KR20200013161A - 인공지능 기반 조산예측 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 인공지능 기반 조산 예측 시스템 및 방법에 관한 것으로, 산모의 산과적 변수를 입력자료로 하고 출산 주수를 출력자료로 한다. 입력자료와 출력자료의 관계를 인공신경망으로 구성하고 이를 학습하여 두 자료의 상관성을 분석한다. 분석된 상관성은 신경의 가중치와 편의로 표현된다. 이를 학습된 인공신경망이라 부른다. 이제 새로운 입력변수만 이 신경망 모델에 입력하여 신속하게 출산 주수가 계산된다. 이후 산모의 출산 이후에 계산된 결과와 실제 결과를 비교하여 모델을 향상시킬 수 있다.

Description

인공지능 기반 조산예측 시스템 및 그 방법{Artificial Intelligence Based Premature Delivery Prediction System and Its Methodology}

본 발명은 인공지능 기반 조산예측 시스템 및 그 방법에 관한 것으로, 산모에게 분만 전 시행하는 혈액검사, 초음파 검사, 질 도밀 검사, 문진 등을 인공신경망으로 학습하여 조산 주수를 예측하는 시스템 및 그 방법에 관한 것이다.

조기분만은 임신주수가 보통 37주 미만의 경우를 의미하며, 이를 통해 저체중, 성장지연, 신경계 손상 등의 신생아에게 심각한 영향을 미친다. 전 세계적으로 조산 발생률은 5%에서 15%에 이르며 연간 1500만명의 미숙아가 태어나고 있다. 이들 중 100만 명이 넘는 조숙아는 각종 합병증과 시력, 청력과 관련된 휴유증이 발생한다.

산모의 산과적 변수가 수십개가 넘어 임상학적인 분석으로 조산 주수를 예측하는 것은 많은 어려움으로 인식되고 있다. 또한 산모의 개인적 특징이 너무 다르기 때문에 회귀분석과 같은 단순 통계적 방법으로 조산 예측은 어렵다.

하지만 인공신경망과 같은 인공지능을 활용하면 산과적 변수의 개수와 관계없이 복합한 인공신경망을 구축하여 학습하기 때문에 조산 예측의 정확성이 크게 증가하고 있다.

본 발명의 목적은 인공지능 기반 조산예측 시스템 및 그 방법에 있어서, 산모의 산과적 임상검사과 학습된 인공지능 신경망을 통해 조산 주수를 예측하여 사전에 산모 및 미숙아를 효과적으로 치료하는데 핵심적인 정보를 제공하는데 있다.

본 발명에 따른 인공신경망 기반 예측 시스템은 분만 전 시행하는 혈액검사, 초음파 검사, 질 도밀 검사, 문진 등의 산과적 변수와 실제 출산 주수를 저장하는 데이터베이스(DB), 상기 데이터베이스에 저장된 산과적 변수와 실제 출산 주수의 관계를 인공신경망으로 구축하고, 인공신경망을 연결하는 인공뉴런을 학습을 통해 최적화 시킨다. 인공신경망 구조는 다층구조 피드포워드(multi-layer feedforward)로 생성되며, 학습은 역전파(backpropagation) 알고리즘을 사용한다. 학습된 인공신경망이 예측모델이 되며, 신규 산과적 변수만 가지고 산모의 출산 주수를 신속하게 예측하게 된다.

또한 본 예측 시스템은 데이터베이스가 증가할수록 예측 정확도가 향상되는 구조를 가지고 있어, 성능 개선이 지속적으로 이뤄진다.

상기와 같이 구성되는 본 발명에 따른 인공지능 기반 조산 예측 시스템 및 그 방법은, 기존 데이터로부터 학습된 인공신경망 모델을 통해 산모의 출산 주수를 사전에 예측하여 조산에 따른 부작용을 최소화할 수 있는 예방 효과가 있다.

또한 예측 시간이 수 초 미만으로 산과적 변수의 변동성을 고려하여 가능한 출산 주수를 일정 범위로 표현할 수 있다. 이를 통해 실제 출산 주수가 그 예측 범위 안에 포함되며, 산부인과적인 산모와 산아의 효과적인 대응이 가능하다.

도 1은 본 발명에 따른 인공신경망 구조이다.
도 2는 본 발명의 인공신경망의 학습 알고리즘이다.
도 3은 반복 학습시 학습의 중단과 계속을 결정짓는 검증 단계이다.
도 4는 학습과정에서 MSE 성능을 확인하는 과정이다.
도 5는 학습이 종료되었을 때 학습(전체 중 70% 데이터), 검증(전체 중 15% 데이터), 시험(전체 중 15%) 및 전체 데이터를 예측결과와 비교하는 것이다.
도 6은 실제 학습 데이터베이스 밖에 있는 13 케이스에 대한 시험과정이다.
도 7은 도 6의 결과를 관측치와 예측치로 비교한 그림이다.

도 1과 같이 인공신경망 모델링을 수행하는 과정이다. 여기서 구성은 입력층, 은익층, 출력층으로 구성된다. 입력층은 산과적 변수를 대입하고 출력층은 출산 주수이다. 여기서 은익층은 시스템의 복잡성에 따라 여러 개로 구성할 수 있다. 각 층을 연결하는 것은 뉴런이며, 신경망을 학습한다는 것은 이런 뉴런을 학습하는 것이며 인공신경망에서는 숫자로 표현되는 가중치이다. 가중치 이외에 자료의 특성을 치우침을 반영하기 위해 편의도 계산하게 된다. 이런 신경망 구조가 형성되면 도 2와 같이 학습을 하게 된다.

도 2는 도 1에서 모델링한 구조에서 학습을 수행하는 절차이다. 실제 학습은 뉴런으로 표현되는 가중치와 편의가 숫자로 계산되는 것이다. 본 발명에서는 학습성능을 개선하기 위해 목표성능을 가급적 높게 설정하고 만약 목표성능을 만족하지 않으면 조금씩 성능을 조절하게 하였다. 이를 통해 데이터의 관계가 가지는 최상의 성능을 학습할 수 있게 된다. 학습이 끝난 신경망이 곧 모델이 되는 것이다. 그리고 신규 입력값인 산과적 변수가 모델에 입력되면 수 초 안에 출력값인 출산 주수가 계산된다. 이후 산모의 출산을 통해 모델의 정확도를 확인하고 개선할 수 있다.

도 3은 학습을 어느정도 까지 시속할 것인가를 결정하는 과정을 보여준다. 인공신경망은 자료를 분할하는데, 일반적으로 70% 학습용, 15% 검증용, 15% 시험용이다. 여기서 데이터베이스 안에 있는 검증용 15%를 사용하여 학습 중간을 결정한다. 반복적인 학습을 하는데, 실력이 개선되지 않으면 인위적으로 학습을 중단하는 역할을 한다.

도 4는 도 3의 반복 학습이 이뤄질 때 성능이 어느정도 개선되는지를 보여준다.

도 5 이하는 인공신경망 모델링의 결과를 보여주고 있다.

Input: 입력층
Hidden layer: 은익층
Output layer: 출력층
Epoch: 반복
Initial Net: 초기 신경망
Random data division: 임의적 자료 분할
Sim: 학습이후 모의
Network: 망
Neuron: 신경
Training: 학습
Validation: 검증
Test: 시험

Claims (6)

1. 조산예측시스템에서 산과적 변수와 실제 출산주수 변수가 저장되는 데이터베이스(DB);
   상기 데이터베이스에 저장된 조산예측시스템의 산과적 변수와 실제 출산주수 변수를 이용하여 상기 초기 예측모델에 대한 반복학습을 통해 예측모델을 생성하는 예측모델생성부; 및
   상기 예측결과를 출력하는 출력부를 포함하고,
   상기 예측모델생성부는, 입력층, 은닉층 및 출력층으로 구성된 다층구조의 피드포워드(feedforward) 방식으로 상기 초기 예측모델을 생성하는 모델 구축부; 및
   상기 초기 예측모델의 결과값의 오차가 감소하도록 출력값으로부터 역으로 상기 초기 예측 모델의 계층별 가중치와 편의값을 갱신함으로써 상기 초기 예측모델을 수정하여 상기 예측모델을 생성하는 학습부를 포함하는 조산예측시스템.
   
2. 청구항 1에 있어서,
   상기 예측모델생성부는 신경망네트워크를 구축하여, 신경개수를 변경하면서 상기 초기 예측모델에 대한 반복학습을 통해 상기 예측모델을 생성하는 것을 특징으로 하는 조산예측시스템.
3. 청구항 1에 있어서,
   상기 예측모델생성부는 새로운 데이터가 발생하는 경우, 상기 새로운 데이터를 적용하여 기 생성된 예측모델을 업데이트하거나 또는 새로운 예측모델을 생성하는 것을 특징으로 하는 조산예측시스템.
4. 청구항 1에 있어서,
   상기 산모의 산과적 변수는 나이, 임신전 체질량 지수, 혈압, 혈액검사결과(WBC count, ESR, TSH), 자궁경부 길이, 분만 전 태아 체중, 초음파 검사, 질 도밀 검사, 문진 등이고,
   상기 출산주수는 산모의 분만에서 임신까지의 기간을 의미하는 것을 특징으로 하는 조산예측시스템.
5. 청구항 1에 있어서,
   통신모듈; 및
   데이터의 입출력을 제어하는 제어부를 더 포함하고,
   상기 제어부는 상기 예측결과가 상기 출력부를 통해 출력되도록 제어하고,
   상기 통신모듈을 통해 외부의 단말 또는 시스템으로 전송되도록 하는 것을 특징으로 하는 조산예측시스템.
6. 청구항 1에 있어서,
   상기 모델구축부는 상기 은익층에 대하여 상기 입력층의 입력변수의 개수를 기준으로 성능이 최적화되도록 신경개수를 설정하고,
   상기 은닉층과 상기 출력층에 각각 가중치(Weighting, W)와 편의(Bias, b)를 적용하여 상기 초기 예측모델을 생성하는 것을 특징으로 하는 조산예측시스템.
   

Images