KR20190131267A - 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템 - Google Patents

기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템 Download PDF

Info

Publication number
KR20190131267A
KR20190131267A KR1020180055922A KR20180055922A KR20190131267A KR 20190131267 A KR20190131267 A KR 20190131267A KR 1020180055922 A KR1020180055922 A KR 1020180055922A KR 20180055922 A KR20180055922 A KR 20180055922A KR 20190131267 A KR20190131267 A KR 20190131267A
Authority
KR
South Korea
Prior art keywords
prediction
coronary artery
data
artery disease
machine learning
Prior art date
Application number
KR1020180055922A
Other languages
English (en)
Other versions
KR102081055B1 (ko
Inventor
최병걸
Original Assignee
고려대학교 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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020180055922A priority Critical patent/KR102081055B1/ko
Publication of KR20190131267A publication Critical patent/KR20190131267A/ko
Application granted granted Critical
Publication of KR102081055B1 publication Critical patent/KR102081055B1/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
    • G16H50/20—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
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • 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)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템에 관한 것이다. 상기 관상 동맥 질환 예측 방법은 학습용 데이터를 이용한 기계 학습 과정과 예측 과정으로 이루어진다. 기계 학습 과정은, 학습용 데이터들을 이용하여 다수 개의 기계 학습 알고리즘들을 학습시켜 1차 예측 모델들을 생성하고, 1차 예측 모델들을 이용하여 얻는 예측 결과값들의 조합을 이용하여 강화 학습하여 다수 개의 기계 학습 알고리즘들에 대한 2차 예측 모델들을 다시 생성하고, 상기 2차 예측 모델들 중 가장 정확도가 높은 모델을 측정 예측 모델로 설정한다. 예측 과정은, 환자에 대한 실제 데이터들을 1차 예측 모델들에 적용하여 예측 결과값 세트를 획득하고, 상기 획득된 예측 결과값 세트와 실제 데이터를 상기 측정 예측 모델에 적용하여 실제 예측을 수행한다. 전술한 과정들에 의하여, 관상 동맥 질환에 대하여 정확하게 예측할 수 있게 된다.

Description

기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템{Method and system for prediction of Coronary Artery Disease by using machine learning}
본 발명은 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템에 관한 것으로서, 더욱 구체적으로는 다수 개의 기계 학습 알고리즘들을 이용하여 학습용 데이터들을 학습하여 다수 개의 1차 예측 모델들을 생성한 후, 다수 개의 1차 예측 모델들에 따른 예측 결과값들의 조합에 의한 예측 결과값 세트를 이용하여 강화 학습하여 다수 개의 2차 예측 모델들을 생성하고, 이러한 학습에 의해 생성된 2차 예측 모델들 중 가장 예측 정확도가 높은 모델을 이용하여 실제로 관상 동맥 질환을 정확하게 예측하는 것을 특징으로 하는 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템에 관한 것이다.
인체 조직은 혈관, 즉 동맥을 통해 영양분과 산소 등을 공급받아 그 기능을 수행하게 된다. 심장 근육도 다른 조직들과 마찬가지로 심장을 둘러싸고 있는 동맥으로부터 혈액을 공급받아 움직이게 되는데, 심장 근육에 혈액을 공급하는 동맥이 바로 관상 동맥이다. 이러한 관상 동맥은 심장을 둘러싼 좌우관상동맥으로 이루어져 있다. 도 1은 심장의 동맥들, 관상 동맥의 협착에 따른 좌관상동맥과 우관상동맥을 도시한 것이다.
관상 동맥 질환(Coronary Artery Disease; CAD)은 동맥 경화, 혈전, 동맥 연축 등의 다양한 이유로 인하여 관상동맥이 좁아짐에 따라, 혈액 공급이 부족하게 되고 이로 인해 심근에 허혈이 나타남으로써 발생되는 질환이다. 대표적으로는 협심증, 심근경색증을 들 수 있다.
도 2는 관상 동맥 질환의 진료 현황 추이를 도시한 그래프이다. 도 2를 참조하면, 관상 동맥 질환 및 허혈성 심장 질환이 점차 증가됨을 확인할 수 있다.
아울러, 심장, 뇌혈관 질환은 단일 질환으로서 국내 1위의 사망원인이되고 있는 실정이다. 특히 가슴 통증을 호소하는 환자는 심근 경색, 급성 관동맥 증후군의 전조 증상일 수 있기 때문에 CT, 심혈관 조영술, 의사의 진단을 통한 통증의 원인 규명이 꼭 필요하다.
한편, 관상 동맥 조영술(coronary arteriography)은 관상 동맥 질환을 진단하는 가장 중요한 검사법으로서, 관상동맥협착의 위치와 정도를 파악할 수 있다. 따라서, 일반적으로 조영술의 결과를 통해 최종적으로 관상동맥질환을 진단하게 된다. 하지만, 관상동맥 조영술을 시행하기 전에, 환자에 대한 문진 데이터와 몇가지 검사와 의사의 진단을 통해, 관상동맥질환을 간단하면서도 정확하게 예측해낼 수 있는 시스템이 요구되고 있다.
한국공개특허공보 제 10-2013-0104883호
전술한 문제점을 해결하기 위한 본 발명의 목적은 기계 학습을 이용하여 높은 정확도를 갖는 관상 동맥 질환 예측 방법 및 시스템을 제공하는 것이다.
전술한 기술적 과제를 달성하기 위한 본 발명의 제1 특징에 따른 기계 학습 과정과 예측 과정을 구비하는 관상 동맥 질환 예측 방법에 있어서, 상기 기계 학습 과정은, (a1) 사전 설정된 다수 개의 예측용 변수들에 대한 정보 및 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 포함하는 학습용 데이터들을 입력받는 단계; (a2) 사전 설정된 적어도 둘 이상의 기계 학습 알고리즘들을 기반으로 하여, 상기 학습용 데이터들을 이용하여 1차 학습시켜 상기 기계 학습 알고리즘들의 각각에 대한 1차 예측 모델들을 생성하는 단계; (a3) 상기 학습용 데이터들을 이용하여 상기 1차 예측 모델들에 따른 예측 결과값들을 각각 획득하는 단계; (a4) 상기 예측 결과값들의 전부 또는 일부를 조합하여 예측 결과값 세트를 생성하는 단계; (a5) 상기 학습용 데이터들에 상기 예측 결과값 세트를 추가시켜 강화 학습용 데이터를 생성하는 단계; (a6) 상기 강화 학습용 데이터를 이용하여 상기 기계 학습 알고리즘들을 강화 학습시켜, 상기 기계 학습 알고리즘들에 대한 2차 예측 모델들을 생성하는 단계; (a7) 상기 2차 예측 모델들 중 예측 정확도가 가장 우수한 2차 예측 모델을 선택하고, 상기 선택된 2차 예측 모델을 최종 예측 모델로 설정하는 단계;를 구비한다.
전술한 제1 특징에 따른 관상 동맥 질환 예측 방법에 있어서, 상기 예측 과정은, (b1) 상기 사전 설정된 다수 개의 예측용 변수들에 대한 데이터들을 입력받는 단계; (b2) 상기 입력된 데이터를 상기 1차 예측 모델들에 적용하여 상기 기계 학습 알고리즘들의 각각에 대한 예측 결과값들을 생성하고, 상기 예측 결과값들의 일부 또는 전부를 조합하여 예측 결과값 세트를 생성하는 단계; (b3) 상기 예측 결과값 세트와 상기 데이터들을 상기 최종 예측 모델에 적용하여 최종 예측값을 획득하는 단계;를 구비한다.
전술한 제1 특징에 따른 관상 동맥 질환 예측 방법에 있어서, 상기 적어도 둘 이상의 기계 학습 알고리즘들은, 로지스틱 회귀(Logistic regression) 알고리즘, 선형 판별 분석(Linear discriminant analysis) 알고리즘, 컴플렉스 트리(Complex Tree) 알고리즘, 선형 서포트 벡터 머신(Support Vector Machine;SVM) 알고리즘, K-최근접 이웃(K-Nearest Neighbor; K-NN) 알고리즘 중 적어도 둘 이상을 포함하는 것이 바람직하다.
전술한 제1 특징에 따른 관상 동맥 질환 예측 방법에 있어서, 상기 학습용 데이터를 구성하는 예측용 변수들은, Sex(성별), Age(나이), History of CAD(관상동맥질환의 과거력), Hypertension(고혈압), Diabetes(당뇨), Dyslipidemia(이상지질혈증), Stroke(뇌졸증), PAOD(말초혈관질환), CKD(만성신장병), Current smokers(현재 흡연력), Current alcohol drinking(현재 음주력), Elevated cardiac enzyme(혈관 조영술 이전의 심근효소검사 이상여부), EKG before CAG(혈관 조영술 이전의 심전도 결과) 및 Pre-diagnosis before CAG(혈관 조영술 이전의 의사진단 정보)를 포함하는 것이 바람직하다.
전술한 제1 특징에 따른 관상 동맥 질환 예측 방법에 있어서, 상기 학습용 데이터를 구성하는 혈관 조영술 결과(Angiographic outcomes)에 따른 관상 동맥 질환 정보는, Coronary artery spasm(혈관경련), Myocardial bridge(심장 혈관근육이상), Coronary stenosis 50-70%(중등도의 혈관 협착병변), Final diagnosis after CAG(혈관 조영술이후 최종 진단), Acute myocardial infarction(급성심근경색), ST-segment elevation(ST분절 상승　급성심근경색), Non-ST-segment elevation(비-ST분절 상승　급성심근경색), Stable angina(안정형 협심증), Unstable angina(불안정형 협심증) 중 하나 이상을 포함하는 것이 바람직하다.
본 발명의 제2 특징에 따른 관상 동맥 질환 예측 시스템은, 사전 설정된 학습용 데이터들을 구비하는 데이터베이스, 기계 학습 장치 및 예측 장치를 구비하고,
상기 학습용 데이터들은 사전 설정된 다수 개의 예측용 변수들에 대한 정보 및 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 포함하는 것을 특징으로 하며,
상기 기계 학습 장치는, 사전 설정된 적어도 둘 이상의 기계 학습 알고리즘들을 기반으로 하여, 상기 학습용 데이터들을 이용하여 1차 학습시켜 상기 기계 학습 알고리즘들의 각각에 대한 1차 예측 모델들을 생성하는 1차 학습 모듈; 상기 학습용 데이터들을 이용하여 상기 1차 예측 모델들에 따른 예측 결과값들을 각각 획득하고, 상기 예측 결과값들의 전부 또는 일부를 조합하여 예측 결과값 세트를 생성하는 예측 결과값 생성 모듈; 상기 학습용 데이터들에 상기 예측 결과값 세트를 추가시켜 강화 학습용 데이터를 생성하는 강화 학습용 데이터 생성 모듈; 상기 강화 학습용 데이터를 이용하여 상기 기계 학습 알고리즘들을 강화 학습시켜, 상기 기계 학습 알고리즘들에 대한 2차 예측 모델들을 생성하는 강화 학습 모듈; 상기 2차 예측 모델들 중 가장 예측 정확도가 우수한 2차 예측 모델을 선택하고, 상기 선택된 2차 예측 모델을 최종 예측 모델로 설정하는 최종 예측 모델 설정 모듈; 를 구비하여, 1차 학습 모듈에 의한 적어도 둘 이상의 기계 학습 알고리즘들에 의한 1차 예측 모델들 및 최종 예측 모델을 설정한다.
전술한 제2 특징에 따른 관상 동맥 질환 예측 시스템에 있어서, 상기 예측 장치는, 상기 사전 설정된 다수 개의 예측용 변수들에 대한 환자 데이터들을 입력받는 입력 모듈; 상기 입력된 환자 데이터를 상기 1차 예측 모델들에 적용하여 상기 기계 학습 알고리즘들의 각각에 대한 예측 결과값들을 생성하고, 상기 예측 결과값들의 일부 또는 전부를 조합하여 예측 결과값 세트를 생성하는 1차 예측 모듈; 상기 예측 결과값 세트와 상기 환자 데이터들을 상기 최종 예측 모델에 적용하여 최종 예측값을 획득하는 2차 예측 모듈;을 구비하여, 관상 동맥 질환을 예측한다.
전술한 제2 특징에 따른 관상 동맥 질환 예측 시스템에 있어서, 상기 적어도 둘 이상의 기계 학습 알고리즘들은, 로지스틱 회귀(Logistic regression) 알고리즘, 선형 판별 분석(Linear discriminant analysis) 알고리즘, 컴플렉스 트리(Complex Tree) 알고리즘, 선형 서포트 벡터 머신(Support Vector Machine;SVM) 알고리즘, K-최근접 이웃(K-Nearest Neighbor; K-NN) 알고리즘 중 적어도 둘 이상을 포함하는 것이 바람직하다.
본 발명에 따른 관상 동맥 질환 예측 시스템 및 방법은 관상 동맥 질환을 예측하는 정확도가 매우 우수하다.
도 9는 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서의 예측 성능을 도시한 도표이다. 도 9에 있어서, Model 1은 환자의 문진 데이터들만을 이용한 예측 방법이며, Model 2는 환자의 문진 데이터들과 검사 데이터들을 이용한 예측 방법이며, Model 3은 환자의 문진 데이터들, 검사 데이터들 및 의사의 진단 결과 정보를 이용한 예측 방법이며, Model 4는 본 발명에 따른 예측 방법으로서 Model 3에 따른 결과를 이용하여 강화학습한 예측 방법이다.
도 10은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 각 기계 학습 알고리즘들에 따른 예측 모델에 의한 예측 성능을 도시한 그래프이다.
도 9 및 도 10을 참조하면, 본 발명에 따른 Model 4의 Logistic regression 알고리즘이 정확도가 가장 우수함을 알 수 있다.
도 1은 심장의 동맥들, 관상 동맥의 협착에 따른 좌관상동맥과 우관상동맥을 도시한 것이다.
도 2는 관상 동맥 질환의 진료 현황 추이를 도시한 그래프이다.
도 3은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템의 구성을 전체적으로 도시한 블록도이다.
도 4는 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 학습용 데이터를 구성하는 예측용 변수들을 정리한 도표이다.
도 5는 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 학습용 데이터에 대한 레이블 정보를 구성하는 혈관 조영술의 결과 정보들을 정리한 도표이다.
도 6은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 학습용 데이터를 구성하는 예측용 변수들을 얻기 위한 정보 획득 속성 평가표를 도시한 그래프이다.
도 7은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 기계 학습 장치에 의한 기계 학습 과정을 순차적으로 도시한 흐름도이다.
도 8은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 예측 장치에 의한 예측 과정을 순차적으로 도시한 흐름도이다.
도 9는 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서의 예측 성능을 도시한 도표이다.
도 10은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 각 기계 학습 알고리즘들에 따른 예측 모델에 의한 예측 성능을 도시한 그래프이다.
본 발명은 다수 개의 기계 학습 알고리즘들을 이용하여 관상 동맥 질환 에 대한 1차 예측 모델들을 생성하고, 1차 예측 모델들을 이용하여 얻는 예측 결과값들의 조합을 이용하여 강화 학습하여 다수 개의 기계 학습 알고리즘들에 대한 2차 예측 모델들을 다시 생성하고, 상기 2차 예측 모델들 중 가장 정확도가 높은 모델을 측정 예측 모델로 설정한다. 한편, 환자에 대한 실제 데이터가 입력되면, 상기 1차 예측 모델들을 이용하여 예측 결과값 세트를 얻고, 예측 결과값 세트와 실제 데이터를 상기 측정 예측 모델에 적용하여 실제 예측을 수행하게 된다. 그 결과, 관상 동맥 질환에 대하여 매우 정확도가 높은 예측을 수행할 수 있게 된다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템 및 방법에 대하여 구체적으로 설명한다.
도 3은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템의 구성을 전체적으로 도시한 블록도이다.
도 3을 참조하면, 본 발명에 따른 관상 동맥 질환 예측 시스템(10)은, 데이터베이스(100), 기계 학습 장치(200) 및 예측 장치(300)를 구비한다.
상기 데이터베이스(100)는 사전 설정된 복수 개의 학습용 데이터들이 저장 및 관리된다. 상기 학습용 데이터들은 사전 설정된 다수 개의 예측용 변수들에 대한 정보 및 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 포함한다. 본 발명에 따른 예측 시스템은 지도 학습을 위하여 각 학습용 데이터의 예측용 변수들에 대하여 레이블(Lable) 정보를 포함시키는 것이 바람직하며, 레이블 정보로서 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 사용할 수 있다.
도 4는 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 학습용 데이터를 구성하는 예측용 변수들을 정리한 도표이다.
도 4를 참조하면, 상기 학습용 데이터를 구성하는 예측용 변수들은, (1) 환자들에 대한 문진 데이터들, (2) 검사 데이터들 및 (3) 의사에 의한 사전 진단 데이터들을 포함한다. 상기 문진 데이터들로는, Sex(성별), Age(나이), History of CAD(관상동맥질환의 과거력), Hypertension(고혈압), Diabetes(당뇨), Dyslipidemia(이상지질혈증), Stroke(뇌졸증), PAOD(말초혈관질환), CKD(만성신장병), Current smokers(현재 흡연력), Current alcohol drinking(현재 음주력)을 포함한다.
상기 검사 데이터들로는, Elevated cardiac enzyme(혈관 조영술 이전의 심근효소검사 이상여부), EKG before CAG(혈관 조영술 이전의 심전도 검사 결과)가 있으며, EKG before CAG(혈관 조영술 이전의 심전도 검사 결과)로는, New Q-wave, ST-segment elevation, ST-segment depression, Other EKG change를 포함한다.
상기 의사에 의한 사전 진단 데이터들로는, Pre-diagnosis before CAG(혈관 조영술 이전의 의사진단 정보)으로서, Acute myocardial infarction (급성심근경색), Unstable angina(불안정형 협심증), Stable angina(안정형 협심증)을 포함한다.
도 5는 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 학습용 데이터에 대한 레이블 정보를 구성하는 혈관 조영술의 결과 정보들을 정리한 도표이다.
도 5를 참조하면, 상기 학습용 데이터를 구성하는 Angiographic outcomes(혈관 조영술의 결과) 정보들은, Coronary artery spasm (혈관경련), Myocardial bridge(심장 혈관근육이상), Coronary stenosis 50-70%(중등도의 혈관 협착병변), Final diagnosis after CAG(혈관 조영술이후 최종 진단) 정보를 포함한다. 상기 Final diagnosis after CAG(혈관 조영술이후 최종 진단) 정보로는 ST-segment elevation Acute myocardial infarction (ST분절 상승　급성심근경색), Non-ST-segment elevation　Acute myocardial infarction(비 ST분절 상승　급성심근경색), Stable angina(안정형 협심증), Unstable angina(불안정형 협심증), Angina due to　Coronary artery spasm(혈관경련을 원인으로한 가슴　흉통), Angina due to　Myocardial bridge(심장 혈관근육이상을 원인으로한 가슴　흉통), Others (기타진단정보)을 포함한다.
전술한 예측용 변수들은 특정 정보의 구분 변수로서, 영향력을 수치화하는 방법인 정보 획득 속성 평가 방법을 이용하여 획득된다.
도 6은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 학습용 데이터를 구성하는 예측용 변수들을 얻기 위한 정보 획득 속성 평가표를 도시한 그래프이다. 도 6을 참조하면, 관상 동맥 질환 예측 모델에 사용되기 위해 선택된 특징 변수들에 대한 Information Gain Attribute Evaluation 을 알 수 있다.
상기 기계 학습 장치(200)는, 1차 학습 모듈(210), 예측 결과값 생성 모듈(220), 강화 학습용 데이터 생성 모듈(230), 강화 학습 모듈(240), 최종 예측 모델 설정 모듈(250)을 구비한다.
상기 1차 학습 모듈(210)은, 사전 설정된 적어도 둘 이상의 기계 학습 알고리즘들을 기반으로 하여, 상기 학습용 데이터들을 이용하여 1차 학습시켜 상기 기계 학습 알고리즘들에 대하여 관상 동맥 질환의 유무를 판단하는 1차 예측 모델들을 생성한다.
상기 적어도 둘 이상의 기계 학습 알고리즘들은, (1) 로지스틱 회귀(Logistic regression) 알고리즘, (2) 선형 판별 분석(Linear discriminant analysis) 알고리즘, (3) 컴플렉스 트리(Complex Tree) 알고리즘, (4) 선형 서포트 벡터 머신(Support Vector Machine;SVM) 알고리즘, (5) K-최근접 이웃(K-Nearest Neighbor; K-NN) 알고리즘 중 적어도 둘 이상을 포함하며, 전술한 5개의 알고리즘을 모두 포함하는 것이 가장 바람직하다. 전술한 기계 학습 알고리즘들은 모두 상용화되어 있는 공지 기술이므로, 본 명세서에서는 이들에 대하여 구체적인 설명을 생략한다.
상기 예측 결과값 생성 모듈(220)은, 상기 학습용 데이터들을 상기 1차 예측 모델들의 각각에 적용하여, 상기 1차 예측 모델들의 각각에 따른 예측 결과값들을 획득하고, 상기 획득된 예측 결과값들의 전부 또는 일부를 조합하여 예측 결과값 세트를 생성한다.
상기 강화 학습용 데이터 생성 모듈(230)은, 상기 학습용 데이터들에 상기 예측 결과값 세트를 추가시켜 강화 학습용 데이터를 생성한다.
상기 강화 학습 모듈(240)은, 상기 강화 학습용 데이터를 이용하여 상기 기계 학습 알고리즘들을 강화 학습시켜, 상기 기계 학습 알고리즘들에 대하여 관상 동맥 질환의 유무를 판단하는 2차 예측 모델들을 생성한다.
상기 최종 예측 모델 설정 모듈(250)은, 상기 2차 예측 모델들에 대하여 예측 정확도를 측정하고, 상기 2차 예측 모델들 중 예측 정확도가 가장 우수한 2차 예측 모델을 선택하고, 상기 선택된 2차 예측 모델을 최종 예측 모델로 설정한다.
전술한 본 발명에 따른 기계 학습 장치에 의하여, 모든 기계 학습 알고리즘들에 대한 1차 예측 모델들과 최종 예측 모델을 설정한다.
본 발명에 따른 관상 동맥 질환 예측 시스템의 예측 장치(300)는 입력 모듈(310), 1차 예측 모듈(320) 및 2차 예측 모듈(330)을 구비하고, 기계 학습 장치에 의해 획득된 모든 기계 학습 알고리즘들에 대한 1차 예측 모델들과 최종 예측 모델을 이용하여, 환자에 대한 관상 동맥 질환의 유무를 예측한다.
상기 입력 모듈(310)은 예측하고자 하는 환자에 대하여, 상기 사전 설정된 다수 개의 예측용 변수들에 대한 데이터들을 입력받는다. 상기 입력되는 데이터들은 상기 학습용 데이터를 구성하는 예측용 변수들과 동일하며, (1) 환자들에 대한 문진 데이터들, (2) 검사 데이터들 및 (3) 의사에 의한 사전 진단 데이터들을 포함한다.
상기 1차 예측 모듈(320)은 상기 입력된 데이터를 상기 1차 예측 모델들에 각각 적용하여 상기 1차 예측 모델들의 각각에 대한 예측 결과값들을 생성하고, 상기 예측 결과값들의 일부 또는 전부를 조합하여 예측 결과값 세트를 생성하여 제공한다.
상기 2차 예측 모듈(330)은 상기 예측 결과값 세트와 상기 입력된 데이터들을 상기 최종 예측 모델에 적용하여 최종 예측값을 획득함으로써, 관상 동맥 질환을 예측하게 된다.
한편, 전술한 관상 동맥 질환 예측 시스템은 컴퓨터 등과 같은 처리 장치에 의해 수행될 수 있으며, 관상 동맥 질환 예측 시스템에 사용되는 관상 동맥 질환 예측 방법에 대하여 구체적으로 설명한다. 본 발명에 따른 관상 동맥 질환 예측 방법은 기계 학습 장치에 의한 기계 학습 과정과 예측 장치에 의한 예측 과정으로 나뉠 수 있다.
도 7은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 기계 학습 장치에 의한 기계 학습 과정을 순차적으로 도시한 흐름도이다.
도 7을 참조하면, 상기 기계 학습 과정은, 먼저 사전 설정된 다수 개의 예측용 변수들에 대한 정보 및 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 포함하는 학습용 데이터들을 입력받거나 데이터베이스로부터 판독한다(단계 700). 다음, 사전 설정된 적어도 둘 이상의 기계 학습 알고리즘들을 기반으로 하여, 상기 학습용 데이터들을 이용하여 1차 학습시켜 상기 기계 학습 알고리즘들의 각각에 대하여 관상 동맥 질환의 유무를 판단하는 1차 예측 모델들을 생성한다(단계 710). 다음, 상기 학습용 데이터들을 이용하여 상기 1차 예측 모델들에 따른 예측 결과값들을 각각 획득한다(단계 720). 다음, 상기 예측 결과값들의 전부 또는 일부를 조합하여 예측 결과값 세트를 생성한다(단계 730). 다음, 상기 학습용 데이터들에 상기 예측 결과값 세트를 추가시켜 강화 학습용 데이터를 생성한다(단계 740). 다음, 상기 강화 학습용 데이터를 이용하여 상기 기계 학습 알고리즘들을 강화 학습시켜, 상기 기계 학습 알고리즘들에 대하여 관상 동맥 질환의 유무를 판단하는 2차 예측 모델들을 생성한다(단계 750). 다음, 상기 2차 예측 모델들 중 예측 정확도가 가장 우수한 2차 예측 모델을 선택하고, 상기 선택된 2차 예측 모델을 최종 예측 모델로 설정한다(단계 760).
도 8은 본 발명의 바람직한 실시예에 따른 관상 동맥 질환 예측 시스템에 있어서, 예측 장치에 의한 예측 과정을 순차적으로 도시한 흐름도이다.
도 8을 참조하면, 상기 예측 과정은 먼저 상기 사전 설정된 다수 개의 예측용 변수들에 대한 환자 데이터들을 입력받는다(단계 800). 다음, 상기 입력된 환자 데이터를 상기 1차 예측 모델들에 적용하여 상기 기계 학습 알고리즘들의 각각에 대한 예측 결과값들을 생성하고, 상기 예측 결과값들의 일부 또는 전부를 조합하여 예측 결과값 세트를 생성한다(단계 810). 다음, 상기 예측 결과값 세트와 상기 환자 데이터들을 상기 최종 예측 모델에 적용하여 최종 예측값을 획득한다(단계 820).
이상에서 본 발명에 대하여 그 바람직한 실시예를 중심으로 설명하였으나, 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 그리고, 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명에 따른 관상 동맥 질환 예측 시스템 및 방법은 의료분야에 널리 사용될 수 있다.
10 : 관상 동맥 질환 예측 시스템
100 : 데이터베이스
200 : 기계 학습 장치
210 : 1차 학습 모듈
220 : 예측 결과값 생성 모듈
230 : 강화 학습용 데이터 생성 모듈
240 : 강화 학습 모듈
250 : 최종 예측 모델 설정 모듈
300 : 예측 장치
310 : 입력 모듈
320 : 1차 예측 모듈
330 : 2차 예측 모듈

Claims (11)

  1. 기계 학습 과정과 예측 과정을 구비하는 관상 동맥 질환 예측 방법에 있어서, 상기 기계 학습 과정은,
    (a1) 사전 설정된 다수 개의 예측용 변수들에 대한 정보 및 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 포함하는 학습용 데이터들을 입력받는 단계;
    (a2) 사전 설정된 적어도 둘 이상의 기계 학습 알고리즘들을 기반으로 하여, 상기 학습용 데이터들을 이용하여 1차 학습시켜 상기 기계 학습 알고리즘들의 각각에 대하여 관상 동맥 질환의 유무를 판단하는 1차 예측 모델들을 생성하는 단계;
    (a3) 상기 학습용 데이터들을 이용하여 상기 1차 예측 모델들에 따른 예측 결과값들을 각각 획득하는 단계;
    (a4) 상기 예측 결과값들의 전부 또는 일부를 조합하여 예측 결과값 세트를 생성하는 단계;
    (a5) 상기 학습용 데이터들에 상기 예측 결과값 세트를 추가시켜 강화 학습용 데이터를 생성하는 단계;
    (a6) 상기 강화 학습용 데이터를 이용하여 상기 기계 학습 알고리즘들을 강화 학습시켜, 상기 기계 학습 알고리즘들의 각각에 대하여 관상 동맥 질환의 유무를 판단하는 2차 예측 모델들을 생성하는 단계;
    (a7) 상기 2차 예측 모델들 중 예측 정확도가 가장 우수한 2차 예측 모델을 선택하고, 상기 선택된 2차 예측 모델을 최종 예측 모델로 설정하는 단계;
    를 구비하는 것을 특징으로 하는 관상 동맥 질환 예측 방법.
  2. 제1항에 있어서, 상기 예측 과정은,
    (b1) 상기 사전 설정된 다수 개의 예측용 변수들에 대한 데이터들을 입력받는 단계;
    (b2) 상기 입력된 데이터를 상기 1차 예측 모델들에 적용하여 상기 기계 학습 알고리즘들의 각각에 대한 예측 결과값들을 생성하고, 상기 예측 결과값들의 일부 또는 전부를 조합하여 예측 결과값 세트를 생성하는 단계;
    (b3) 상기 예측 결과값 세트와 상기 데이터들을 상기 최종 예측 모델에 적용하여 최종 예측값을 획득하는 단계;
    를 구비하는 것을 특징으로 하는 관상 동맥 질환 예측 방법.
  3. 제1항 내지 제2항 중 어느 한 항에 있어서, 상기 적어도 둘 이상의 기계 학습 알고리즘들은, 로지스틱 회귀(Logistic regression) 알고리즘, 선형 판별 분석(Linear discriminant analysis) 알고리즘, 컴플렉스 트리(Complex Tree) 알고리즘, 선형 서포트 벡터 머신(Support Vector Machine;SVM) 알고리즘, K-최근접 이웃(K-Nearest Neighbor; K-NN) 알고리즘 중 적어도 둘 이상을 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 방법.
  4. 제1항 내지 제2항 중 어느 한 항에 있어서, 상기 학습용 데이터를 구성하는 예측용 변수들은, 환자들에 대한 문진 데이터들, 검사 데이터들 및 혈관 조영술 이전의 의사 진단 데이터들을 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 방법.
  5. 제4항에 있어서, 상기 학습용 데이터를 구성하는 예측용 변수들 중 환자들에 대한 문진 데이터들은 Sex(성별), Age(나이), History of CAD(관상동맥질환의 과거력), Hypertension(고혈압), Diabetes(당뇨), Dyslipidemia(이상지질혈증), Stroke(뇌졸증), PAOD(말초혈관질환), CKD(만성신장병), Current smokers(현재 흡연력), Current alcohol drinking(현재 음주력)을 포함하고,
    상기 학습용 데이터를 구성하는 예측용 변수들 중 검사 데이터들은 Elevated cardiac enzyme(혈관 조영술 이전의 심근효소검사 이상여부) 및 EKG before CAG(혈관 조영술 이전의 심전도 결과)를 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 방법.
  6. 제1항 내지 제2항 중 어느 한 항에 있어서, 상기 학습용 데이터를 구성하는 혈관 조영술 결과(Angiographic outcomes)에 따른 관상 동맥 질환 정보는, Coronary artery spasm(혈관경련), Myocardial bridge(심장 혈관근육이상), Coronary stenosis 50-70%(중등도의 혈관 협착병변), Final diagnosis after CAG(혈관 조영술이후 최종 진단), Acute myocardial infarction(급성심근경색), ST-segment elevation(ST분절 상승　급성심근경색), Non-ST-segment elevation(비-ST분절 상승　급성심근경색), Stable angina(안정형 협심증), Unstable angina(불안정형 협심증) 중 하나 이상을 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 방법.
  7. 사전 설정된 학습용 데이터들을 구비하는 데이터베이스, 기계 학습 장치 및 예측 장치를 구비하는 관상 동맥 질환 예측 시스템에 있어서,
    상기 학습용 데이터들은 사전 설정된 다수 개의 예측용 변수들에 대한 정보 및 혈관 조영술 결과에 따른 관상 동맥 질환 정보를 포함하는 것을 특징으로 하며,
    상기 기계 학습 장치는,
    사전 설정된 적어도 둘 이상의 기계 학습 알고리즘들을 기반으로 하여, 상기 학습용 데이터들을 이용하여 1차 학습시켜 상기 기계 학습 알고리즘들의 각각에 대한 1차 예측 모델들을 생성하는 1차 학습 모듈;
    상기 학습용 데이터들을 이용하여 상기 1차 예측 모델들에 따른 예측 결과값들을 각각 획득하고, 상기 예측 결과값들의 전부 또는 일부를 조합하여 예측 결과값 세트를 생성하는 예측 결과값 생성 모듈;
    상기 학습용 데이터들에 상기 예측 결과값 세트를 추가시켜 강화 학습용 데이터를 생성하는 강화 학습용 데이터 생성 모듈;
    상기 강화 학습용 데이터를 이용하여 상기 기계 학습 알고리즘들을 강화 학습시켜, 상기 기계 학습 알고리즘들에 대한 2차 예측 모델들을 생성하는 강화 학습 모듈;
    상기 2차 예측 모델들 중 가장 예측 정확도가 우수한 2차 예측 모델을 선택하고, 상기 선택된 2차 예측 모델을 최종 예측 모델로 설정하는 최종 예측 모델 설정 모듈;
    를 구비하여, 1차 학습 모듈에 의한 적어도 둘 이상의 기계 학습 알고리즘들에 의한 1차 예측 모델들 및 최종 예측 모델을 설정하는 것을 특징으로 하는 관상 동맥 질환 예측 시스템.
  8. 제7항에 있어서, 상기 예측 장치는,
    상기 사전 설정된 다수 개의 예측용 변수들에 대한 환자 데이터들을 입력받는 입력 모듈;
    상기 입력된 환자 데이터를 상기 1차 예측 모델들에 적용하여 상기 기계 학습 알고리즘들의 각각에 대한 예측 결과값들을 생성하고, 상기 예측 결과값들의 일부 또는 전부를 조합하여 예측 결과값 세트를 생성하는 1차 예측 모듈;
    상기 예측 결과값 세트와 상기 환자 데이터들을 상기 최종 예측 모델에 적용하여 최종 예측값을 획득하는 2차 예측 모듈;
    를 구비하여, 관상 동맥 질환을 예측하는 것을 특징으로 하는 관상 동맥 질환 예측 시스템.
  9. 제7항 내지 제8항 중 어느 한 항에 있어서, 상기 적어도 둘 이상의 기계 학습 알고리즘들은, 로지스틱 회귀(Logistic regression) 알고리즘, 선형 판별 분석(Linear discriminant analysis) 알고리즘, 컴플렉스 트리(Complex Tree) 알고리즘, 선형 서포트 벡터 머신(Support Vector Machine;SVM) 알고리즘, K-최근접 이웃(K-Nearest Neighbor; K-NN) 알고리즘 중 적어도 둘 이상을 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 시스템.
  10. 제7항 내지 제8항 중 어느 한 항에 있어서, 상기 학습용 데이터를 구성하는 예측용 변수들은, Sex(성별), Age(나이), History of CAD(관상동맥질환의 과거력), Hypertension(고혈압), Diabetes(당뇨), Dyslipidemia(이상지질혈증), Stroke(뇌졸증), PAOD(말초혈관질환), CKD(만성신장병), Current smokers(현재 흡연력), Current alcohol drinking(현재 음주력), Elevated cardiac enzyme(혈관 조영술 이전의 심근효소검사 이상여부), EKG before CAG (혈관 조영술 이전의 심전도 결과) 및 Pre-diagnosis before CAG(혈관 조영술 이전의 의사진단 정보)를 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 시스템.
  11. 제7항 내지 제8항 중 어느 한 항에 있어서, 상기 학습용 데이터를 구성하는 혈관 조영술 결과(Angiographic outcomes)에 따른 관상 동맥 질환 정보는, Coronary artery spasm(혈관경련), Myocardial bridge(심장 혈관근육이상), Coronary stenosis 50-70%(중등도의 혈관 협착병변), Final diagnosis after CAG(혈관 조영술이후 최종 진단), Acute myocardial infarction(급성심근경색), ST-segment elevation(ST분절 상승　급성심근경색), Non-ST-segment elevation(비-ST분절 상승　급성심근경색), Stable angina(안정형 협심증), Unstable angina(불안정형 협심증) 중 하나 이상을 포함하는 것을 특징으로 하는 관상 동맥 질환 예측 시스템.



KR1020180055922A 2018-05-16 2018-05-16 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템 KR102081055B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180055922A KR102081055B1 (ko) 2018-05-16 2018-05-16 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180055922A KR102081055B1 (ko) 2018-05-16 2018-05-16 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20190131267A true KR20190131267A (ko) 2019-11-26
KR102081055B1 KR102081055B1 (ko) 2020-02-25

Family

ID=68731355

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180055922A KR102081055B1 (ko) 2018-05-16 2018-05-16 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102081055B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112494000A (zh) * 2020-11-26 2021-03-16 河北德睿健康科技有限公司 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备
WO2021134027A1 (en) * 2019-12-27 2021-07-01 Henry M. Jackson Foundation For The Advancement Of Military Medicine Predicting and addressing severe disease in individuals with sepsis
CN113284572A (zh) * 2021-04-30 2021-08-20 上海联影智能医疗科技有限公司 多模态异构的医学数据处理方法及相关装置
WO2021177644A3 (ko) * 2020-03-05 2021-10-28 가톨릭대학교 산학협력단 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
CN114143710A (zh) * 2021-11-22 2022-03-04 武汉大学 一种基于强化学习的无线定位方法及系统
KR20220039046A (ko) * 2020-09-21 2022-03-29 가톨릭대학교 산학협력단 전립선 암 재발 예측 장치, 방법 및 이를 이용한 애플리케이션
WO2022139168A1 (ko) * 2020-12-21 2022-06-30 주식회사 아이메디신 유전자 알고리즘 기반의 단계적인 피처 선택을 이용한 기계학습 방법 및 장치
WO2022240234A1 (ko) * 2021-05-13 2022-11-17 연세대학교 산학협력단 합성곱 신경망을 이용한 투석 접근로의 협착 예측 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130104883A (ko) 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수준 변화 예측장치 및 예측방법
KR101830056B1 (ko) * 2017-07-05 2018-02-19 (주)이지팜 딥러닝 기반의 병해 진단 시스템 및 그 이용방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130104883A (ko) 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수준 변화 예측장치 및 예측방법
KR101830056B1 (ko) * 2017-07-05 2018-02-19 (주)이지팜 딥러닝 기반의 병해 진단 시스템 및 그 이용방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021134027A1 (en) * 2019-12-27 2021-07-01 Henry M. Jackson Foundation For The Advancement Of Military Medicine Predicting and addressing severe disease in individuals with sepsis
WO2021177644A3 (ko) * 2020-03-05 2021-10-28 가톨릭대학교 산학협력단 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
KR20220039046A (ko) * 2020-09-21 2022-03-29 가톨릭대학교 산학협력단 전립선 암 재발 예측 장치, 방법 및 이를 이용한 애플리케이션
CN112494000A (zh) * 2020-11-26 2021-03-16 河北德睿健康科技有限公司 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备
CN112494000B (zh) * 2020-11-26 2022-11-01 河北德睿健康科技有限公司 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备
WO2022139168A1 (ko) * 2020-12-21 2022-06-30 주식회사 아이메디신 유전자 알고리즘 기반의 단계적인 피처 선택을 이용한 기계학습 방법 및 장치
CN113284572A (zh) * 2021-04-30 2021-08-20 上海联影智能医疗科技有限公司 多模态异构的医学数据处理方法及相关装置
CN113284572B (zh) * 2021-04-30 2024-04-23 上海联影智能医疗科技有限公司 多模态异构的医学数据处理方法及相关装置
WO2022240234A1 (ko) * 2021-05-13 2022-11-17 연세대학교 산학협력단 합성곱 신경망을 이용한 투석 접근로의 협착 예측 방법 및 장치
KR20220154479A (ko) * 2021-05-13 2022-11-22 연세대학교 산학협력단 합성곱 신경망을 이용한 투석 접근로의 협착 예측 방법 및 장치
CN114143710A (zh) * 2021-11-22 2022-03-04 武汉大学 一种基于强化学习的无线定位方法及系统
CN114143710B (zh) * 2021-11-22 2022-10-04 武汉大学 一种基于强化学习的无线定位方法及系统

Also Published As

Publication number Publication date
KR102081055B1 (ko) 2020-02-25

Similar Documents

Publication Publication Date Title
KR102081055B1 (ko) 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템
Chen et al. Detection and classification of cardiac arrhythmias by a challenge-best deep learning neural network model
Patel et al. Prevalence and predictors of nonobstructive coronary artery disease identified with coronary angiography in contemporary clinical practice
US8554580B2 (en) Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses
Melillo et al. Automatic prediction of cardiovascular and cerebrovascular events using heart rate variability analysis
Laumer et al. Assessment of artificial intelligence in echocardiography diagnostics in differentiating Takotsubo syndrome from myocardial infarction
US20100217094A1 (en) Point-of-care enactive medical system and method
Gumpfer et al. Detecting myocardial scar using electrocardiogram data and deep neural networks
Han et al. Association of plaque location and vessel geometry determined by coronary computed tomographic angiography with future acute coronary syndrome–causing culprit lesions
Zagatina et al. Exercise stress echocardiography with ABCDE protocol in unexplained dyspnoea
Liu et al. Left ventricular hypertrophy detection using electrocardiographic signal
Omar et al. Unsupervised clustering for phenotypic stratification of clinical, demographic, and stress attributes of cardiac risk in patients with nonischemic exercise stress echocardiography
Sughimoto et al. Machine learning predicts blood lactate levels in children after cardiac surgery in paediatric ICU
del Carmen Bouzas-Mosquera et al. Exaggerated exercise blood pressure response and risk of stroke in patients referred for stress testing
Elliott et al. iCPET calculator: a web‐based application to standardize the calculation of alpha distensibility in patients with pulmonary arterial hypertension
Guo et al. Machine learning-enhanced echocardiography for screening coronary artery disease
KR20130104883A (ko) 관상동맥석회화 수준 변화 예측장치 및 예측방법
Walsh et al. A speckle-tracking strain-based artificial neural network model to differentiate cardiomyopathy type
Balabaeva et al. Dynamic features impact on the quality of chronic heart failure predictive modelling
Iscra et al. Development of an interpretable model for improving differential diagnosis in subjects with a left ventricular ejection fraction ranging from 40 to 55%
Iscra et al. Interpretable model to support differential diagnosis between ischemic heart disease, dilated cardiomyopathy and healthy subjects
Čelutkienė et al. Combination of single quantitative parameters into multiparametric model for ischemia detection is not superior to visual assessment during dobutamine stress echocardiography
Ding et al. Diagnostic performance of a novel automated CT-derived FFR technology in detecting hemodynamically significant coronary artery stenoses: A multicenter trial in China
Ramanathan et al. Prediction of coronary artery disease using artificial intelligence–a systematic literature review
Tereshchenko Left anterior fascicular block: The need for a re-appraisal

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