예에 따른 의료 모델을 자가 적응적으로 학습하는 방법을 설명하기 위한 순서도이다.
도 9는 본 발명의 일실시예에 따른 환자 데이터의 속성 정보 및 데이터 처리 규칙의 일 예를 나타낸 예시도이다.
도 10은 본 발명의 일실시예에 따른 질병 추론 모델의 일 예를 나타낸 예시도이다.
도 11은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치(100)는 의료 데이터 입력부(110), 의료 모델 학습부(120), 환자 데이터 입력부(130), 질병 추론부(140) 및 추론 결과 출력부(150)를 포함한다.
먼저, 의료 데이터 입력부(110)는 의료 데이터를 수집하고, 수집한 의료 데이터를 학습이 가능한 형태로 데이터 가공한다.
의료 데이터 입력부(110)는 지속적으로 축적되는 의료 데이터에 대해 실시간 학습을 수행하기 위하여, 의료 데이터 입력부(110)는 의료 데이터 저장소의 변경 사항을 주기적으로 검사하고, 새로운 의료 데이터를 입력받을 수 있다. 여기서, 의료 데이터 입력부(110)가 수집하는 의료 데이터는 인구통계학적 데이터(demographic data), 생체 측정 데이터(laboratory data) 및 영상 데이터 중 적어도 어느 하나를 포함할 수 있다.
인구통계학적 데이터는 성별, 나이, 결혼 여부 등을 포함할 수 있고, 생체 측정 데이터는 혈당, 혈압, 헤모글로빈 등을 포함할 수 있으며, 영상 데이터는 CT, MRI 등을 포함할 수 있다.
그리고 의료 데이터 입력부(110)는 데이터 처리 규칙에 따라, 수집한 의료 데이터에 오류가 있는지 검사하고, 새로운 의료 모델 학습이 가능한 형태로 의료 데이터를 변환할 수 있다.
다음으로 의료 모델 학습부(120)는 기 저장된 다양한 조합의 하이퍼파라미터를 이용하여, 의료 모델을 생성한다. 이때, 의료 모델 학습부(120)는 의료 모델이 검색되지 않은 경우, 기 저장된 의료 데이터를 이용하여 의료 모델을 생성할 수 있다.
그리고 의료 모델 학습부(120)는 생성된 의료 모델의 메타 데이터를 기반으로 의료 모델의 신뢰도를 분석하고, 의료 모델 및 의료 모델의 메타데이터를 저장할 수 있다.
또한, 의료 모델 학습부(120)는 다양한 학습 알고리즘을 이용하여 추가로 확보된 의료 데이터에 대한 학습을 수행한다. 이때, 의료 모델 학습부(120)는 추가로 수집된 의료 데이터를 이용하여 새로운 의료 모델을 학습하거나, 추가로 수집된 의료 데이터를 이용하여 기존의 의료 모델을 갱신하는 증분 학습(incremental learning)을 수행할 수 있다.
그리고 의료 모델 학습부(120)가 학습을 수행한 결과, 의료 모델 실행 파일 및 의료 모델의 메타데이터가 생성되며, 의료 모델의 입력 속성, 정확도, 정밀도 및 재현율 등을 포함하는 의료 모델의 메타데이터는 질병 추론부(140)가 의료 모델을 선택할 때 활용될 수 있다.
다음으로 환자 데이터 입력부(130)는 환자 데이터를 입력받고, 입력받은 환자 데이터에 대한 전처리를 수행한다. 이때, 환자 데이터 입력부(130)는 입력된 환자 데이터의 형식을 확인하거나, 환자 데이터의 값이 정상 범위의 값인지 여부를 확인하는 전처리를 수행한 후, 환자 데이터의 정규화(normalization)를 수행할 수 있다.
그리고 질병 추론부(140)는 의료 데이터를 이용하여 학습된 하나 이상의 의료 모델 중에서 환자 데이터에 상응하는 의료 모델을 검색하고, 환자 데이터에 대해 의료 모델을 실행하여 환자 데이터에 대한 질병을 추론할 수 있다.
이때, 질병 추론부(140)는 환자 데이터와 학습된 하나 이상의 의료 모델의 메타데이터를 비교하여, 환자 데이터에 상응하는 의료 모델을 검색할 수 있다. 복수의 의료 모델들이 검색된 경우, 질병 추론부(140)는 검색된 복수의 의료 모델들 중에서 의료 모델의 신뢰도가 가장 높은 의료 모델을 선택하여 환자 데이터에 대한 질병을 추론하거나, 복수의 의료 모델들을 실행하여, 환자 데이터에 대한 질병을 추론할 수도 있다.
그리고 질병 추론부(140)는 질병의 추론 결과에 대한 신뢰 수준 분석을 수행하거나, 질병의 주요 속성 정보에 대한 통계 분석을 수행할 수 있다.
마지막으로 추론 결과 출력부(150)는 환자 데이터에 대한 질병 추론의 결과를 출력한다. 이때, 추론 결과 출력부(150)는 통계 분석의 결과를 기반으로 질병의 주요 속성 정보에 대한 검사 중에서 환자 데이터에 결측된 검사를 추천할 수 있다.
이와 같이, 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치(100)는 환자마다 상이한 환자 데이터 및 지속적으로 축적된 의료 데이터에 대해 사용자의 개입 없이 자가 적응적으로 학습하여, 의사의 의료적 의사 결정을 지원하는 질병 추론의 결과 및 추가 검사 정보 등을 제공할 수 있다.
일반적으로 환자는 의사에 처방에 따라 다양한 검사를 받는다. 동일한 질병이나 증상으로 진료를 받는 환자들도 의사에 따라 상이한 검사 항목에 대한 검사를 받을 수 있다. 이로 인하여, 자가 적응형 의료 데이터 분석 장치(100)에 입력되는 환자 데이터도 매우 다양하다.
종래 기술과 같이 사전에 정의한 환자 데이터 속성에 대해 학습된 의료 모델을 이용하여 환자의 질병을 추론하는 경우, 다양한 환자 데이터에 대해 적응적으로 대응하여 환자의 질병을 추론할 수 없다.
그러나, 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치(100)는 환자 데이터가 다양하게 변화하더라도, 자가 적응적인 의료 데이터 분석을 통하여 환자 데이터에 대한 질병을 추론하고, 환자 맞춤형 의료 데이터 분석 결과를 의사에게 제공할 수 있다.
또한, 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치(100)는 지속적으로 축적되는 의료 데이터에 대해, 데이터 분석가 등의 사용자 개입 없이 추가로 수집된 의료 데이터에 대해 실시간으로 학습함으로써, 다양한 의료 모델을 실시간으로 제공할 수 있다.
이하에서는 도 2를 통하여 본 발명의 일실시예에 따른 의료 데이터 입력부의 구성에 대하여 더욱 상세하게 설명한다.
도 2는 본 발명의 일실시예에 따른 의료 데이터 입력부의 구성을 나타낸 블록도이다.
도 2에 도시한 바와 같이, 의료 데이터 입력부(110)는 의료 데이터 검사 모듈(111) 및 의료 데이터 전처리 모듈(115)을 포함한다.
먼저, 의료 데이터 검사 모듈(111)은 데이터 처리 규칙에 따라, 수집된 의료 데이터에 오류가 있는지 여부를 검사한다. 예를 들어, 의료 데이터에 성별 속성이 포함된 경우, 의료 데이터 검사 모듈(111)은 의료 데이터가 여성 또는 남성으로 표기되어 있는지 여부를 검사한다. 그리고 의료 데이터에 나이 속성이 포함된 경우, 의료 데이터 검사 모듈(111)은 나이가 0부터 120 사이의 값으로 입력되었는지 확인하여 데이터 오류를 검사할 수 있다.
이때, 의료 데이터에 포함된 속성들의 속성 명은 다양한 방식으로 표기될 수 있으며, 특히 사전에 정의된 속성 명 또는 국제 표준(HL7)에서 정의한 코드 등으로 표기될 수 있다.
그리고 의료 데이터 전처리 모듈(115)은 의료 데이터를 추론에 적용 가능한 형태로 변환한다. 예를 들어, 의료 데이터 전처리 모듈(115)은 의료 데이터의 성별 속성을, 남성은 1, 여성은 2로 변환할 수 있다.
또한, 의료 데이터 전처리 모듈(115)은 데이터 처리 규칙에 따라 의료 데이터를 정규화할 수 있다. 예를 들어, 의료 데이터 전처리 모듈(115)은 나이 속성을 100으로 나누어 의료 데이터를 정규화할 수 있다.
성별은 1 또는 2의 값으로 변환되는 반면 나이는 그보다 더 큰 숫자로 입력되므로, 의료 모델을 생성하거나 학습할 때 나이가 성별보다 더 큰 영향을 미치는 편견(bias) 문제를 해결하기 위하여, 의료 데이터 전처리 모듈(115)은 나이를 100으로 나누어 의료 데이터를 정규화할 수 있다.
이하에서는 도 3을 통하여 본 발명의 일실시예에 따른 의료 모델 학습부의 구성에 대하여 더욱 상세하게 설명한다.
도 3은 본 발명의 일실시예에 따른 의료 모델 학습부의 구성을 나타낸 블록도이다.
도 3에 도시한 바와 같이, 의료 모델 학습부(120)는 학습 계획 모듈(121), 모델 생성 모듈(123), 모델 갱신 모듈(125) 및 모델 저장 모듈(127)을 포함한다.
먼저, 학습 계획 모듈(121)은 의료 데이터 입력부(110)로부터 전달받은 의료 데이터를 이용하여 새로운 의료 모델을 생성하고, 기존 의료 모델을 갱신하거나 질병 추론부(140)로부터 요청받은 새로운 학습을 계획한다.
그리고 학습 계획 모듈(121)은 의료 데이터 입력부(110)로부터 수신한 의료 데이터를 기반으로, 하나 이상의 새로운 의료 모델의 생성을 모델 생성 모듈(123)에 요청할 수 있다. 이때, 학습 계획 모듈(121)은 전달받은 의료 모델의 전체 속성에 대하여 새로운 의료 모델 생성을 요청하거나, 다양한 속성의 조합으로 새로운 의료 모델 생성을 요청할 수 있다.
예를 들어, 학습 계획 모듈(121)은 나이, 혈당, 혈압, 키, 몸무게, 학력의 모든 속성에 대해 새로운 모델 생성을 요청하거나, 속성들 중 일부의 조합인 나이, 혈압 및 학력에 대하여 새로운 모델 생성을 요청할 수 있다.
모델 생성 모듈(123)은 의료 데이터 입력부(110)로부터 전달받은 의료 데이터 및 다양한 학습 알고리즘을 이용하여, 하나 이상의 의료 모델을 생성할 수 있다. 특히, 각각의 학습 알고리즘에는 다양한 하이퍼파라미터가 존재하고, 모델 생성 모듈(123)은 데이터 분석가 등의 사용자 개입 없이 학습을 진행하기 위하여, 다양한 조합의 하이퍼파라미터를 이용하여 복수의 의료 모델들을 동시에 학습할 수 있다.
그리고 학습 계획 모듈(121)은 의료 데이터 입력부(110)로부터 전달받은 의료 데이터를 기반으로 증분 학습의 수행을 계획할 수 있다. 학습 계획 모듈(121)은 자가 적응형 의료 데이터 분석 장치(100) 내에 존재하는 의료 모델을 검색한다. 검색 결과, 추가로 확보된 의료 데이터를 이용하여 증분 학습을 수행할 수 있는 의료 모델이 존재하는 것으로 판단된 경우, 모델 갱신 모듈(125)로 해당 의료 모델 및 증분 학습을 위해 필요한 의료 데이터를 전달할 수 있다.
다음으로 모델 갱신 모듈(125)은 전달받은 기존 모델에 대해 추가 확보된 의료 데이터를 이용하여 증분 학습을 수행할 수 있다.
그리고 모델 저장 모듈(127)은 모델 생성 모듈(135)과 모델 갱신 모듈(125)에서 학습한 의료 모델을 확인하고, 의료 모델을 저장한다. 모델 생성 모듈(123)에서는 다양한 학습 알고리즘과 다양한 하이퍼파라미터를 조합하여 학습하였으므로, 복수의 의료 모델이 생성될 수 있다. 이때, 모델 저장 모듈(127)은 각 모델의 정확도, 정확도 편차, 정밀도, 신뢰도 등의 메타데이터를 기반으로, 신뢰도가 높은 의료 모델만 시스템(자가 적응형 의료 데이터 분석 장치(100))에 저장하여, 추후 질병 추론에 사용할 수 있다.
이하에서는 도 4를 통하여 본 발명의 일실시예에 따른 환자 데이터 입력부의 구성에 대하여 더욱 상세하게 설명한다.
도 4는 본 발명의 일실시예에 따른 환자 데이터 입력부의 구성을 나타낸 블록도이다.
도 4에 도시한 바와 같이, 환자 데이터 입력부(130)는 환자 데이터 검사 모듈(131) 및 환자 데이터 전처리 모듈(135)을 포함한다.
환자 데이터 입력부(130)의 환자 데이터 검사 모듈(131)은 기 설정된 데이터 처리 규칙에 따라 환자 데이터의 오류를 검사하고, 환자 데이터 전처리 모듈(135)은 환자 데이터를 질병 추론이 가능한 형태로 변환한다.
도 4에 도시한 환자 데이터 검사 모듈(131) 및 환자 데이터 전처리 모듈(135)은 도 2의 의료 데이터 입력부(110)에 포함된 의료 데이터 검사 모듈(111) 및 의료 데이터 전처리 모듈(115)과 실질적으로 동일한 바, 중복되는 설명은 생략한다.
이하에서는 도 5를 통하여 본 발명의 일실시예에 따른 질병 추론부의 구성에 대하여 더욱 상세하게 설명한다.
도 5는 본 발명의 일실시예에 따른 질병 추론부의 구성을 나타낸 블록도이다.
도 5와 같이, 질병 추론부(140)는 모델 선택 모듈(141), 모델 학습 요청 모듈(143) 및 모델 실행 모듈(145)을 포함한다.
모델 선택 모듈(141)은 저장된 질병 추론 모델인 의료 모델 중에서, 환자 데이터를 이용하여 환자의 질병을 추론하는데 적합한 것으로 판단된 의료 모델을 선택한다.
예를 들어, 환자 데이터에 유전자 검사 결과(예, APOE)가 포함된 경우, 모델 선택 모듈(141)은 유전자 검사(APOE)를 포함하는 치매 진단 모델2를 의료 모델로 선택할 수 있다. 또한, 입력된 환자 데이터를 이용하여 추론 가능한 뇌졸증 진단 모델이 존재하는 경우, 모델 선택 모듈(141)은 뇌졸증 추론을 수행할 수 있는 의료 모델을 선택할 수 있다.
하나의 질병에 대해 복수의 의료 모델들이 존재하는 경우, 모델 선택 모듈(141)은 모델의 메타데이터(예, 정확도, 정확도 표준 편차 등)를 기반으로 의료 모델을 선택하거나, 신뢰도가 가장 높은 의료 모델을 선택할 수 있으며, 복수의 의료 모델들을 종합적으로 사용하여 질병을 추론할 수 있다.
또한, 환자 데이터를 이용하여 질병을 추론할 수 있는 의료 모델이 존재하지 않는 것으로 판단된 경우, 모델 선택 모듈(141)은 모델 학습 요청 모듈(143)로 새로운 의료 모델의 학습을 요청할 수 있다. 그리고 모델 학습 요청 모듈(143)는 의료 모델 학습부(120)로 새로운 의료 모델을 요청하고, 그 결과를 수신하여 모델 실행 모듈(145)로 전송할 수 있다.
모델 실행 모듈(145)은 모델 선택 모듈(141)에서 선택한 의료 모델 또는 모델 학습 요청 모듈(143)에서 새로 생성된 의료 모델을 이용하여, 환자 데이터에 대한 질병을 추론하고, 추론 결과를 추론 결과 출력부(150)로 전송할 수 있다.
이하에서는 도 6을 통하여 본 발명의 일실시예에 따른 추론 결과 출력부의 구성에 대하여 더욱 상세하게 설명한다.
도 6은 본 발명의 일실시예에 따른 추론 결과 출력부의 구성을 나타낸 블록도이다.
도 6에 도시한 바와 같이, 추론 결과 출력부(150)는 추론 결과 분석 모듈(151) 및 추가 검사 추천 모듈(155)을 포함한다.
추론 결과 분석 모듈(151)은 질병 추론에 사용된 의료 모델의 메타 데이터를 기반으로 주요 속성을 식별하고, 주요 속성(important feature)에 대해 환자 데이터를 분석할 수 있다.
의료 모델은 다양한 학습 알고리즘에 의해 생성될 수 있으며, 학습 알고리즘은 학습 과정에서 해당 질병에 영향을 미치는 주요 속성 정보를 확인할 수 있다. 예를 들어, 치매 진단 모델2의 의료 모델은 환자의 나이와 APOE 유전자 보유 여부 등이 주요 속성으로 나타날 수 있다.
즉, 추론 결과 분석 모듈(151)은 축적된 의료 데이터를 기반으로 치매에 걸린 사람들의 나이에 대한 통계 분석을 수행하여, 나이가 많으면서 치매로 추론되는 환자에게 나이를 치매로 추론되는 하나의 근거로 제시할 수 있다.
그리고 추가 검사 추천 모듈(155)은 의료 모델을 비교 분석하여 복수의 의료 모델에서 주요 속성으로 나타나는 주요 검사 항목 정보를 추출하고, 환자 데이터에 결측된 주요 검사 항목 정보를 확인하며, 이에 대한 추가 검사를 수행할 것을 추천할 수 있다.
이때, 추가 검사 추천 모듈(155)은 모든 질병에 대한 의료 모델 또는 추론 결과에 상응하는 의료 모델을 종합하여 환자 데이터에 대한 주요 속성을 분석하고, 주요 속성에 상응하는 검사 중에서 환자 데이터에 결측된 검사를 추천할 수 있다.
추론 결과 출력부(150)는 질병 추론의 결과를 의사가 용이하게 파악하거나 식별할 수 있도록 출력하며, 의사의 단말기 상에 출력하기 위하여 질병의 추론 결를 의사의 단말기로 전송할 수 있다.
이와 같이, 추론 결과 분석부(150)는 환자 데이터에 결측된 검사 항목 중에서 환자에게 추천되는 검사 정보인 추가 검사 정보를 의사에게 제공하여, 의사의 의료적 의사 결정을 지원할 수 있다.
이하에서는 도 7 내지 도 10을 통하여 본 발명의 일실시예예 따른 자가 적응형 의료 데이터 분석 장치에 의해 수행되는 자가 적응형 의료 데이터 분석 방법에 대하여 더욱 상세하게 설명한다.
도 7은 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 방법을 설명하기 위한 순서도이다.
먼저, 자가 적응형 의료 데이터 분석 장치(100)는 환자 데이터 전처리를 수행한다(S710).
자가 적응형 의료 데이터 분석 장치(100)는 기 정의된 데이터 처리 규칙을 기반으로, 입력받은 환자 데이터에 오류가 있는지 검사하고, 환자 데이터를 의료 모델에 적용하여 추론할 수 있는 형태로 변환한다.
도 9는 본 발명의 일실시예에 따른 환자 데이터의 속성 정보 및 데이터 처리 규칙의 일 예를 나타낸 예시도이다.
도 9에 도시한 바와 같이, 환자 데이터는 성별, 나이, 결혼여부, 혈당, 헤모글로빈 등과 같은 속성 정보를 포함할 수 있다. 그리고 성별 속성은 남성 또는 여성으로 표기되고, 나이 속성은 0 내지 120의 값으로 정의되며, 혈당 속성은 50 내지 400의 값을 가지고, 헤모글로빈 속성은 1 내지 30의 값을 갖는 것으로 정의되어 있을 수 있다.
자가 적응형 의료 데이터 분석 장치(100)는 도 9와 같은 데이터 처리 규칙에 따라 환자 데이터의 성별 속성이 남성 또는 여성으로 표기되어 있는지 검사하고, 남성 또는 여성이 아닌 값으로 표기되어 있는 경우 오류를 반환할 수 있다. 또한, 자가 적응형 의료 데이터 분석 장치(100)는 환자 데이터의 나이 속성이 데이터 처리 규칙에 따른 정상 범위의 값(예, 0 내지 120)인지 여부를 확인하여 데이터 오류 검사를 수행할 수 있다.
도 9에는 환자 데이터의 성별 속성으로 명명하였으나, 성, SEX 등과 같이 환자 데이터의 속성 정보를 명명하는 방식은 다양하게 설계 변경하여 구현될 수 있다. 특히, 속성명을 사전에 정의하여 사용하거나, 국제표준(HL7)으로 정해놓은 코드명 등을 사용할 수 있다.
데이터 오류 검사를 수행한 후, 자가 적응형 의료 데이터 분석 장치(100)는 의료 데이터를 의료 모델에 적용 가능한 형태로 변환한다. 도 9에 도시한 바와 같이, 자가 적응형 의료 데이터 분석 장치(100)는 성별 속성이 남성인 경우 1로 변환하고, 여성인 경우 2로 변환할 수 있다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 데이터 처리 규칙에 따라 환자 데이터를 정규화할 수 있다. 예를 들어, 환자 데이터의 나이 속성을 100으로 나누고, 혈당 및 헤모글로빈 수치를 100으로 나누어 정규화할 수 있다.
다음으로, 자가 적응형 의료 데이터 분석 장치(100)는 의료 모델을 검색한다(S720).
자가 적응형 의료 데이터 분석 장치(100)는 S710 단계에서 입력된 환자 데이터에 대해 추론이 가능한 의료 모델을 검색할 수 있다. 예를 들어, 입력받은 환자 데이터가 성별, 나이, 혈압, 혈당, 키 및 몸무게의 속성으로 구성된 경우, 자가 적응형 의료 데이터 분석 장치(100)는 해당 속성들의 환자 데이터를 이용하여 질병을 추론할 수 있는 의료 모델을 검색할 수 있다.
도 10은 본 발명의 일실시예에 따른 질병 추론 모델의 일 예를 나타낸 예시도이다.
도 10에 도시한 바와 같이, 질병을 추론하는 모델인 의료 모델(1000)은 다양한 질병에 대한 의료 모델이 존재할 수 있으며, 하나의 질병에 대하여 다양한 데이터 속성 및 알고리즘을 이용하여 질병을 추론할 수 있도록 하나의 질병에 대해 복수 개의 의료 모델이 존재할 수 있다.
즉, 의료 모델(1000)은 치매 진단 모델, 뇌졸증 진단 모델 등을 포함할 수 있으며, 치매 진단 모델은 복수 개의 진단 모델들을 포함할 수 있다. 그리고 의료 모델(1000)은 필요에 따라 적절하게 선택되어 질병 추론에 사용될 수 있도록, 의료 모델은 의료 모델에 대한 메타데이터와 함께 저장될 수 있다.
도 10과 같이, 치매 진단 모델 1은 성별, 나이, 혈압, 혈당을 입력 속성으로 치매를 진단하는 의료 모델이고, 치매 진단 모델 2는 성별, 나이 APOE 유전자 보유 여부를 입력 속성으로 치매를 진단하는 의료 모델이며, 치매 진단 모델 3은 성별, 나이, PTAU를 입력 속성으로 치매를 진단하는 의료 모델일 수 있다.
그리고 S710 단계에서 입력받은 환자 데이터가 성별, 나이, 혈압, 혈당, 키 및 몸무게의 속성으로 구성된 경우, 자가 적응형 의료 데이터 분석 장치(100)는 저장된 복수의 의료 모델들(1000) 중에서 치매 진단 모델 1을, 환자 데이터를 이용하여 질병을 추론할 수 있는 모델로 검색 및 선택할 수 있다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 복수의 의료 모델들이 검색된 경우, 검색된 복수의 의료 모델들 중에서 가장 적합한 모델을 선택할 수 있다.
예를 들어, 입력받은 환자 데이터의 속성으로 질병을 추론할 수 있는 의료 모델로, 치매 진단 모델 3개, 뇌졸증 진단 모델 1개가 검색되었다고 가정한다. 이때, 자가 적응형 의료 데이터 분석 장치(100)는 검색된 의료 모델들의 메타 데이터를 비교하여, 신뢰도가 가장 높은 모델을 선택할 수 있다. 또한, 자가 적응형 의료 데이터 분석 장치(100)는 검색된 복수의 의료 모델들을 동시에 선택하고, 복수의 의료 모델들을 이용하여 후술할 S730 단계를 수행할 수 있다.
반면, S720 단계에서 환자 데이터를 이용하여 질병을 추론할 수 있는 의료 모델이 검색되지 않은 경우, 자가 적응형 의료 데이터 분석 장치(100)는 새로운 의료 모델의 학습을 요청할 수 있다. 그리고 자가 적응형 의료 데이터 분석 장치(100)는 도 8과 같이 축적된 의료 데이터로 즉시 학습을 수행하여, 환자 맞춤형 의료 모델을 제공할 수 있다.
의료 모델을 검색한 후, 자가 적응형 의료 데이터 분석 장치(100)는 의료 모델을 실행하여, 질병을 추론한다(S730). 그리고 자가 적응형 의료 데이터 분석 장치(100)는 질병 추론의 결과를 출력한다(S740).
자가 적응형 의료 데이터 분석 장치(100)는 S720 단계에서 선택된 하나 이상의 의료 모델을 실행하여, 환자 데이터에 대한 질병을 추론할 수 있다. 예를 들어, 치매 진단 모델이 선택된 경우 자가 적응형 의료 데이터 분석 장치(100)는 환자 데이터를 치매 진단 모델에 적용하여, 치매 3단계로 추론할 수 있다.
학습을 위해 사용된 의료 데이터에서 치매의 단계를 총 6단계로 구분한 경우, 자가 적응형 의료 데이터 분석 장치(100)는 추론 결과를 치매 3단계로 판단하고, 추론 결과에 대한 근거 정보를 의사에게 제공할 수 있다.
이때, 자가 적응형 의료 데이터 분석 장치(100)는 질병 추론의 결과에 대한 신뢰 수준(confidence level)을 연산하고, 신뢰 수준을 기반으로 의사에게 추론 결과에 대한 근거 정보를 제공할 수 있다.
예를 들어, 치매 진단 모델이 치매의 단계를 6단계로 구분한 경우, 자가 적응형 의료 데이터 분석 장치(100)는 각 단계의 신뢰 수준을 연산하고, 신뢰 수준이 가장 높은 단계를 질병 추론 결과로 의사에게 제공하며, 질병 추론 결과에 대한 신뢰 수준 및 나머지 각 단계에 대한 신뢰 수준을 의사에게 제공할 수 있다.
동일하게 치매 3단계로 판단되었다 하더라도, 제1 환자 데이터에 대해서는 90%의 신뢰 수준으로 치매 3단계로 판단되었을 수 있고, 제2 환자 데이터에 대해서는 60%의 신뢰 수준으로 치매 3단계로 판단되었을 수 있다. 따라서, 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치(100)는 질병 추론 결과를 의사에게 제공할 때, 해당 질병 추론 결과에 대한 신뢰 수준 정보를 의사에게 제공하여, 의사의 의사적 결정을 지원할 수 있다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 S730 단계에서 질병 추론에 활용된 의료 모델을 학습하는 과정에서 해당 질병에 영향을 크게 미치는 주요 속성에 대한 정보를 획득할 수 있으며, 질병에 대한 주요 속성 정보를 의사에게 제공할 수 있다.
예를 들어, 치매 모델의 학습 과정에서 APOE 유전자를 보유한 경우 치매에 걸릴 확률이 매우 높다는 것이 확인되어, 치매 모델에서 APOE 유전자 보유 여부가 주요 속성 정보로 획득되었다고 가정한다.
이때, 자가 적응형 의료 데이터 분석 장치(100)는 S710 단계에서 입력받은 환자 데이터가 APOE 유전자를 보유하고 S730 단계에서 치매로 추론된 경우, 치매로 진단된 환자들의 환자 데이터 중에서 APOE 유전자를 보유한 사람들의 통계 정보를 분석하고, 이를 의사에게 제공할 수 있다.
이와 같이, 자가 적응형 의료 데이터 분석 장치(100)는 질병에 대한 주요 속성 정보를 의사에게 제공함으로써, 환자 데이터에 대한 질병 추론 결과에 대한 자세한 근거를 의사에게 설명할 수 있으며, 의사의 의료적 의사 결정을 효과적으로 지원할 수 있다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 환자 데이터에 상응하는 환자에게 필요한 것으로 판단된 검사를 의사에게 추천할 수 있다. 다양한 치매 진단 모델에서 주요 속성으로 판단된 주요 속성 정보 중에서, 환자 데이터에 결측된 주요 속성 정보에 대한 검사를 추천 검사로 선택하고, 선택된 추천 검사의 정보를 출력하여 의사에게 제공할 수 있다.
이하에서는 도 8을 통하여 본 발명의 일실시예에 따른 자가 적응형 의료 데이터 분석 장치가 의료 모델을 자가 적응적으로 학습하는 방법에 대하여 더욱 상세하게 설명한다.
도 8은 본 발명의 일실시예에 따른 의료 모델을 자가 적응적으로 학습하는 방법을 설명하기 위한 순서도이다.
먼저, 자가 적응형 의료 데이터 분석 장치(100)는 의료 데이터 전처리를 수행한다(S810).
자가 적응형 의료 데이터 분석 장치(100)는 학습용 의료 데이터를 수집하고, 기 설정된 데이터 처리 규칙을 기반으로 수집된 의료 데이터에 대한 오류를 검사하고 전처리를 수행한다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 의료 데이터를 학습이 가능한 형태로 변환할 수 있으며, 의료 데이터에 결측된 값이 포함되어 있는지 여부를 검사할 수 있다. 그리고 자가 적응형 의료 데이터 분석 장치(100)는 결측된 값이 기 설정된 개수 이상 존재하는 경우, 의료 데이터에서 결측된 값에 대한 속성을 삭제할 수 있다.
자가 적응형 의료 데이터 분석 장치(100)가 의료 데이터 전처리를 수행하는 과정은 도 7의 S710 단계에서 환자 데이터에 대한 전처리를 수행하는 과정과 실질적으로 동일한 바, 중복되는 설명은 생략한다.
그리고 자가 적응형 의료 데이터 분석 장치(100)는 새로운 의료 모델을 학습하고(S820), 기존 의료 모델을 증분 학습한다(S830).
자가 적응형 의료 데이터 분석 장치(100)는 SupportVector Machine, Deep Neural Network, Gradient Descent 등의 다양한 학습 알고리즘을 이용하여, 새로운 의료 모델을 학습할 수 있다. 이때, 자가 적응형 의료 데이터 분석 장치(100)는 데이터 분석가와 같은 사용자의 개입 없이, 기 정의된 다양한 조합의 하이퍼파라미터를 이용하여 자가 적응적으로 의료 모델을 생성할 수 있다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 기존의 의료 모델에 대한 증분 학습을 수행할 수 있다. S810 단계에서 새로 수집된 의료 데이터의 속성과 기존의 의료 모델의 메타데이터를 비교하여 증분 학습의 수행이 가능한 의료 모델을 검색하고, 검색된 의료 모델에 대한 증분 학습을 수행할 수 있다.
또한, 자가 적응형 의료 데이터 분석 장치(100)는 의료 모델의 신뢰도를 분석한다(S840).
자가 적응형 의료 데이터 분석 장치(100)는 S820 단계에서 새로 생성된 의료 모델 및 S830 단계에서 증분 학습된 의료 모델에 대한 신뢰도를 연산하고, 의료 모델의 신뢰도와 기 설정된 임계 신뢰도를 비교할 수 있다. 이때, 자가 적응형 의료 데이터 분석 장치(100)는 의료 모델의 학습 과정에서 연산된 의료 모델의 메타 데이터(예, 정확도, 정밀도, 재현율 등)를 기반으로 의료 모델의 신뢰도를 연산할 수 있다.
마지막으로 자가 적응형 의료 데이터 분석 장치(100)는 의료 모델 및 의료 모델에 상응하는 메타데이터를 저장한다(S850).
자가 적응형 의료 데이터 분석 장치(100)는 학습이 완료된 의료 모델을 해당 의료 모델의 메타데이터와 함께 저장한다. 여기서, 의료 모델의 메타데이터는 입력 속성, 학습 알고리즘, 하이퍼파라미터, 정확도, 정확도 편차, 정밀도, 재현율 등을 포함할 수 있다.
도 11은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 블록도이다.
도 11을 참조하면, 본 발명의 실시예는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1100)에서 구현될 수 있다. 도 11에 도시된 바와 같이, 컴퓨터 시스템(1100)은 버스(1120)를 통하여 서로 통신하는 하나 이상의 프로세서(1110), 메모리(1130), 사용자 인터페이스 입력 장치(1140), 사용자 인터페이스 출력 장치(1150) 및 스토리지(1160)를 포함할 수 있다. 또한, 컴퓨터 시스템(1100)은 네트워크(1180)에 연결되는 네트워크 인터페이스(1170)를 더 포함할 수 있다. 프로세서(1110)는 중앙 처리 장치 또는 메모리(1130)나 스토리지(1160)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1130) 및 스토리지(1160)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1131)이나 RAM(1132)을 포함할 수 있다.
따라서, 본 발명의 실시예는 컴퓨터로 구현된 방법이나 컴퓨터에서 실행 가능한 명령어들이 기록된 비일시적인 컴퓨터에서 읽을 수 있는 매체로 구현될 수 있다. 컴퓨터에서 읽을 수 있는 명령어들이 프로세서에 의해서 수행될 때, 컴퓨터에서 읽을 수 있는 명령어들은 본 발명의 적어도 한 가지 태양에 따른 방법을 수행할 수 있다.
이상에서와 같이 본 발명에 따른 자가 적응형 의료 데이터 분석 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 자가 적응형 의료 데이터 분석 장치
110: 의료 데이터 입력부 111: 의료 데이터 검사 모듈
115: 의료 데이터 전처리 모듈 120: 의료 모델 학습부
121: 학습 계획 모듈 123: 모델 생성 모듈
125: 모델 갱신 모듈 127: 모델 저장 모듈
130: 환자 데이터 입력부 131: 환자 데이터 검사 모듈
135: 환자 데이터 전처리 모듈 140: 질병 추론부
141: 모델 선택 모듈 143: 모델 학습 요청 모듈
145: 모델 실행 모듈 150: 추론 결과 출력부
151: 추론 결과 분석 모듈 155: 추가 검사 추천 모듈
900: 데이터 처리 규칙 1000: 질병 추론 모델
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 인터페이스 입력 장치
1150: 사용자 인터페이스 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크

Claims (20)

  1. 입력받은 환자 데이터에 대한 전처리를 수행하는 환자 데이터 입력부,
    의료 데이터를 이용하여 학습된 하나 이상의 의료 모델 중에서 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하고. 상기 환자 데이터에 대해 상기 의료 모델을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 질병 추론부, 그리고
    상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 추론 결과 출력부를 포함하고,
    상기 의료 모델은,
    하나 이상의 하이퍼파라미터를 포함하는 기계 학습 알고리즘을 기반으로, 상기 자가 적응형 의료 데이터 분석 장치가 자가 적응적으로 학습을 수행하여 생성한 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  2. 제1항에 있어서,
    상기 질병 추론부는,
    상기 환자 데이터와 학습된 하나 이상의 상기 의료 모델의 메타데이터를 비교하여, 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  3. 제2항에 있어서,
    상기 질병 추론부는,
    복수의 상기 의료 모델들이 검색된 경우, 검색된 상기 복수의 의료 모델들 중에서 의료 모델의 신뢰도가 가장 높은 상기 의료 모델을 선택하여 상기 환자 데이터에 대한 질병을 추론하거나, 상기 복수의 의료 모델들을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  4. 제2항에 있어서,
    상기 질병 추론부는,
    상기 질병의 추론 결과에 대한 신뢰 수준 분석을 수행하거나, 질병의 주요 속성 정보에 대한 통계 분석을 수행하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  5. 제4항에 있어서,
    상기 추론 결과 출력부는,
    상기 통계 분석의 결과를 기반으로, 상기 질병의 주요 속성 정보에 대한 검사 중에서 상기 환자 데이터에 결측된 검사를 추천하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  6. 제1항에 있어서,
    상기 환자 데이터 입력부는,
    입력된 상기 환자 데이터의 형식을 확인하거나, 상기 환자 데이터의 값이 정상 범위의 값인지 여부를 확인하고, 상기 환자 데이터의 정규화를 수행하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  7. 제1항에 있어서,
    기 저장된 다양한 조합의 상기 하이퍼파라미터를 이용하여, 상기 의료 모델을 생성하는 의료 모델 학습부를 더 포함하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  8. 제7항에 있어서,
    상기 의료 모델 학습부는,
    생성된 상기 의료 모델의 메타데이터를 기반으로, 상기 의료 모델의 신뢰도를 분석하고, 상기 의료 모델 및 상기 메타데이터를 저장하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  9. 제7항에 있어서,
    상기 의료 모델 학습부는,
    추가로 수집된 상기 의료 데이터를 이용하여 새로운 의료 모델을 학습하고, 상기 추가로 수집된 의료 데이터를 이용하여 기존의 상기 의료 모델을 증분 학습하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  10. 제7항에 있어서,
    상기 의료 모델 학습부는,
    상기 의료 모델이 검색되지 않은 경우, 기 저장된 상기 의료 데이터를 이용하여 상기 의료 모델을 생성하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 장치.
  11. 자가 적응형 의료 데이터 분석 장치에 의해 수행되는 자가 적응형 의료 데이터 분석 방법에 있어서,
    입력받은 환자 데이터에 대한 전처리를 수행하는 단계,
    의료 데이터를 이용하여 학습된 하나 이상의 의료 모델 중에서, 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하는 단계,
    상기 환자 데이터에 대해 상기 의료 모델을 실행하여, 상기 환자 데이터에 대한 질병을 추론하는 단계, 그리고
    상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 단계를 포함하고,
    상기 의료 모델은,
    하나 이상의 하이퍼파라미터를 포함하는 기계 학습 알고리즘을 기반으로, 상기 자가 적응형 의료 데이터 분석 장치가 자가 적응적으로 학습을 수행하여 생성한 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  12. 제11항에 있어서,
    상기 의료 모델을 검색하는 단계는,
    상기 환자 데이터와 학습된 하나 이상의 상기 의료 모델의 메타데이터를 비교하여, 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  13. 제12항에 있어서,
    상기 의료 모델을 검색하는 단계는,
    복수의 상기 의료 모델들이 검색된 경우, 검색된 상기 복수의 의료 모델들 중에서 의료 모델의 신뢰도가 가장 높은 상기 의료 모델을 선택하여 상기 환자 데이터에 대한 질병을 추론하거나, 상기 복수의 의료 모델들을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  14. 제12항에 있어서,
    상기 환자 데이터에 대한 질병을 추론하는 단계는,
    상기 질병의 추론 결과에 대한 신뢰 수준 분석을 수행하거나, 질병의 주요 속성 정보에 대한 통계 분석을 수행하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  15. 제14항에 있어서,
    상기 환자 데이터에 대한 질병 추론의 결과를 출력하는 단계는,
    상기 통계 분석의 결과를 기반으로, 상기 질병의 주요 속성 정보에 대한 검사 중에서 상기 환자 데이터에 결측된 검사를 추천하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  16. 제11항에 있어서,
    상기 전처리를 수행하는 단계는,
    입력된 상기 환자 데이터의 형식을 확인하거나, 상기 환자 데이터의 값이 정상 범위의 값인지 여부를 확인하는 단계, 그리고
    상기 환자 데이터의 정규화를 수행하는 단계를 포함하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  17. 제11항에 있어서,
    기 저장된 다양한 조합의 상기 하이퍼파라미터를 이용하여, 상기 의료 모델을 생성하는 단계를 더 포함하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  18. 제17항에 있어서,
    상기 의료 모델을 생성하는 단계는,
    생성된 상기 의료 모델의 메타데이터를 기반으로, 상기 의료 모델의 신뢰도를 분석하고, 상기 의료 모델 및 상기 메타데이터를 저장하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  19. 제17항에 있어서,
    추가로 수집된 상기 의료 데이터를 이용하여, 새로운 의료 모델을 학습하는 단계, 그리고
    상기 추가로 수집된 의료 데이터를 이용하여, 기존의 상기 의료 모델을 증분 학습하는 단계를 더 포함하는 것을 특징으로 하는 자가 적응형 의료 데이터 분석 방법.
  20. 자가 적응형 의료 데이터 분석 장치에 의해 수행되는 자가 적응형 의료 데이터 분석 방법에 있어서,
    추가로 수집된 의료 데이터에 대한 전처리를 수행하는 단계,
    하이퍼파라미터를 포함하는 기계 학습 알고리즘에 상기 의료 데이터를 적용하여 새로운 의료 모델을 학습하거나, 상기 의료 데이터를 이용하여 기존의 의료 모델을 증분 학습하여, 상기 의료 데이터에 대해 자가 적응적으로 학습을 수행하는 단계,
    학습된 상기 의료 모델의 메타데이터를 기반으로, 상기 의료 모델의 신뢰도를 분석하는 단계,
    상기 의료 모델 및 상기 의료 모델의 메타데이터를 저장하는 단계,
    환자 데이터가 입력된 경우, 저장된 상기 의료 모델의 상기 메타데이터를 기반으로 상기 환자 데이터에 상응하는 상기 의료 모델을 검색하는 단계,
    상기 환자 데이터에 대해 검색된 상기 의료 모델을 실행하여 상기 환자 데이터에 대한 질병을 추론하는 단계를 포함하는 자가 적응형 의료 데이터 분석 방법.
KR1020180025153A 2018-03-02 2018-03-02 자가 적응형 의료 데이터 분석 장치 및 방법 KR20190104713A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180025153A KR20190104713A (ko) 2018-03-02 2018-03-02 자가 적응형 의료 데이터 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180025153A KR20190104713A (ko) 2018-03-02 2018-03-02 자가 적응형 의료 데이터 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20190104713A true KR20190104713A (ko) 2019-09-11

Family

ID=67949017

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180025153A KR20190104713A (ko) 2018-03-02 2018-03-02 자가 적응형 의료 데이터 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20190104713A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220115397A (ko) * 2021-02-10 2022-08-17 재단법인 아산사회복지재단 진료 행위를 위한 통합 중개 시스템 및 이를 이용한 중개 방법
WO2023095942A1 (ko) * 2021-11-23 2023-06-01 주식회사 피디젠 비대면 치매 발병 고 위험군 예측방법 및 플랫폼

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100794516B1 (ko) 2007-12-03 2008-01-14 한국정보통신대학교 산학협력단 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100794516B1 (ko) 2007-12-03 2008-01-14 한국정보통신대학교 산학협력단 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220115397A (ko) * 2021-02-10 2022-08-17 재단법인 아산사회복지재단 진료 행위를 위한 통합 중개 시스템 및 이를 이용한 중개 방법
WO2023095942A1 (ko) * 2021-11-23 2023-06-01 주식회사 피디젠 비대면 치매 발병 고 위험군 예측방법 및 플랫폼

Similar Documents

Publication Publication Date Title
US20180150609A1 (en) Server and method for predicting future health trends through similar case cluster based prediction models
Bashir et al. BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting
Martins et al. Data mining for cardiovascular disease prediction
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
EP3895178A1 (en) System and method for providing health information
CN111492437A (zh) 支持医学决策的方法和系统
CN108780663A (zh) 数字个性化医学平台和系统
JP2018524137A (ja) 心理状態を評価するための方法およびシステム
Dabowsa et al. A hybrid intelligent system for skin disease diagnosis
WO2021151327A1 (zh) 分诊数据处理方法、装置、设备及介质
EP3599616A1 (en) System and method for providing a medical data structure for a patient
US11710572B2 (en) Experience engine-method and apparatus of learning from similar patients
CN112542242A (zh) 数据转换/症状评分
KR20190104713A (ko) 자가 적응형 의료 데이터 분석 장치 및 방법
WO2016006042A1 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
Kerut et al. Statistical and machine learning methodology for abdominal aortic aneurysm prediction from ultrasound screenings
US20200357524A1 (en) Apparatus for patient data availability analysis
CN114078593A (zh) 临床决策支持
GB2555381A (en) Method for aiding a diagnosis, program and apparatus
CN116864139A (zh) 疾病风险评估方法、装置、计算机设备及可读存储介质
KR102492685B1 (ko) 인공지능을 이용한 데이터 융합 방법 및 이를 위한 장치
Umar et al. Detection and diagnosis of psychological disorders through decision rule set formation
KR20170098414A (ko) 질병 자가 감별 진단 시스템
Kavitha et al. Online service for brain cancer detection and its types prediction using support vector machine with enhanced naive Bayes classifier
Liu et al. Quantitative risk analysis of treatment plans for patients with tumor by mining historical similar patients from electronic health records using federated learning