KR20190110834A - Prostate cancer pathologic step prediction method based on deep learning - Google Patents

Prostate cancer pathologic step prediction method based on deep learning Download PDF

Info

Publication number
KR20190110834A
KR20190110834A KR1020180032767A KR20180032767A KR20190110834A KR 20190110834 A KR20190110834 A KR 20190110834A KR 1020180032767 A KR1020180032767 A KR 1020180032767A KR 20180032767 A KR20180032767 A KR 20180032767A KR 20190110834 A KR20190110834 A KR 20190110834A
Authority
KR
South Korea
Prior art keywords
prostate cancer
variable
result value
deep learning
result
Prior art date
Application number
KR1020180032767A
Other languages
Korean (ko)
Other versions
KR102142754B1 (en
Inventor
최인영
김재권
노미정
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 KR1020180032767A priority Critical patent/KR102142754B1/en
Publication of KR20190110834A publication Critical patent/KR20190110834A/en
Application granted granted Critical
Publication of KR102142754B1 publication Critical patent/KR102142754B1/en

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
    • G16H50/20—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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/34—Genitourinary disorders
    • G01N2800/342—Prostate diseases, e.g. BPH, prostatitis

Abstract

The present invention relates to a prostate cancer pathologic step prediction method based on deep learning. A prostate cancer pathologic step prediction method based on deep learning according to the present invention is to predict the pathologic stage of prostate cancer using an artificial intelligence neural network trained through deep learning. The prostate cancer pathologic step prediction method includes: a step of deriving a first result value by inputting variables influencing prostate cancer to an artificial intelligence neural network with different weights for each pathologic step; and a step of inputting the first result value again to the formula value of the artificial intelligence neural network and deriving a second result value while changing the weight value.

Description

딥러닝 기반의 전립선암 병리학적 단계 예측 방법{Prostate cancer pathologic step prediction method based on deep learning}Prostate cancer pathologic step prediction method based on deep learning}

본 발명은 딥러닝 기반의 전립선암 병리학적 단계 예측 방법에 관한 것으로, 더욱 상세하게는 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하되, 적은 횟수의 학습에 의해서도 신뢰도 있는 결과 도출을 가능하게 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법에 관한 것이다. The present invention relates to a method for predicting pathology of prostate cancer based on deep learning, and more specifically, to predict the pathological stage of prostate cancer using artificial neural networks learned through deep learning, but also by a small number of learning. Deep learning-based prostate cancer pathological stage prediction method that enables reliable results.

인공지능 기술은 현재 세계적으로 각광받는 기술로 의료, 전자, 기계 등 다양한 산업에 큰 장점으로 활용될 수 있는 핵심 기술로, 의료 분야에 이용될 시에 보다 정확하고 빠른 진단 및 치료를 가능케 함으로써 국민 복지 증진은 물론 의료 기술 발전에 이바지할 수 있다. AI technology is the world's most popular technology, and it is a core technology that can be used as a great advantage in various industries such as medical, electronic, and mechanical. It can also contribute to the advancement of medical technology.

특히, 암정보를 정밀하게 취득하기 위한 암진단 또는 암예측 기술에 이러한 인공지능 기술이 접목된다면, 더욱 정밀하고 신속하게 환자의 병변부위를 예측하거나 치료할 수 있게 된다. In particular, when such artificial intelligence technology is combined with cancer diagnosis or cancer prediction technology for precisely acquiring cancer information, it is possible to predict or treat a patient's lesion area more precisely and quickly.

그러나, 종래기술에 의한 딥러닝 기반의 암 예측 방법의 경우, 신뢰성 있는 결과 도출을 위해 학습 횟수를 늘리는 것에 의존하기 때문에, 결과 도출까지 많은 시간이 걸리게 됨에 따라, 적시에 정확한 예측을 할 수 없는 문제점이 있었다. However, since the deep learning based cancer prediction method according to the prior art relies on increasing the number of learning to produce a reliable result, it takes a long time until the result is derived, and thus it is not possible to make accurate predictions in a timely manner. There was this.

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측할 수 있게 하여 그 예측 결과를 다른 지표와 함께 활용하여 정밀한 병리학적 결과 도출을 가능하게 하고, 학습횟수를 늘리지 않고도 신뢰도 있는 결과 도출을 가능하게 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법을 제공하고자 하는 것이다. The present invention has been made to solve the above problems, it is possible to predict the pathological stage of prostate cancer using the artificial intelligence neural network learned through deep learning to utilize the prediction results with other indicators for precise pathology The purpose of this study is to provide a deep learning-based prognostic cancer pathological stage prediction method that enables to derive positive results and to produce reliable results without increasing the number of learning.

상기 목적을 달성하기 위한 본 발명에 의한 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로, 상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망에 입력시켜 제1결과값을 도출하는 단계; 및 상기 제1결과값을 상기 인공지능 신경망의 수식값에 재차 입력하되 상기 가중치를 변경하면서 제2결과값을 도출하는 단계;를 포함하여 이루어지는 것을 특징으로 한다. Deep learning-based prostate cancer pathological stage prediction method according to the present invention for achieving the above object, to predict the pathological stage of prostate cancer using an artificial intelligence neural network learned through deep learning, the prostate cancer Deriving a first result value by inputting variables influencing to the artificial intelligence neural network with different weights for each of the pathological stages; And deriving a second result value while inputting the first result value again to a formula value of the artificial intelligence neural network while changing the weight.

상기 변수들은, 전립선 특이항원 수치(PSA)인 제1변수, 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)인 제2변수와 두번째 큰 지표(Secondary Gleason score)인 제3변수, 전문가 소견에 의한 병리학적 단계(Clinical T Stage)인 제4변수, 초음파 결과(TRUS)인 제5변수 및 환자의 나이(AGE)인 제6변수의 조합으로 이루어지는 것이 바람직하다. These variables include the first variable, which is the prostate specific antigen level (PSA), the second variable, which is the largest indicator of malignancy of prostate cancer, and the third variable, which is the second largest indicator, the expert It is preferable that the combination consists of a fourth variable, which is a clinical T stage according to the findings, a fifth variable, which is an ultrasound result (TRUS), and a sixth variable, which is the age of the patient (AGE).

상기 변수들은, 상기 나이인 제6변수를 제외한 나머지 변수들, 전립선 특이항원 수치(PSA), 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)와 두번째 큰 지표(Secondary Gleason score), 전문가 소견에 의한 병리학적 단계(Clinical T Stage) 및 초음파 결과(TRUS)인 것이 바람직하다. These variables include all but the sixth variable, age, Prostate Specific Antigen Level (PSA), Primary Gleason score and Secondary Gleason score of prostate cancer, Expert It is preferred to be the pathological stage (Clinical T Stage) and ultrasound results (TRUS) by the findings.

상기 변수들은, 상기 전립선암 진단을 위해 확보되어야 하는 상기 제1변수, 제2변수, 제3변수 및 제4변수를 그룹으로 한 제1케이스의 결과값을 기준값으로 산출하고, 상기 제1케이스와 나이를 포함한 제2케이스의 결과값, 상기 제1케이스와 초음파 결과를 포함한 제3케이스의 결과값 및 상기 제3케이스의 결과값에 나이를 포함한 제4케이스의 결과값을 각각 산출한 후 상기 기준값과 비교하여, 가장 높은 신뢰도값을 가지는 결과값에 기초하여 선정되는 것이 바람직하다. The variables may be calculated based on the result of the first case grouping the first variable, the second variable, the third variable, and the fourth variable to be secured for diagnosis of the prostate cancer. The reference value is calculated after calculating the result value of the second case including age, the result value of the third case including the first case and the ultrasound result, and the result value of the fourth case including age in the result value of the third case. Compared with, it is preferable to be selected based on the result value having the highest reliability value.

상술한 바와 같은 구성을 가지는 본 발명에 의한 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 전립선암에 영향을 미치는 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 인공지능 신경망을 통해 학습이 이루어지게 됨에 따라, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 하여 전립선암의 신속한 병리학적 단계 예측을 가능하고 하는 장점과, 인경지능 신경망을 거쳐 얻어진 결과값을 가중치를 달리 하여 재차 그 신경망의 수학식에 입력하여 연속적인 결과를 얻게 함으로써, 기존 여러가지 머신러닝 기반 학습모델과 비교할 때, 학습횟수를 늘리지 않고도 전립선암에 대한 더욱 신뢰성 있는 결과 도출을 가능하게 하는 장점을 가진다. Deep learning-based prostate cancer pathological stage prediction method according to the present invention having the configuration as described above, the artificial neural network consisting of a single layer with weights and equations corresponding to variables affecting prostate cancer As learning is achieved through the use of a plurality of layers, it is possible to minimize the learning, rather than learning through multiple layers. By differently inputting the neural network's equations again to obtain continuous results, compared with existing machine learning based learning models, it has the advantage of enabling more reliable results for prostate cancer without increasing the number of learning. .

도 1은 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법의 입출력 흐름을 설명하기 위한 도면.
도 2 및 도 3은 본 발명 일실시예의 장점을 설명하기 위한 도면들.
도 4 및 도 5는 본 발명 일실시예의 변수 선정 방법 및 그 선정된 변수들에 의한 장점을 설명하기 위한 도면들.1 is a view for explaining the input and output flow of the deep learning-based prostate cancer pathological stage prediction method according to an embodiment of the present invention.
2 and 3 are views for explaining the advantages of one embodiment of the present invention.
4 and 5 are diagrams for explaining the variable selection method and the advantages of the selected variable of the embodiment of the present invention.

이하에서는 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법을 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, a deep learning based prostate cancer pathological stage prediction method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법의 입출력 흐름을 설명하기 위한 도면이고, 도 2 및 도 3은 본 발명 일실시예의 장점을 설명하기 위한 도면들이며, 도 4 및 도 5는 본 발명 일실시예의 변수 선정 방법 및 그 선정된 변수들에 의한 장점을 설명하기 위한 도면들이다. 1 is a view for explaining the input and output flow of the deep learning-based prostate cancer pathological stage prediction method according to an embodiment of the present invention, Figures 2 and 3 are views for explaining the advantages of an embodiment of the present invention 4 and 5 are diagrams for explaining a method of selecting a variable and advantages of the selected variable according to an embodiment of the present invention.

도 1에 잘 도시된 바와 같이, 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 딥러닝을 통해 학습된 인공지능 신경망(2)을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로, 종래의 립러닝 방식인 학습횟수를 늘려 결과값의 신뢰도를 높이는 방법과는 달리, 최소한의 학습에 의해서도 신뢰성 있는 결과 도출이 가능하도록, 학습횟수를 줄이는 대신에 연속적인 2-step을 거쳐 결과값을 도출하도록 구성되었다. As shown in Figure 1, deep learning-based prostate cancer pathological stage prediction method according to an embodiment of the present invention, using the artificial neural network (2) learned through deep learning pathology of prostate cancer Unlike the method of increasing the number of learning, which is a conventional lip learning method, to increase the reliability of the result value, the step is predicted in order to predict a reliable result with a minimum of learning. It is configured to derive the result through -step.

즉, 본 실시예는, 최소한의 학습을 통해 얻어지는 제1결과값(3)을 도출하고, 연속적으로 제2결과값(4)을 도출하도록 구성되었다. That is, the present embodiment is configured to derive the first result value 3 obtained through the minimum learning, and to continuously derive the second result value 4.

상기 제1결과값(3)은, 상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망(2)에 입력시킴으로써 도출된다. 여기서, 상기 인공지능 신경망(2)은 상기 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 RBM(Restricted Boltzmann machine) 신경망(2)인 것으로, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 한다. The first result value 3 is derived by inputting the variables influencing the prostate cancer into the artificial intelligence neural network 2 which are weighted differently in each of the pathological stages. Here, the artificial intelligence neural network (2) is a Restricted Boltzmann machine (RBM) neural network (2) composed of one layer having weights and equations corresponding to the variables, and at least not a lot of learning through a plurality of layers. Enable learning.

상기 제2결과값(4)은, 상기 제1결과값(3)을 상기 인공지능 신경망(2)의 수학식에 재차 입력하되 상기 가중치를 변경하면서 얻어지게 된다. 즉, 본 실시예에 의해 얻고자 하는 이상적인 결과값은 전립선암의 병리학적 단계인 각 Stage에 해당하는지에 대한 여부인 '1'또는 '0'이다. 그러나, 인공지능 신경망을 통해서도 '1' 또는 '0'의 결과값으로 귀결되기 어려운 수많은 데이터가 존재하게 되는데, 이 경우 이러한 데이터의 결과값을 재차 상기 수학식에 입력하고 가중치를 미리 설정된 값으로 변경 적용하게 되면, '1'과 '0'의 이상적인 결과가 도출된다.The second result value 4 is obtained by again inputting the first result value 3 into the equation of the artificial intelligence neural network 2 but changing the weight. That is, the ideal result to be obtained by the present embodiment is '1' or '0', which corresponds to whether each stage is a pathological stage of prostate cancer. However, even through the artificial neural network, there is a large amount of data that is difficult to result in a result value of '1' or '0'. In this case, the result value of such data is input again into the above equation and the weight is changed to a preset value. When applied, the ideal result of '1' and '0' is obtained.

이와 같이, 본 발명의 일실시예에 따른 딥러닝 기반의 전립선암 병리학적 단계 예측 방법은, 전립선암에 영향을 미치는 변수들에 대응되는 가중치와 수학식을 가진 하나의 layer로 이루어진 인공지능 신경망(2)을 통해 학습이 이루어지게 됨에 따라, 복수의 layer를 통한 많은 학습이 아니라 최소한의 학습을 가능하게 하여 전립선암의 신속한 병리학적 단계 예측을 가능하고 하고, 인경지능 신경망(2)을 거쳐 얻어진 결과값을 가중치를 달리 하여 재차 그 신경망(2)의 수학식에 입력하여 연속적인 결과를 얻게 함으로써, 도 2 및 도 3에 잘 도시된 바와 같이, 기존 여러가지 머신러닝 기반 학습모델과 비교할 때, 학습횟수를 늘리지 않고도 전립선암에 대한 더욱 신뢰성 있는 결과 도출을 가능하게 하는 장점을 기대할 수 있게 한다. As described above, the deep learning-based prostate cancer pathological stage prediction method according to an embodiment of the present invention includes an artificial intelligence neural network having a single layer having weights and equations corresponding to variables affecting prostate cancer. As learning is made through 2), it is possible to predict the pathological stage of prostate cancer by enabling minimal learning rather than a lot of learning through a plurality of layers, and the results obtained through the artificial intelligence neural network (2). By varying the weights and inputting the values into the equation of the neural network 2 again to obtain continuous results, as shown in FIGS. 2 and 3, the number of trainings is compared when compared with existing various machine learning based learning models. The benefits of enabling more reliable outcomes for prostate cancer can be expected without increasing the risk of prostate cancer.

한편, 상기 인공지능 신경망(2)에 입력되는 변수들은, 전립선암에 가장 큰 영향을 미치는 요소인 6가지 변수들의 조합 중 어느 하나로 선정되었다. On the other hand, the variables input to the artificial intelligence neural network (2), was selected as one of the combination of the six variables, which is the factor most affecting the prostate cancer.

즉, 상기 변수들은, 전립선 특이항원(PSA) 수치인 제1변수(11), 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)인 제2변수(12)와 두번째 큰 지표(Secondary Gleason score)인 제3변수(13), 전문가 소견에 의한 병리학적 단계(Clinical T Stage)인 제4변수(14), 초음파 결과(TRUS)인 제5변수(15) 및 환자의 나이(AGE)인 제6변수(16)의 조합으로 이루어진다. In other words, the variables include the first variable 11 (PSA), the second variable (12) and the second largest indicator (the primary Gleason score) of the malignancy index of prostate cancer. score), the fourth variable (Clinical T Stage) (14), the fifth variable (15) (TRUS), and the patient's age (AGE) It consists of a combination of the sixth variable 16.

상기 제1변수(11)인 전립선 특이항원(PSA; prostate specific antigen)은 전립선의 상피세포에서 합성되는 단백분해 효소로 전립선 이외의 조직에서는 거의 발현되지 않아 전립선암의 선별에 이용되는 유용한 종양표지자이고, 상기 제2변수(12) 및 제3변수(13)에 해당하는 글리슨 점수(Gleason score)는 전립선암의 악성도 분류체계로 사용되는 것으로, 조직검사 검체를 판독하는 병리의사들이 매기는 점수인데 떼어낸 전립선에서 암이 가장 많은 부분을 차지하는 두 군데에 점수를 주고 이를 합한 점수에 해당한다. 그리고, 상기 제5변수(15)인 TRUS는 상기 PSA와 유사한 지표에 해당하는 것으로, PSA 검사와는 별개로 이루어지는 초음파 검사를 통해 확인되는 지표이다.Prostate specific antigen (PSA), the first variable (11), is a proteolytic enzyme synthesized in epithelial cells of the prostate and is rarely expressed in tissues other than the prostate, and is a useful tumor marker for selection of prostate cancer. The Gleason score corresponding to the second variable 12 and the third variable 13 is used as a malignancy classification system of prostate cancer, and is a score given by pathologists who read biopsy specimens. It scores the two places where cancer is the largest part of the detached prostate, which is the combined score. The TRUS, which is the fifth variable 15, corresponds to an index similar to the PSA, and is an index checked through an ultrasound test that is separate from the PSA test.

본 실시예는, 도 4 및 도 5에 잘 도시된 바와 같이, 신뢰성이 높은 변수 그룹의 선정을 위해, 단계별로 반복적인 학습 결과를 도출하였다.As shown in FIGS. 4 and 5, the present embodiment derives repetitive learning results step by step in order to select a highly reliable variable group.

본 실시예에서 상기 변수들의 조합은, 먼저 전립선암 진단을 위해 확보되어야 하는 상기 제1변수(11), 제2변수(12), 제3변수(13) 및 제4변수(14)를 그룹으로 한 제1케이스(CASE 1)의 결과값을 기준값으로 산출하고, 다음으로 상기 제1케이스와 나이를 포함한 제2케이스(CASE 2)의 결과값, 상기 제1케이스와 초음파 결과를 포함한 제3케이스(CASE 3)의 결과값 및 상기 제3케이스의 결과값에 나이를 포함한 제4케이스(CASE 4)의 결과값을 각각 산출한 후 상기 기준값과 비교하여, 가장 높은 신뢰도값을 가지는 결과값에 기초하여 선정되었다. In the present embodiment, the combination of the variables may be a grouping of the first variable 11, the second variable 12, the third variable 13 and the fourth variable 14, which must first be secured for prostate cancer diagnosis. The result value of one case CASE 1 is calculated as a reference value, and then the result value of the second case CASE 2 including the first case and age, and the third case including the first case and ultrasound results. Based on the result value having the highest confidence value, the result value of (CASE 3) and the result value of the fourth case (CASE 4) including age in the result value of the third case are respectively calculated and compared with the reference value. Was selected.

이러한 구성을 가지는 본 실시예는, 전립선암의 병리학적 단계를 상기 선정된 변수들에 의한 인공지능 학습을 통해 신뢰성 있는 결과 예측을 가능하게 하는 장점을 기대할 수 있게 한다. The present embodiment having such a configuration makes it possible to expect the advantage of enabling the prediction of reliable results through AI learning by the selected variables in the pathological stage of prostate cancer.

이상 본 발명의 다양한 실시예에 대하여 설명하였으나, 본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다. Although various embodiments of the present invention have been described above, the present embodiment and the accompanying drawings are only clearly showing a part of the technical spirit included in the present invention, and are included in the specification and drawings of the present invention. Modifications and specific embodiments that can be easily inferred by those skilled in the art within the scope of the technical idea will be apparent to be included in the scope of the present invention.

11:제1변수 12:제2변수
13:제3변수 14:제4변수
15:제5변수 16:제6변수
2:인공지능 신경망 3:제1결과값
4:제2결과값11: first variable 12: second variable
13: Third Variable 14: Fourth Variable
15: fifth variable 16: sixth variable
2: artificial intelligence neural network 3: first result
4: second result

Claims (4)

딥러닝을 통해 학습된 인공지능 신경망을 이용하여 전립선암의 병리학적 단계를 예측하기 위한 것으로,
상기 전립선암에 영향을 미치는 변수들을, 상기 각 병리학적 단계별로 서로 다른 가중치가 부여된 상기 인공지능 신경망에 입력시켜 제1결과값을 도출하는 단계; 및
상기 제1결과값을 상기 인공지능 신경망의 수식값에 재차 입력하되 상기 가중치를 변경하면서 제2결과값을 도출하는 단계;를 포함하여 이루어지는 것을 특징으로 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법.To predict the pathological stage of prostate cancer using artificial neural networks learned through deep learning.
Deriving a first result value by inputting variables influencing the prostate cancer to the artificial intelligence neural network with different weights for each pathological step; And
Inputting the first result value again into a formula of the artificial intelligence neural network, and deriving a second result value by changing the weight; . 제1항에 있어서,
상기 변수들은, 전립선 특이항원 수치(PSA)인 제1변수, 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)인 제2변수와 두번째 큰 지표(Secondary Gleason score)인 제3변수, 전문가 소견에 의한 병리학적 단계(Clinical T Stage)인 제4변수, 초음파 결과(TRUS)인 제5변수 및 환자의 나이(AGE)인 제6변수의 조합으로 이루어지는 것을 특징으로 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법.The method of claim 1,
These variables include the first variable, which is the prostate specific antigen level (PSA), the second variable, which is the largest indicator of malignancy of prostate cancer, and the third variable, which is the second largest indicator, the expert Deep learning-based prostate cancer, characterized by a combination of a fourth variable, a clinical T stage, a fifth variable, an ultrasound result (TRUS), and a sixth variable, an age of the patient (AGE). Pathological stage prediction method. 제2항에 있어서,
상기 변수들은, 상기 나이인 제6변수를 제외한 나머지 변수들, 전립선 특이항원 수치(PSA), 전립선암의 악성도 지표 중 제일 큰 지표(Primary Gleason score)와 두번째 큰 지표(Secondary Gleason score), 전문가 소견에 의한 병리학적 단계(Clinical T Stage) 및 초음파 결과(TRUS)인 것을 특징으로 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법.The method of claim 2,
These variables include all but the sixth variable, age, Prostate Specific Antigen Level (PSA), Primary Gleason score and Secondary Gleason score of prostate cancer, Expert Deep learning-based prostate cancer pathological stage prediction method characterized in that the pathological stage (Clinical T Stage) and ultrasound results (TRUS). 제3항에 있어서,
상기 변수들은,
상기 전립선암 진단을 위해 확보되어야 하는 상기 제1변수, 제2변수, 제3변수 및 제4변수를 그룹으로 한 제1케이스의 결과값을 기준값으로 산출하고,
상기 제1케이스와 나이를 포함한 제2케이스의 결과값, 상기 제1케이스와 초음파 결과를 포함한 제3케이스의 결과값 및 상기 제3케이스의 결과값에 나이를 포함한 제4케이스의 결과값을 각각 산출한 후 상기 기준값과 비교하여,
가장 높은 신뢰도값을 가지는 결과값에 기초하여 선정되는 것을 특징으로 하는 딥러닝 기반의 전립선암 병리학적 단계 예측 방법. The method of claim 3,
The variables are
Calculating a result value of a first case in which the first variable, the second variable, the third variable, and the fourth variable to be secured for prostate cancer diagnosis are calculated as reference values,
A result value of the second case including the first case and age, a result value of the third case including the first case and the ultrasound result, and a result value of the fourth case including age in the result value of the third case, respectively After calculating and comparing with the reference value,
Deep learning-based prostate cancer pathological stage prediction method characterized in that the selection based on the result with the highest confidence value.
KR1020180032767A 2018-03-21 2018-03-21 Prostate cancer pathologic step prediction method based on deep learning KR102142754B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180032767A KR102142754B1 (en) 2018-03-21 2018-03-21 Prostate cancer pathologic step prediction method based on deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180032767A KR102142754B1 (en) 2018-03-21 2018-03-21 Prostate cancer pathologic step prediction method based on deep learning

Publications (2)

Publication Number Publication Date
KR20190110834A true KR20190110834A (en) 2019-10-01
KR102142754B1 KR102142754B1 (en) 2020-08-07

Family

ID=68207943

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180032767A KR102142754B1 (en) 2018-03-21 2018-03-21 Prostate cancer pathologic step prediction method based on deep learning

Country Status (1)

Country Link
KR (1) KR102142754B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210084215A (en) 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 A treatment planning system for prostate cancer using prediction data
KR20210084214A (en) 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 A recurrence prediction system based on deep learning for prostate cancer using time series data of examination
KR20210128901A (en) * 2020-04-17 2021-10-27 서울대학교병원 Device and method for predicting intracranial aneurysm risk
WO2022054976A1 (en) * 2020-09-08 2022-03-17 (주)유로테크 Method for calculating prostate cancer diagnostic score, and uses thereof
KR102429626B1 (en) * 2022-02-21 2022-08-05 가천대학교 산학협력단 An artificial intelligence system that derives the variable contribution to the variables that determine the optimal chemotherapy and the optimal anti-cancer chemotherapy for colorectal cancer patients
US11676724B1 (en) 2020-09-08 2023-06-13 Urotech. Co., Ltd. Method of calculating diagnostic score for prostate cancer and use thereof

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011255106A (en) 2010-06-11 2011-12-22 Nagoya Institute Of Technology Cognitive dysfunction danger computing device, cognitive dysfunction danger computing system, and program
KR20130050707A (en) 2011-11-08 2013-05-16 삼성전자주식회사 The apparutus and method for classify input pattern promptly using artificial neural network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011255106A (en) 2010-06-11 2011-12-22 Nagoya Institute Of Technology Cognitive dysfunction danger computing device, cognitive dysfunction danger computing system, and program
KR20130050707A (en) 2011-11-08 2013-05-16 삼성전자주식회사 The apparutus and method for classify input pattern promptly using artificial neural network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
비특허문헌 1 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210084215A (en) 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 A treatment planning system for prostate cancer using prediction data
KR20210084214A (en) 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 A recurrence prediction system based on deep learning for prostate cancer using time series data of examination
KR20210128901A (en) * 2020-04-17 2021-10-27 서울대학교병원 Device and method for predicting intracranial aneurysm risk
WO2022054976A1 (en) * 2020-09-08 2022-03-17 (주)유로테크 Method for calculating prostate cancer diagnostic score, and uses thereof
US11676724B1 (en) 2020-09-08 2023-06-13 Urotech. Co., Ltd. Method of calculating diagnostic score for prostate cancer and use thereof
KR102429626B1 (en) * 2022-02-21 2022-08-05 가천대학교 산학협력단 An artificial intelligence system that derives the variable contribution to the variables that determine the optimal chemotherapy and the optimal anti-cancer chemotherapy for colorectal cancer patients

Also Published As

Publication number Publication date
KR102142754B1 (en) 2020-08-07

Similar Documents

Publication Publication Date Title
KR20190110834A (en) Prostate cancer pathologic step prediction method based on deep learning
CN110366759B (en) System for diagnosing disease using neural network and method thereof
CN108095716B (en) Electrocardiosignal detection method based on confidence rule base and deep neural network
Yoon et al. Tumor identification in colorectal histology images using a convolutional neural network
CA2624970C (en) Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition
Kumar et al. Convolutional neural networks for prostate cancer recurrence prediction
JP7146300B2 (en) TWO-PHASE DISEASE DIAGNOSTIC SYSTEM AND METHOD
Zheng et al. Application of transfer learning and ensemble learning in image-level classification for breast histopathology
CN107103201A (en) Generation method, device and the medical path air navigation aid of medical guidance path
CN110111885B (en) Attribute prediction method, attribute prediction device, computer equipment and computer readable storage medium
CN112215807A (en) Cell image automatic classification method and system based on deep learning
CN111530081B (en) Game level design method and device, storage medium and electronic equipment
Stoean et al. Ensemble of classifiers for length of stay prediction in colorectal cancer
CN105574356A (en) Breast tumor modeling and diagnostic method
Dietrich et al. Towards explainable end-to-end prostate cancer relapse prediction from H&E images combining self-attention multiple instance learning with a recurrent neural network
Wong et al. Patient centered care for prostate cancer—how can artificial intelligence and machine learning help make the right decision for the right patient?
CN109101883A (en) A kind of Depression trend evaluating apparatus and system
CN115858820B (en) Prediction method and device based on medical knowledge graph, electronic equipment and storage medium
Zheng et al. Improve follicular thyroid carcinoma diagnosis using computer aided diagnosis system on ultrasound images
CN112382382B (en) Cost-sensitive integrated learning classification method and system
de Oliveira Torres et al. Texture analysis of lung nodules in computerized tomography images using functional diversity
CN114373546A (en) Disease risk assessment method, device and storage medium
Singh et al. Pneumonia detection with game-theoretic rough sets
Alexandratou et al. Evaluation of machine learning techniques for prostate cancer diagnosis and Gleason grading
Vakili et al. Multi-class primary morphology lesions classification using deep convolutional neural network

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
GRNT Written decision to grant