KR20200074951A - 신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템 - Google Patents

신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템 Download PDF

Info

Publication number
KR20200074951A
KR20200074951A KR1020207011443A KR20207011443A KR20200074951A KR 20200074951 A KR20200074951 A KR 20200074951A KR 1020207011443 A KR1020207011443 A KR 1020207011443A KR 20207011443 A KR20207011443 A KR 20207011443A KR 20200074951 A KR20200074951 A KR 20200074951A
Authority
KR
South Korea
Prior art keywords
patient
data
diagnostic
trained
recording
Prior art date
Application number
KR1020207011443A
Other languages
English (en)
Inventor
새티쉬 라오
매튜 와일더
Original Assignee
새티쉬 라오
매튜 와일더
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 새티쉬 라오, 매튜 와일더 filed Critical 새티쉬 라오
Publication of KR20200074951A publication Critical patent/KR20200074951A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
    • A61B5/4023—Evaluating sense of balance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0445—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurosurgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Fuzzy Systems (AREA)
  • Developmental Disabilities (AREA)

Abstract

인공 지능 기반 시스템을 이용하여 환자의 신경계 장애를 진단 및 모니터링하는 시스템 및 방법. 본 시스템은 복수의 센서, 훈련된 머신 러닝 기반 진단 및 모니터링 도구의 집합 및 출력 장치를 포함할 수 있다. 복수의 센서는 신경계 장애와 관련된 데이터를 수집할 수 있다. 훈련된 진단 도구는 다양한 신경계 장애에 대한 위험 평가를 할당하기 위해 센서 데이터를 사용하는 것을 학습할 것이다. 훈련된 모니터링 도구는 시간이 지남에 따라 장애의 전개를 추적할 것이며, 관련 치료의 관리를 권고하거나 수정하는 데 사용될 수 있다. 본 시스템의 목적은 전문적으로 훈련된 신경과 전문의의 입력을 필요로 하지 않고도 환자의 신경계 장애의 존재와 심각성의 정확한 평가를 내리는 것이다.

Description

신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템
관련 출원에 대한 상호 참조
본 출원은 본원에 참조로 통합되고 2017년 10월 17일자로 출원된 미국 가특허 출원 62573622호 및 2018년 10월 17일자로 출원된 미국 특허 출원 16162711호로부터 우선권을 주장한다.
신경계 질환의 전체 경제적 부담은 현재 미국에서 매년 8천억 달러를 초과하는 것으로 추정된다. 이러한 질환의 조기 검출 및 진단은 통상적으로 조기 치료 및 개인의 평생 동안 전체 치료 비용의 감소로 이어진다.
현재, 이러한 질환의 진단은 의사의 참여를 필요로 한다. 미국에서는, 2025년까지 90,000명 내지 140,000명의 의사가 부족해질 것으로 예상된다. 전 세계적으로, 이러한 부족은 2035년까지 천2백9십만의 의료 제공자를 초과할 것으로 예상된다.
또한, 많은 일반의(general practitioner(GP) physician)는 운동 장애를 정확하게 진단하기 위해 필요한 훈련이 부족하다. 예를 들어, 1999년 영국에서 수행된 연구에 따르면 파킨슨병 진단시 GP는 단지 50% 미만의 오류율을 가졌다는 것이 밝혀졌다.(Jolyon Meara 등, 추정된 파키슨병을 갖는 환자의 진단 정확도; 연령 및 노화(Age and Ageing(1999); 28:99-102.). 이 현상은 대부분의 운동 장애의 경우에, 증상이 처음에 매우 미묘할 수 있고, GP로 하여금 환자의 신경계의 문제를 의심하게 할 (머리에 대한 타격과 같은) 명백한 외상이 환자에게 통상적으로 존재하지 않는다는 사실에 부분적으로 기인한다.
그 질환을 전공하는 신경과 전문의는 진단에서 훨씬 더 정확하지만, 일반적인 신경과 전문의조차도 상당한 오류율을 갖는다. 이와 같이 신경계 장애를 정확하게 진단할 수 있는 진단 시스템에 대한 필요성이 있으므로, 초기 진단을 내릴 때 GP를 보조하고 잠재적인 오진으로 인한 손실과 고통을 감소시킴으로써 의료 시스템의 부담을 줄인다.
또한, 이러한 질환을 앓는 많은 환자는 원격 지역에 위치하거나, 그렇지 않으면 훈련된 신경과 전문의에게 접근하여 그 질환의 정확한 진단을 확보하는 것이 어렵다는 것을 알게 된다. 따라서 간단한 클리닉 환경에서 또는 심지어 환자 자신의 집에서, 이와 달리 훈련받지 않은 개인에 의해 사용될 수 있는 정확한 진단을 제공하는 일부 시스템에 대한 필요성이 존재한다.
운동 장애 외에, 현기증은 진단하기에 통상적이고 어려운 증상이다. 현훈 및 불안정과 같은 현기증 및 관련 통증의 발병률은 40% 내지 50%일 수 있다(프론트 뉴롤(Front Neurol). 2013;4:29). 응급실(ED: emergency department)에서의 주요 통증인 현기증은 매년 390만 건의 방문이며, 현기증은 모든 ED 방문의 50%까지의 구성하는 증상일 수 있다. 1차 진료소의 관점에서, 현기증의 주요 통증으로 매년 약 8백만 건의 방문이 있으며, 노인 인구의 50%가 현기증에 대한 의학적 치료를 찾을 것이다.
임상의에 대한 과제는 2 부분이다: 하나는 환자에 의한 "현기증"이라는 단어의 광범위한 사용이고, 두 번째는 이러한 증상을 나타낼 수 있는 광범위한 근본 원인으로 인한 것이다. 근본 원인의 범위는 양성(일반 감기)으로부터 치명적인 것(뇌졸중)까지이다.
사람들은 현훈(모션의 환각), 전실신(어지러움증) 또는 운동 실조(균형 또는 조정의 결여)와 같은 다양한 보다 특정한 증상에 대한 포괄적 단어로서 현기증에 대한 단어를 매우 통상적으로 사용한다. 의사로부터의 숙련된 조사를 받더라도 종종 환자 자신이 구체적이지 않고 '현기증'이라는 단어를 사용하는 것으로 되돌아간다.
다른 1차 과제는 현기증의 광범위한 원인과 관련된다. 이들은 내이/전정(양성 돌발성 체위성 현훈, 전정 신경염, 메니에르병(Meniere's disease)), 신경계(급성 뇌졸중, 뇌종양), 심장(심부전, 저혈압), 정신(불안) 및 다양한 다른 의학적 장애로 인한 것일 수 있다.
특히 응급실, 긴급 치료실, 클리닉 또는 병원에서 급성 환자 치료를 제공하는 의사(통상적으로 응급 의사, 신경과 전문의 및 내과 입원환자 전문의)에 대한 2차 과제는 신체 검사이다. 이것은 정상적인 안구 운동과 비정상적인 안구 운동을 구별하는 데 중점을 둔다. 실제로, 경험 많은 신경과 전문의조차도 안구 운동을 정확하게 검사하는 데 어려울 수 있다. 운동 언어 생성 또는 얼굴 대칭에 매우 미묘한 이상이 또한 있을 수 있다.
최종적으로 급성 평가로 통합되는 것은 상술한 3개의 과제이다: 이 현기증이 생명을 위협하는가? 또는 아닌가? 병력과 신체 검사에서만 진단하기 어려운 현기증의 위험한 원인은 후방 순환에 영향을 미치는 급성 뇌졸중이다.
실제로, 후방 순환(뇌줄기와 뇌의 후방에 혈액을 공급하는 척추-뇌저 시스템)에 영향을 미치는 뇌졸중이 전방 순환(뇌의 전방에 혈액을 공급하는 경동맥 시스템)에서 발생하는 뇌졸중보다 ED에서 더 자주 누락되는 것을 보여주는 데이터가 있다. (뇌졸중(Stroke). 2016; STROKEAHA.115.010613)
또한, 의사는 간질성 발작을 빠르고 정확하게 진단하는 데 어려움을 겪는다. 간질성 발작은 대뇌 피질에서 발생하는 짧은 전기 이벤트(평균 지속 시간 ~ 1분)이며, 과도한 양의 뉴런의 초동기화된 탈분극('발화')에 의해 야기된다. 10명 중 1명은 삶의 어느 시점에서 발작을 겪을 것이지만, 인구의 100명 중 대략 1명(1%)만이 간질을 겪을 것이다. 간질은 재발되는 비유발 발작을 향한 지속적인 성향이다.
때때로 환자는 관찰자에게 발작과 유사한 에피소드를 갖지만 이는 간질성 발작은 아니다. 이러한 '비간질성 이벤트'는 생리성(실신, 심장 부정맥 등) 대 심인성으로 추가로 카테고리화되어야 한다. 심인성 이벤트는 간질 센터에서 간질성 발작에 대한 가장 통상적인 진단 대안이며, 추가로 설명될 것이다.
심인성 이벤트는 관찰자에 대해 간질성 발작(ES)을 닮은(즉, 지면에 따름 그리고 경련 등) 생리학적으로 상이한 상태이다. 불행하게도, 이 장애는 의학적 문헌에서 이러한 상태로 고통 받는 환자 및 이러한 상태를 다루는 비전문가에게 혼란을 주는 여러 명칭을 갖는다. 이러한 명칭은: 가성 발작, 비간질성 발작, 심인성 발작, 심인성 비간질성 발작, 비간질성 발작(attack) 장애 또는 비간질성 거동 발작(spell)을 포함한다.
이들 용어는 동의어이다. 이 논의에서, 선호되는 용어는 비간질성 거동 발작(NBS: Nonpileptic Behavioral Spell)일 것이다.
비간질성 거동 발작은 통상적으로 NBS의 발병 전에 심각한 정서적 외상으로부터 유래하는 심리적 상태이다. 일부 경우에는, 외상은 발병하기 40-50년 전에 일어났을 수도 있다. 불분명한 이유 때문에 정서적 외상은 육체적 증상으로 나타난다. 이 프로세스를 정서적 통증을 신체적 증상으로 전환시키는 중추 신경계를 지칭하는 '전환 장애'라고 통상적으로 명명한다. 이러한 신체적 증상은 예를 들어 만성적이고 설명되지 않는 복통 또는 두통으로 종종 나타날 수 있다. 때때로 정서적 고통이나 스트레스가 경련의 에피소드로 나타나거나 의식의 변화로 나타나는 경우, 이들 이벤트가 NBS이다.
NBS를 진단하기 위한 최적 표준(gold standard)은 입원 환자 비디오-뇌전도(V-EEG: video-electroencephalography) 모니터링 유닛(EMU와 동의어)을 통한 것이다. 이것은 시간, 노동 및 비용 집약적인 절차이다. 환자는 통상적으로 입원 환자로서 병원에 3일 내지 7일 동안 입원한다.
시간 동기화된 디지털 비디오, 두피 EEG, 심전도(ECG: electrocardiogram) 및 맥박 산소 측정은 모두 상습적인 이벤트를 기록하기 위해 24/7로 연속적으로 기록된다.
진단은 주로 '발작성(ictal) EEG' 패턴에 의존한다. 발작성 또는 발작(ictus)은 이벤트를 칭한다. 따라서, 이것은 실제 에피소드 중에 뇌파에서 일어나는 일을 지칭한다. 대부분의 간질성 발작의 경우, EEG에 뚜렷한 변화가 있으며, 즉, 발작은 자체-제한 리듬 초점 또는 일반 패턴으로 나타난다. 통상적으로 몇 분 동안 뇌파 주파수의 후-발작 느려짐이 그 후에 있고, 그 다음 정상 패턴이 재개된다.
대조적으로, NBS 동안에는, 이벤트 중에 EEG에 변화가 없다. 통상적으로 중첩된 운동/근육 아티팩트를 갖는 각성의 정상 배경 리듬이 있다.
신경과 전문의는 이러한 '발작성 EEG'를 디지털 비디오와 함께 고려한다. 신경과 전문의는 ES와 NBS가 신체 징후에 있어서 뚜렷한 차이가 있음을 오랫동안 인식해 왔다. 또한, 적절한 교육, 훈련 및 다량의 사례에 대한 노출을 통해 신경과 전문의는 디지털 비디오 또는 직접 관찰로부터 NBS를 진단하는 데 상당히 정확해질 수 있다. 이러한 신경과 전문의는, 신경과 레지던트가 간질 전문의라고 불린 후 보통 1~2년 동안 펠로우십을 하였다. 간질 전문의를 포함하여 모든 신경계 제공자의 예측되는 부족이 다가오고 있다.
이러한 신체 지식으로도 EMU에 진단적 불확실성이 있을 수 있다. 예를 들어, 대뇌 피질의 초점 영역만 관련되고 의식을 변경하지 않는 '단순 부분 발작'(SPS: simple partial seizure)이라는 이름의 발작 유형이 있다. SPS의 15%만이 뚜렷한 발작성 EEG 패턴을 가질 것이다. 이들 경우, 환자의 병력, 이미징 및 다른 발작 유형이 진단에 중요하다. 또 다른 예는 내측 전두엽 발작이다. 이들은 뉴런이 더 이상 두개골 바로 아래에 있지 않은 중앙선의 전두엽 표면에서 발생하는 발작이다. 반어적으로, 이 영역으로부터의 발작은 특이한 발작 유형(선회 운동, 의도적인 것으로 보이는 거동 변화 등)을 생성할 수 있으며, EEG의 생물 물리학으로 인해, 통상적으로 명확한 발작 EEG 변화를 일으키지 않기 때문이다.
NBS의 부담은 크다. '약물-내성' 간질에 대한 전문 간질 센터에 조회된 환자의 약 25%는 실제로 NBS를 가지고 있는 것으로 밝혀졌다. NBS 진단에는 평균 1-7년의 지연이 있다. 이는 항발작제, 부작용 및 헬스 케어 이용에 대한 불필요한 노출로 이어진다.
추가적인 과제는 시간에 따른 신경계 장애의 진행을 모니터링하는 것이다. 이러한 진행을 정량적으로 측정하는 능력은 이들 질환에 대한 치료의 개발 및 관리에 상당한 영향을 미칠 수 있다. 또한, 질환 상태를 모니터링하는 능력은 환자가 전문의의 방문을 필요로 하지 않고도 그 치료를 조정할 수 있게 할 수 있다.
이와 같이, 그 자체로 또는 의사와 함께 이러한 상태에 대해 환자 또는 의사가 사전 훈련을 받을 필요 없이, 환자의 특정 신경계 장애를 정확하게 진단할 수 있는 시스템이 필요하다.
본 발명의 일 양태는 환자의 정확하고 신속한 진단을 제공하는 시스템을 제공하는 것이다. 특정 실시예에서, 시스템은 뇌졸중 증상을 갖는 환자, 잠재적 운동 장애를 앓는 환자, 최근 발작을 겪은 환자 및 현기증을 앓는 환자를 진단하도록 맞춤화되어 있다.
본 발명의 다른 양태는 환자에게 이식된 의료 장치의 유용한 프로그래밍 권고를 제공하는 시스템을 제공하는 것이다. 특정 실시예에서, 이러한 프로그래밍 권고는 이식된 장치의 치료 효능을 개선시키거나 원하지 않는 부작용을 감소시킬 것이다. 특정 실시예에서, 이러한 이식된 의료 장치는 파킨슨병 또는 뇌졸중과 연관된 증상을 개선하기 위해 이식될 수 있는 심뇌 자극 장치(DBS: deep brain stimulation device)를 포함한다.
본 발명의 특정 실시예에서, 본 시스템은 진단과 관련된 환자로부터 데이터를 수집하기 위한 일련의 센서를 포함할 것이다. 이들 센서는 비디오 또는 스틸 카메라와 같은 광 센서, 표준 셀룰러 폰과 같은 오디오 센서, 자이로스코프, 가속도계, 압력 센서 및 적외선과 같은 다른 전자기 파장에 민감한 센서를 포함할 수 있다.
특정 실시예에서, 이들 센서는 인공 지능 시스템과 통신할 것이다. 바람직하게는, 이 시스템은 일단 훈련되면 다양한 센서로부터의 입력을 프로세싱하고 분석에 기초하여 환자에 대한 진단 예측을 생성할 머신 러닝 시스템일 것이다. 이 시스템은 환자 또는 의사에게 진단을 나타내는 출력을 생성할 수 있다. 일부 실시예에서, 출력은 특정 질환에 대해 단순한 "예", "아니오", "미결론" 진단일 수 있다. 대안적인 실시예에서, 출력은 가능성이 가장 높은 질환의 목록일 수 있으며, 각각에 확률 점수가 할당된다. 이러한 시스템의 하나의 주요 이점은 시스템을 편견 없는 방식으로 진단에 도달하도록 시스템을 훈련함으로써 시스템이 질환의 새로운 임상 지표를 식별하거나 심지어 전문 임상의조차도 실패한 장애를 정확하게 진단할 수 있도록 이전에 식별되지 않은 증상의 조합을 인식할 수 있다는 것이다.
질환의 진행이 모니터링되는 실시예에서, 본 발명의 시스템은 "심각도" 점수를 환자에게 할당하고 그 점수를 이전 시점에서 시스템에 의해 도출된 점수와 비교함으로써 동작할 수 있다. 이러한 정보는 환자가 예를 들어, 치료 과정의 성공을 모니터링하거나 보다 침습적인 형태의 치료가 정당화될 수 있는지를 판단할 수 있게 함으로써 환자에게 유리할 수 있다.
본 발명의 다른 양태에서, 본 발명의 진단 시스템은 원격으로 접근 가능한 위치에 수용되며, 진단을 제공하는 데 필요한 모든 데이터 프로세싱 및 분석을 수행할 수 있다. 따라서, 특정 실시예에서, 자원 또는 원격 위치에 대한 접근이 제한된 의사 또는 환자는 이들에게 이용 가능한 센서에서 수집된 미가공 데이터를 제출하고 시스템으로부터 진단을 받을 수 있다.
따라서, 본 발명의 일 실시예는 환자를 진단하기 위한 시스템을 제공하며, 시스템은: 프로세서 및 메모리와 통신하는 적어도 하나의 센서; 여기서 프로세서 및 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고; 여기서 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고; 프로세서 및 메모리와 통신하는 데이터 프로세싱 모듈; 여기서 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 진단 데이터로 변환하고; 데이터 프로세싱 모듈과 통신하는 진단 모듈을 포함하고; 여기서 상기 진단 모듈은 적어도 하나의 센서로부터 떨어져 있고; 여기서 상기 진단 모듈은 훈련된 진단 시스템을 포함하고; 여기서 상기 훈련된 진단 시스템은 복수의 진단 모델을 포함하고; 여기서 상기 복수의 진단 모델의 각각은 상기 프로세싱된 진단 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고; 여기서 상기 훈련된 진단 시스템은 상기 환자에 대한 진단 예측을 출력하기 위해 상기 복수의 진단 모델의 분류를 통합한다.
본 발명의 다른 실시예는 상기 진단 모듈이 원격 서버에 수용되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 진단 예측이 신뢰 값을 더 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 적어도 하나의 센서가 모바일 장치 내에 수용되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 훈련된 진단 시스템이 머신 러닝 시스템을 사용하여 훈련되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 머신 러닝 시스템이 컨벌루션 신경망(예를 들어, Krizhevsky, A., Sutskever, I., 및 Hinton, G.E.(2012). 딥(deep) 컨벌루션 신경망으로의 이미지넷(Imagenet) 분류. 신경 정보 프로세싱 시스템에서의 인 어드밴스(In Advances in Neural Information Processing Systems(NIPS 2012)), 순환 신경망(Jain, L. 및 Medsker, L.(1999)). 순환 신경망: 설계 및 어플리케이션(1쇄). CRC Press, Inc., 미국 플로리다주 보카 레이턴), 장기 단기 메모리 네트워크(Hochreiter, S. 및 Schmidhuber, J.(1997). 장기 단기 메모리(Long Short-Term Memory). 뉴럴 콤퓨트(Neural Comput). 9, 8(1997년 11월), 1735-1780.) 및 랜덤 포레스트 회귀 모델(Breiman, L.(2001). 랜덤 포레스트(Random Forests). 머신 러닝(Machine Learning). 45(1): 5-32) 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 미가공 환자 데이터가 비디오 기록을 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 비디오 기록이 반복적인 운동을 수행하는 환자의 기록을 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 반복적인 운동이 빠른 손가락 태핑(tapping), 손을 폈다 쥐기, 손 회전 및 힐(heel) 태핑 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 미가공 환자 데이터가 오디오 기록을 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 오디오 기록이 환자가 프롬프팅된 문장을 소리내어 읽는 것을 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 추가적인 실시예는 환자의 신경계 장애를 진단하기 위한 시스템을 제공하는 것이며, 본 시스템은: 프로세서 및 메모리와 통신하는 적어도 하나의 센서; 여기서 프로세서 및 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고; 여기서 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고, 프로세서 및 메모리와 통신하는 데이터 프로세싱 모듈; 여기서 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 진단 데이터로 변환하고, 데이터 프로세싱 모듈과 통신하는 진단 모듈을 포함하고; 여기서 상기 진단 모듈은 훈련된 진단 시스템을 포함하고; 여기서 상기 훈련된 진단 시스템은 복수의 진단 모델을 포함하고; 여기서 상기 복수의 진단 모델의 각각은 상기 프로세싱된 진단 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고; 여기서 상기 훈련된 진단 시스템은 상기 환자에 대한 진단 예측을 출력하기 위해 상기 복수의 진단 모델의 상기 분류를 통합한다.
본 발명의 다른 실시예는 상기 진단 모듈을 실행하는 프로그램이 적어도 하나의 센서로부터 떨어진 장치에서 실행되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 훈련된 진단 시스템이 운동 장애를 진단하도록 훈련된 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 운동 장애가 파킨슨병인 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 미가공 환자 데이터가 비디오 기록을 포함하고, 여기서 상기 비디오 기록은: 간단한 표정을 행하는 동안의 환자의 얼굴의 기록; 환자의 깜박임 레이트의 기록; 환자의 시선 변화의 기록; 앉은 상태에서의 환자의 기록; 준비된 진술을 읽는 동안의 환자의 얼굴의 기록; 반복적인 작업을 수행하는 환자의 기록; 및 걷는 동안의 환자의 기록 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 미가공 환자 데이터가 오디오 기록을 포함하고, 상기 오디오 기록은: 준비된 진술을 반복하는 환자의 기록; 문장을 읽는 환자의 기록; 및 파열음을 내는 환자의 기록 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 복수의 알고리즘이 머신 러닝 시스템을 사용하여 훈련되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 머신 러닝 시스템이: 컨벌루션 신경망; 순환 신경망; 장기 단기 메모리 네트워크; 서포트 벡터 머신들; 및 랜덤 포레스트 회귀 모델 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 다른 실시예는 환자에 이식된 의료 장치를 교정하기 위한 시스템을 제공하는 것으로, 본 시스템은, 프로세서 및 메모리와 통신하는 적어도 하나의 센서; 여기서 프로세서 및 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고; 여기서 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고; 프로세서 및 메모리와 통신하는 데이터 프로세싱 모듈; 여기서 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 교정 데이터로 변환하고; 데이터 프로세싱 모듈과 통신하는 교정 모듈을 포함하고; 여기서 상기 교정 모듈은 훈련된 교정 시스템을 포함하고; 여기서 상기 훈련된 교정 시스템은 복수의 교정 모델을 포함하고; 여기서 상기 복수의 교정 모델 각각은 상기 프로세싱된 교정 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고; 여기서 상기 훈련된 교정 시스템은 상기 환자의 상기 이식된 의료 장치에 대한 교정 권고를 출력하기 위해 상기 복수의 교정 모델의 상기 분류를 통합한다.
본 발명의 다른 실시예는 상기 교정 모듈을 실행하는 프로그램이 적어도 하나의 센서로부터 떨어진 장치에서 실행되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 이식된 의료 장치가 심뇌 자극 장치(DBS: deep brain stimulation device)를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 교정 권고가: 진폭, 펄스 폭, 레이트, 극성, 전극 선택, 자극 모드, 사이클, 전원 및 계산된 전하 밀도 중 적어도 하나를 포함하는 상기 DBS의 프로그래밍 설정들에 대한 변경을 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 미가공 환자 데이터가 비디오 기록을 포함하고, 여기서 상기 비디오 기록은: 간단한 표정을 행하는 동안의 환자의 얼굴의 기록; 환자의 깜박임 레이트의 기록; 환자의 시선 변화의 기록; 앉은 상태에서의 환자의 기록; 준비된 진술을 읽는 동안의 환자의 얼굴의 기록; 반복적인 작업을 수행하는 환자의 기록; 및 걷는 동안의 환자의 기록 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 미가공 환자 데이터가 오디오 기록을 포함하고, 상기 오디오 기록은: 준비된 진술을 반복하는 환자의 기록; 문장을 읽는 환자의 기록; 및 파열음을 내는 환자의 기록 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 복수의 알고리즘이 머신 러닝 시스템을 사용하여 훈련되는 그러한 시스템을 제공하는 것이다.
본 발명의 또 다른 실시예는 상기 머신 러닝 시스템이: 컨벌루션 신경망; 순환 신경망; 장기 단기 메모리 네트워크; 서포트 벡터 머신들; 및 랜덤 포레스트 회귀 모델 중 적어도 하나를 포함하는 그러한 시스템을 제공하는 것이다.
본 발명의 다른 실시예는 이러한 장애를 가진 것으로 진단된 환자의 신경계 장애의 진행을 모니터링하기 위한 시스템을 제공하는 것이며, 본 시스템은, 프로세서 및 메모리와 통신하는 적어도 하나의 센서; 여기서 프로세서 및 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고; 여기서 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고; 프로세서 및 메모리와 통신하는 데이터 프로세싱 모듈; 여기서 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 진단 데이터로 변환하고; 데이터 프로세싱 모듈과 통신하는 진행 모듈을 포함하고; 여기서 상기 진행 모듈은 훈련된 진단 시스템을 포함하고; 여기서 상기 훈련된 진단 시스템은 복수의 진단 모델을 포함하고; 여기서 상기 복수의 진단 모델의 각각은 상기 프로세싱된 진단 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고; 여기서 상기 훈련된 진단 시스템은 상기 환자에 대한 현재 진행 점수를 생성하기 위해 상기 복수의 진단 모델의 상기 분류를 통합하고; 여기서 상기 진행 모듈은 상기 환자에 대한 상기 현재 진행 점수를 이전 시점에서 생성된 상기 환자로부터의 진행 점수와 비교하여 현재 질환 진행 상태를 생성하고, 상기 질환 진행 상태를 출력한다.
본 발명의 이들 및 다른 실시예는 후술하는 설명 및 첨부된 표와 관련하여 고려될 때 보다 잘 인식되고 이해될 것이다. 그러나, 후술하는 설명은 본 발명의 다양한 실시예 및 그의 많은 특정 상세 사항을 나타내지만 한정이 아닌 예시의 방식으로 제공됨을 이해해야 한다. 많은 치환, 수정, 부가 및/또는 재구성이 그 사상을 벗어나지 않고도 본 발명의 범위 내에서 이루어질 수 있으며, 본 발명은 이러한 모든 치환, 수정, 부가 및/또는 재구성을 포함한다.
도 1은 인공 지능 기반 진단 시스템의 훈련 절차의 일 실시예의 블록도이다.
도 2는 실제로 사용되는 진단 시스템의 일 실시예의 블록도이다.
도 3은 본 발명의 시스템의 하나의 가능한 구현을 나타내는 다이어그램이다.
도 4는 본 발명의 시스템의 하나의 가능한 실시예를 나타내는 다이어그램이다.
정의:
"X 및 Y 중 적어도 하나를 포함하는"이라는 문구는 X가 단독으로 선택되는 상황, Y가 단독으로 선택되는 상황 및 X와 Y 모두가 함께 선택되는 상황을 지칭한다.
"신뢰 값"은 진단 시스템이 특정 진단의 정확도에서 갖는 상대적인 신뢰도를 나타낸다.
"모바일 장치"는 집 또는 사무실 외부의 사람에 의해 휴대되고 사용될 수 있는 전자 장치이다. 이러한 장치는 스마트폰, 태블릿, 랩탑 컴퓨터 및 PDA를 포함하지만 이에 한정되지 않는다. 이러한 장치는 통상적으로 메모리에 커플링된 프로세서, 터치 스크린 또는 키보드와 같은 입력 메커니즘, 디스플레이 스크린 또는 오디오 출력과 같은 출력 장치 및 장치가 다른 컴퓨터 장치와 통신할 수 있게 하는 wifi, BLUETOOTHTM, 셀룰러 네트워크와 또는 유선 LAN 접속과 같은 유선 또는 무선 인터페이스 기능을 갖는다.
소프트웨어 "모듈"은 프로세서 상에서 실행 가능하고 지정된 작업을 달성하도록 구성된 프로그램 또는 프로그램 세트를 포함한다. 모듈은 자율적으로 동작할 수 있거나, 사용자가 특정 커맨드를 입력하도록 요청할 수 있다.
"서버"는 네트워크를 통해 다른 컴퓨터 시스템에 서비스를 제공하는 하나 이상의 컴퓨터 및/또는 장치와 같은 컴퓨터 시스템이다.
특정 실시예에서, 시스템은 시간적 순서의 데이터를 생성하는 기간에 걸쳐 환자의 거동을 기록하는 데 사용되는 센서의 집합으로 구성된다. 1차 시스템은 바람직하게는 스마트-폰, 태블릿 및 랩탑에서 통상적으로 이용 가능한 비디오 및 오디오 센서를 이용하는 것을 포함한다. 이러한 1차 센서 외에, 이용 가능한 경우, 레인지 이미징 카메라, 자이로스코프, 가속도계, 터치 스크린/압력 센서 등을 포함하는 다른 센서가 머신 러닝 및 진단 시스템에 입력을 제공하기 위해 사용될 수 있다. 시스템에 이용 가능한 센서 데이터가 많을수록, 관련 센서 데이터를 사용하여 진단 시스템이 훈련되면 결과적인 진단이 더 정확할 것이라는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다.
따라서, 특정 실시예에서, 머신 러닝 시스템의 목적은 센서로부터 기록된 시간적 또는 정적 데이터를 입력으로서 취하여 각각의 진단 집합에 대한 확률 점수를 출력으로서 생성하는 것이다. 본 시스템은 또한 각각의 진단 확률에 대한 신뢰 점수를 출력할 수 있다. 또한, 본 시스템은 이러한 장치의 치료 효능을 최적화하기 위해 심뇌 자극 장치와 같은 이식된 장치를 교정하는 데 사용될 수 있다.
상술한 과제에 비추어, 머신 러닝 시스템의 하나의 목적은 운동 장애를 포함하는 신경계 장애를 검출하기 위한 저렴한 수단으로서의 역할을 하는 것이다. 처음에, 시스템의 출력은 의사가 환자에 대한 결정을 내리는 데 안내할 것이라는 것이 예상되지만, 시스템의 정확도에서의 신뢰가 증가함에 따라 상황은 변할 수 있다. 시스템은 처음에 위험 환자를 식별하기 위해 주로 사용될 것이기 때문에, 더 높은 위양성률(false positive rate)(즉, 더 낮은 특이성)을 희생시켜 더 낮은 위음성률(즉, 높은 감도)을 갖도록 조정될 수 있다. 대안적인 실시예에서, 본 발명의 시스템은 진단이 이루어진 후 환자를 모니터링하는 데 사용될 수 있다. 이러한 모니터링은, 예를 들어, 질환 진행을 결정하고, 운동 장애를 치료하기 위한 약물의 복용량 권고 또는 심뇌 자극 장치와 같은 이식된 의료 장치에 대한 제안된 프로그램 변경과 같은 환자에 대한 치료 계획을 안내하기 위해 사용될 수 있다.
바람직하게는, 시스템은 센서 데이터가 기록되는 동안 환자에게 수행하도록 요구되는 테스트의 집합을 포함할 것이다. 이 테스트는 특정 진단 정보를 이끌어내도록 설계될 것이다. 특정 실시예에서, 데이터를 수집하기 위해 사용된 장치는 사용자 또는 환자가 바람직한 테스트를 수행하도록 프롬프팅할 것이다. 이러한 프롬프트는 예를 들어, 테스트의 기재된 설명을 사용하거나, (이용 가능한 경우) 장치의 스크린에 표시되는 비디오 실연을 제공하거나, 카메라가 중앙에 있어야 할 곳을 나타내기 위해 장치 상에 표시되는 라이브 비디오 피드 상의 프레임 또는 다른 아웃라인을 제공함으로써 이루어질 수 있다. 바람직하게는, (예를 들어, 특정 센서를 이용할 수 없는 경우) 시스템은 모든 테스트로부터의 결과를 필요로 하지 않고 진단 결정을 내릴 수 있도록 유연할 것이다.
특정 실시예에서, 환자는 규칙적인 또는 불규칙적인 시간 간격으로 테스트 모음을 반복할 수 있다. 예를 들어, 환자는 질환의 진행을 지속적으로 모니터링하기 위해 2주마다 한 번씩 테스트를 반복할 수 있다. 복수의 시점에서 데이터가 수집되는 경우, 진단 시스템은 질환 상태의 평가를 도출하기 위해 모든 데이터 포인트에 걸쳐 통합할 수 있다.
특정 실시예에서, 머신 러닝 시스템은 전체적으로 이러한 테스트 동안 취득된 데이터를 취하고 이를 사용하여 원하는 출력을 생성할 것이다. 다른 실시예에서, 시스템은 또한 연령, 성별, 이전 병력, 가족 병력 및 임의의 부가적이거나 대안적인 의료 테스트로부터의 결과를 포함하지만 이에 한정되지 않는 환자에 대한 배경 정보를 통합할 수 있다.
전체 머신 러닝 시스템은 특정 머신 러닝 알고리즘을 이용하여 단일 테스트 또는 테스트의 서브세트로부터 진단을 생성하는 구성 요소를 포함할 수 있다. 시스템이 복수의 진단 구성 요소를 포함하는 경우, 시스템은 최종 시스템 출력을 생성하기 위해 부가적인 머신 러닝 알고리즘을 이용하여 결과를 결합할 것이다. 머신 러닝 시스템은 모든 환자에 대해 완료되어야 하는 필요한 테스트의 서브세트를 가질 수 있거나, 임의의 이용 가능한 테스트로부터의 데이터로 동작하도록 설계될 수 있다. 또한, 시스템은 진단을 강화하기 위해 부가 테스트를 규정할 수 있다.
머신 러닝 시스템에 의해 수행되는 프로세싱은 장치, 로컬 데스크탑 머신 또는 전자 접속을 통해 원격 위치에서 수행될 수 있다. 센서 데이터를 수집한 동일한 장치에서 프로세스가 수행되지 않는 경우, 데이터는 통상적으로 이용 가능한 임의의 유선 또는 무선 기술을 사용하여 서버와 같은 적절한 컴퓨팅 장치로 전송될 것으로 가정된다. 이러한 경우에, 원격 컴퓨터는 초기 장치로부터 데이터를 수신하고, 이러한 데이터를 분석하고, 그 결과를 적절한 위치로 전송하도록 구성될 것임은 본 기술 분야의 통상의 기술자에게 명백할 것이다.
특정 실시예에서, 잠재적 질환을 식별하기 위한 머신 러닝 시스템은 데이터 프로세싱 방법과 결합된 하나 이상의 머신 러닝 알고리즘을 포함한다. 머신 러닝 알고리즘은 통상적으로: 데이터 전처리, 데이터 정규화, 피처 추출 및 분류/회귀를 포함하여 출력을 얻기 위해 여러 단계의 프로세싱을 포함한다. 시스템의 구성 요소는 각각의 센서에 대해 개별적으로 구현될 수 있으며, 이 경우 최종 출력은 각각의 센서와 연관된 분류/회귀 출력의 융합으로부터 야기된다. 대안적으로, 일부 센서 데이터는 피처 추출 단계에서 융합되어 공유된 분류/회귀 모델로 전달될 수 있다.
다음으로, 각 프로세싱 단계가 수반하는 것에 대한 예가 제공된다. 이는 각각의 구성 요소의 역할을 설명하는 데 도움이 되지만, 포함될 수 있는 방법의 모든 범위를 커버하는 것을 의미하지는 않는다.
데이터 전처리: 시간 및 공간에서 데이터를 일시적으로 정렬, 서브샘플링 또는 슈퍼샘플링(내삽), 기본 필터링.
데이터 정규화: 가장 중요한 구성 요소를 식별하고 수집에 걸쳐 데이터를 정규화하기 위한 데이터의 일반적인 조직화. 얼굴 검출/로컬화(예를 들어, Viola, P. and Jones, M.(2001). 견고한 실시간 얼굴 검출. 컴퓨터 비전 국제 저널(International Journal of Computer Vision)(IJCV), 57(2): 137-154.), 얼굴 키포인트 검출(예를 들어, Ren, S., Cao, X., Wei, Y., Sun, J.(2014). 로컬 바이너리 피처 회귀를 통한 3000 fps에서의 얼굴 정렬. 컴퓨터 비전 및 패턴 인식(CVPR: Computer Vision and Pattern Recognition)에 대한 IEEE 컨퍼런스, pp 1685-1692.), 음성 검출, 모션 검출.
피처 추출: 입력 데이터의 관련 양태를 캡처하는 추상 피처 세트를 얻기 위한 필터 또는 다른 방법의 적용. 이에 대한 예는 이미지 시퀀스로부터 광 흐름 피처의 추출이다. 오디오에서, 멜 주파수 켑스트럼 계수(MFCC: Mel Frequency Cepstral Coefficients)가 음향 신호로부터 추출될 수 있다. 피처 추출은 분류/회귀 모델 내에서 암시적으로 구현될 수 있다(이는 통상적으로 딥 러닝 방법의 경우이다). 대안적으로, 피처 추출은 데이터를 인공 신경망으로 전달하기 전에 수행될 수 있다.
분류/회귀: 원하는 출력을 생성하기 위해 데이터로부터 훈련되는 지도형 머신 러닝 알고리즘. 분류의 경우, 시스템의 목적은 어떠한 진단 세트가 입력 받을 가능성이 가장 큰지를 결정하는 것이다. 진단 세트는 바람직하게는 질환 또는 운동 장애를 나타내지 않는 널(null) 옵션을 포함할 것이다. 특정 실시예에서, 분류 시스템의 출력은 일반적으로 각각의 가능한 진단과 연관된 확률이다(여기서 모든 출력에 걸친 확률의 합은 1이다). 회귀 시스템에서, 실제 값 출력은 독립적으로 예측된다. 예를 들어, 시스템은 장애의 심각도를 측정하기 위한 규격화된 스케일(예를 들어, 통합형 파킨슨병 평가 스케일(UPDRS: Unified Parkinson's Disease Rating Scale)에 속하는 점수를 예측하도록 훈련될 수 있다. 본 기술 분야의 통상의 기술자에게 명백한 바와 같이, 최종 출력을 생성하는 데 사용될 수 있는 머신 러닝 분류/회귀 알고리즘은 인공 신경망(상대적으로 얕거나 깊음)(Goodfellow, I., Bengio, Y., 및 Courville, A.(2016). 딥 러닝(Deep Learning). The MIT Press.), 순환 신경망, 서포트 벡터 머신(Hearst, M.(1998). 서포트 벡터 머신(Support Vector Machines). IEEE 지능형 시스템 13, 4(7월), 18-28.) 및 랜덤 포레스트이다. 시스템은 또한 출력을 생성하기 위해 머신 러닝 방법의 앙상블을 이용할 수 있다(Zhang, C. 및 Ma, Y.(2012). 앙상블 머신 러닝(Ensemble Machine Learning): 방법 및 어플리케이션(Methods and Applications). 스프린저 퍼블리싱 컴퍼니(Springer Publishing Company.)).
다양한 센서가 머신 학습 시스템에 대한 입력으로서 사용될 환자로부터의 데이터를 수집하는 데 채용될 수 있다. 한정이 아닌 예시의 방식으로, 센서는 이들로부터의 데이터가 어떻게 프로세싱될 수 있는지의 예와 함께 후술된다. 이 예는 적용될 수 있는 분석의 유형을 나타내기 위한 것이지만, 시스템이 포함할 수 있는 분석의 전체 범위를 커버하지는 않는다.
(비디오로부터의) 이미지 분석: 환자의 비디오 분석은 환자의 얼굴 및 얼굴 운동, 입 특정 운동, 팔 운동, 전신 운동, 보행 분석, 손가락 태핑(tapping)의 분석을 포함할 수 있다. 비디오 카메라는 관련 컨텐츠를 완전히 캡처하는 방식으로 위치될 수 있다(예를 들어, 초점이 단지 얼굴인 경우, 카메라는 얼굴에 가깝지만 얼굴/머리의 어떤 부분도 자르지 않을 것이며, 또는 초점이 손가락 태핑에 대한 손인 경우, 단지 환자의 손이 프레임에 있을 것이다). 시스템은 장치의 비디오 디스플레이 상의 프레임과 같은 온-스크린 프롬프트를 제공함으로써 사용자가 적절한 이미지를 수집하는 것을 도울 수 있다. 특정 신체 위치의 비디오 시퀀스가 관찰되면, 초기 프로세싱이 신체 부분 및 그 하위 구성 요소(예를 들어, 얼굴 및 눈 및 입 위치와 같은 얼굴의 부분)를 정확하게 로컬화하기 위해 수행될 수 있다. 로컬화는 추가 프로세싱 및 피처 추출이 수행되는 영역을 제한하는 데 사용될 수 있다.
(비디오 또는 마이크로폰으로부터의) 오디오 분석: 비디오 기록의 과정 전반에서, 오디오 신호가 또한 기록될 수 있다. 대안적으로, 마이크로폰이 비디오와 독립적으로 오디오 데이터를 획득하기 위해 사용될 수 있다. 일부 경우에, 초점이 운동에만 있으면, 오디오 데이터가 사용되지 않을 것이다. 그러나, 테스트의 다른 양태에서, 오디오 신호는 환자로부터의 음성 또는 수행되는 작업과 관련된 음향을 포함할 수 있으며, 진단 정보를 제공할 수 있다(예를 들어, Zhang, Y.(2017). 스마트폰이 파킨슨병을 진단할 수 있습니까?(Can a Smartphone Diagnose Parkinson Disease?) 딥 신경망 방법 및 원격 진단 시스템 구현(A Deep Neural Network Method and Telediagnosis System Implementation). 파킨슨병(Parkinson's Disease), vol. 2017.). 또한, 환자는 모든 환자에 걸쳐 표준화된 오디오 샘플을 제공하기 위해 특정 진술을 소리내어 읽거나 특정 지속 시간 동안 반복적인 파열음("PA", "KA" 및 "TA")을 만들도록 프롬프팅될 수 있다. 오디오가 사용되고 있는 경우, 프로세싱은 음성 및 다른 음향의 검출, 오디오 데이터의 통계적 분석, 피처 추출을 위한 신호의 필터링을 포함할 수 있다. 그 후, 미가공 오디오 데이터 및/또는 임의의 도출된 피처가 추가적인 피처 추출을 수행하기 위해 순환 신경망에 입력으로서 제공될 수 있다. 마지막으로, 중간 표현이 원하는 출력을 생성하기 위해 다른 신경망으로 전달되거나, 최종 의사 결정 구성 요소로 전달되기 전에 다른 양식으로부터의 피처와 결합될 수 있다.
레인지 이미징 시스템(예를 들어, 적외선 비행 시간, LiDAR 등): 레인지 이미징 시스템은 시야에 있는 객체의 구조에 관한 정보를 기록한다. 통상적으로 레인지 이미징 시스템은 이미지의 모든 픽셀에 대한 깊이 값을 기록한다(LiDAR의 경우, 가시 장면에 대해 완전한 3D 포인트 클라우드를 생성할 수 있음). 2D 깊이 데이터 또는 3D 포인트 클라우드 데이터가 머신 러닝 시스템에 통합되어 객체 로컬화, 키포인트 검출, 모션 피처 추출 및 분류/회귀 결정을 지원할 수 있다. 많은 예에서, 이 데이터는 종종 전처리, 정규화 및 피처 추출을 필요로 한다는 점에서 이미지 및 오디오 데이터와 유사한 방식으로 프로세싱된다.
자이로스코프 및 가속도계: 대부분의 휴대용 장치(예를 들어, 스마트폰 및 태블릿)는 장치의 배향 및 운동을 측정하는 센서를 포함한다. 이들 센서는 보충 진단 정보를 제공하기 위해 머신 러닝 시스템에 의해 사용될 수 있다. 특히, 센서는 환자가 특정 작업을 수행하는 동안 환자에 대한 운동 정보를 기록하는 데 사용될 수 있다. 운동 데이터는 작업에 대한 주요 소스 데이터일 수 있거나 동시에 기록된 비디오 데이터와 결합될 수 있다. 시간적 운동 데이터는 머신 러닝 알고리즘으로 전달될 수 있는 차별적인 표현을 얻기 위해 데이터 및 피처 추출을 준비하기 위해 전처리 단계를 사용하여 비디오 데이터와 유사한 방식으로 프로세싱될 수 있다.
터치 스크린/압력 센서: 많은 장치는 장치와의 물리적 상호 작용을 캡처하는 온보드 터치 스크린을 갖는다. 일부 경우에, 본 장치는 또한 상이한 유형의 촉각 상호 작용 간에 구분할 수 있는 보다 미세한 해상도의 압력 센서를 갖는다. 이들 센서는 진단 정보의 추가 소스로서 머신 러닝 시스템에 통합될 수 있다. 예를 들어, 환자는 터치 스크린과의 상호 작용을 포함하는 작업의 시퀀스를 수행하도록 지시받을 수 있다. 환자의 반응의 타이밍, 위치 및 압력은 머신 러닝 시스템에서 보충 피처로서 통합될 수 있다.
머신 러닝 시스템은 주어진 입력 세트에 대한 예상 출력을 생성하도록 훈련될 수 있다. 특정 실시예에서, 미가공 입력 데이터를 보고 주석을 달은 전문 신경과 전문의는 머신 러닝 시스템을 훈련시키는 데 사용되는 데이터 출력을 정의할 것이다. 대안적으로(또는 부가적으로), 일부 테스트에 대한 출력은 환자에 대해 알려진 정보에 의해 정의될 수 있다. 예를 들어, 환자가 특정 운동 장애를 가진 것으로 알려진 경우, 전문 신경과 전문의가 해당 특정 테스트로만 운동 장애를 진단할 수 없는 경우에도 해당 정보는 특정 테스트의 입력과 연관될 수 있다. 건강하고 질환이 있는 다양한 환자를 커버하는 주석이 달린 데이터세트가 집합되며 머신 러닝 시스템을 훈련 및 검증하는 데 사용될 것이다. 인공 지능 시스템은 데이터로부터 학습되지는 않았지만 진단에 중요하다고 여겨지는 추가적인 전문 지식을 통합할 수 있다(예를 들어, 전문 신경과 전문의에 의해 정의되는 보충 결정 트리(Quinlan, J.(1986). 결정 트리의 유도(Induction of Decision Trees). 머신 러닝(Machine Learning) 1(1).: 81-106)).
데이터세트는 시스템이 배치될 때 사용될 장치와 유사한 장치에서 수행된 기록으로부터 부분적으로 생성될 것이다. 그러나 훈련은 다른 소스(예를 들어, 운동 장애를 갖거나 갖지 않는 환자의 기존 비디오 기록)로부터 생성된 데이터에 또한 의존할 수 있다.
바람직하게는, 일단 시스템이 동작되면, 추가 데이터가 (환자의 허락 하에) 수집되어 장래 버전의 머신 러닝 시스템을 훈련 및 개선하는 데 사용될 수 있다. 이 데이터는 장치에 기록되어 추후의 시간에 영구적인 컴퓨터 저장소로 전송될 수 있거나 실시간 또는 거의 실시간으로 장치 저장 시스템 외부로 전송될 수 있다. 전송 수단은 통상적으로 이용 가능한 임의의 유선 또는 무선 기술을 포함할 수 있다.
특정 실시예에서, 원하는 분류/회귀 작업을 수행하기 위해 딥(deep) 러닝 접근법이 사용될 수 있다. 이 경우, 딥 러닝 시스템은 문제와 관련된 추상 피처 표현을 내부적으로 생성할 것이다. 특히, 시간적 데이터가 딥, 추상 피처 표현을 얻기 위해 장기 단기 메모리(LSTM: long short-term memory)와 같은 순환 신경망을 사용하여 프로세싱될 수 있다. 이러한 피처 표현은 그 후 최종 분류 또는 회귀 출력을 얻기 위해 표준 딥 신경망 아키텍처에 제공될 수 있다.
이제 도면을 참조하여, 본 발명의 일 실시예의 블록도가 설명된다. 도 1은 본 발명의 인공 지능 시스템이 어떻게 훈련될 수 있는지의 일례를 나타낸다. 우선, 미가공 데이터(101)가 다수의 건강한 개인뿐만 아니라 관심 질환(또는 질환들)을 가진 것으로 진단된 개인으로부터 획득된다. 이러한 데이터는 비디오, 오디오 또는 터치 기반 센서를 포함한 다수의 상이한 센서 유형으로부터 수집될 수 있다. 바람직하게는, 복수의 상이한 유형의 데이터가 상술한 바와 같이 각각의 센서로부터 수집될 것이다. 훈련 프로세스 동안, 데이터는 관련 질환 진단에서 훈련된 전문가에 의해 분류될 것이다(102). 이 분류는 (파킨슨병과 관련된 특정 작업에 대해 UPDRS 스케일을 사용하는 것과 같이) 수행된 테스트에 특정적일 수 있거나, 문제의 특정 테스트가 해당 질환을 나타내는지 여부에 관계 없이 환자의 전체 진단에 관한 단순한 바이너리 지정일 수 있다.
그 후 이러한 미가공 데이터는 데이터 프로세싱을 겪을 것이다(103). 데이터 프로세싱은 데이터를 수집하기 위해 사용된 장치에서 일어날 수 있거나, 미가공 데이터는 임의의 유선 또는 무선 기술을 사용하여 원격 서버로 전송되어 거기서 프로세싱될 수 있음이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 또한, 피처 추출은 시스템의 데이터 프로세싱 단계의 일부로서 수행될 수 있거나, 사용된 특정 머신 러닝 시스템에 따라 훈련 및 모델 생성 단계 동안 머신 러닝 시스템에 의해 수행될 수 있음이 명백할 것이다. 또한, 상술한 (102)에 설명된 분류 단계는 데이터가 프로세싱되기 전이 아니라 프로세싱된 후에 수행될 수 있다.
바람직하게는, 본 발명의 시스템은 진단 모델의 훈련을 용이하게 하기 위해 특정 신경계 장애를 갖는 자로 분류된 대상을 "건강한" 자로 분류된 대상과 비교할 것이다.
특정 실시예에서, 센서 데이터는 이미지 프로세싱, 신호 프로세싱 또는 머신 러닝을 사용하여 프로세싱되어 일부 액션(예를 들어, 떨리는 턱 변위, 손가락 태핑 레이트, 반복적인 음성 레이트, 얼굴 표정 등)과 연관된 측정값을 추출할 수 있다. 이러한 측정은 그 후 시스템을 통해 수집되거나 다양한 장애에 대한 문헌에서 참조된 건강하거나 질환을 가진 환자에 대한 규범 값과 비교될 수 있다. 예를 들어, 파킨슨병에 대한 통상적인 음성 테스트는 5초 동안 가능한 한 많은 횟수의 음절(예를 들어, "PA")을 반복해서 말하는 것이다. 시스템은 이 작업을 완료한 사람의 오디오를 기록하고 신호 프로세싱 또는 머신 러닝 방법을 사용하여 5초 윈도우 내의 총 발화 수를 카운트한다. 총 발화 카운트를 건강한 사람들의 집단에 걸쳐 관찰된 카운트의 분포와 비교하여 진단을 얻을 수 있다. 또한, 이 측정값은 추가 센서 데이터로부터 추출된 다른 피처와 아마도 결합된 다양한 측정값의 집합으로부터 진단하는 것을 학습하는 다운스트림 머신 러닝 시스템에 대한 피처로서의 역할을 할 수 있다.
일단 데이터가 준비되면, 결합될 때 예측 진단 모델을 생성하는 데 사용되는 다수의 분류 모델을 생성하기 위해 복수의 머신 러닝 시스템을 훈련시키는 데 사용된다(104). 바람직하게는, 훈련된 진단 모델 각각은 수집된 환자 데이터의 단일 양태(또는 양태의 서브세트)에 초점을 맞출 것이다. 예를 들어, 진단 모델 1은 환자 얼굴 비디오의 깜박임 레이트에만 초점을 맞출 수 있는 반면, 진단 모델 2는 반복적인 손가락 태핑 테스트의 빈도에 초점을 맞출 수 있다. 바람직하게는 이러한 진단 모델은 특정 신경계 장애를 갖는 자로 분류된 대상으로부터의 데이터를 "건강한" 자로 분류된 대상으로부터의 데이터와 비교함으로써 훈련될 것이다. 바람직하게는, 다수의 이러한 훈련된 진단 모델이 각각의 가능한 질환에 대해 생성될 것이다. 그렇게 하면 전체 시스템이 개별 테스트가 결정적이지 않거나 누락된 인스턴스를 수용할 수 있게 할 것이다. 이러한 훈련된 진단 모델에 의해 생성된 분류는 추가 인공 지능(AI) 시스템에 의해 집계되어(105) 최종 예측 진단 모델(106)을 생성할 것이다.
배치시, 훈련된 시스템은 환자에 대한 예측 진단을 생성하는 데 사용될 수 있다(도 2). 바람직하게는, 데이터 획득(201) 및 프로세싱(202) 단계는 진단 시스템의 훈련 동안 사용된 방법과 유사하거나 동일할 것이다. 일단 프로세싱되면, 시스템은 데이터를 관련 훈련된 진단 모델로 전달하고, 이에 의해 각각의 모델은 상술된 훈련 결과에 기초하여 데이터에 분류자를 할당할 것이다(203). 각각의 진단 모델의 출력이 집계될 것이고(204), 이에 의해 시스템은 예측 진단 출력을 생성할 것이다(205).
본 기술 분야의 통상의 기술자에게, 배치될 때, 데이터 획득, 프로세싱, 훈련 및 진단 단계가 데이터를 수집하는 데 사용된 장치에서 수행될 수 있거나, 알려진 임의의 유선 또는 무선 기술을 사용하여 한 장치로부터 다른 장치로 데이터를 전송함으로써 다른 장치에서 수행될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다.
도 3은 잠재적으로 신경계 장애를 가질 수 있는 환자를 진단하기 위한 본 발명의 시스템의 하나의 가능한 구현을 나타낸다. 우선, 사용자는 본 발명의 프로그램을 실행할 수 있는 어플리케이션을 실행하도록 셀 폰 또는 태블릿 컴퓨터와 같은 모바일 장치에 지시한다(301). 그 후, 사용자는 진단될 대상에 대해 일련의 테스트를 수행하도록 프롬프팅된다(302). 사용자와 대상은 동일한 사람이거나 다른 사람일 수 있음이 명백할 것이다. 이 예에서, 어플리케이션은 3개의 테스트를 수행하도록 사용자에게 프롬프팅하였으며, 하나는 장치의 내장 카메라를 사용하여 다양한 얼굴 표정을 기록하는 데 초점을 맞추고, 하나는 장치 내에 장착된 가속도계를 사용하여 미세한 모터 제어에 초점을 맞추고, 하나는 사용자가 스크린 상에 표시된 문장을 읽게 하고 장치의 마이크로폰을 사용하여 음성을 기록함으로써 음성 패턴에 초점을 맞춘다. 사용자가 프롬프팅된 테스트를 수행함에 따라, 관련 데이터가 수집된다(303). 이 예에서, 데이터는 원격 클라우드 서버로 전송되고, 여기서 본 발명의 훈련된 AI 프로그램은 특정 테스트에 기초하여 임상 결과(305)를 생성하기 위해 데이터를 프로세싱 및 분석한다(304). 개별 임상 결과는 훈련된 AI 프로그램에 의해 그 후 집계되어(306) 사용자에게 출력되는 최종 임상 결과를 생성한다(307). 추가 센서 입력이 또한 사용될 수 있고, 임의의 개별 AI 프로그램이 개별 임상 결과를 생성하기 위해 하나 이상의 센서로부터의 데이터를 통합할 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 장치가 전체 어플리케이션을 실행할 수 있는 충분한 컴퓨팅 능력과 저장소를 가지고 있다면 훈련된 AI 프로그램이 데이터를 수집하는 데 사용되는 장치에 수용될 수 있다는 것이 추가로 명백할 것이다.
작업 예:
후술하는 작업 실시예는 본 발명의 하나의 예시적인 실시예를 제공하고, 어떠한 방식으로도 본 발명의 범위를 제한하려는 것이 아니다. 이것은 운동 장애를 진단하는 일반적인 시스템의 하나의 특정 실시예이다. 이러한 장애는: 파킨슨병(PD), 혈관성 PD, 약물 유발성 PD, 멀티시스템 위축, 진행성 핵상 마비(Progressive Supranuclear Palsy), 피질기저핵 증후군(Corticobasal Syndrome), 전두측두엽 치매(Front-temporal dementia), 심인성 떨림(Psychogenic tremor), 심인성 운동 장애 및 정상 뇌압 수두증(Normal Pressure hydrocephalus); 프리드리히 운동 실조(Friedrichs Ataxia), 척추 소뇌성 운동 실조(spinocerebellar ataxias) 1-14, X-연관 선천적 운동 실조(X-linked congenital ataxia), 토코페롤 결핍을 갖는 성인 발병 운동 실조(Adult onset ataxia with tocopherol deficiency), 모세혈관확장성 운동실조(Ataxia-telangiectasia) 및 카나반병(Canavan Disease)를 포함하는 운동 실조; 헌팅턴병(Huntington's disease), 신경-유극적혈구증가증(Neuro-acanthocytosys), 양성 유전성 무도병(benign hereditary chorea), 및 레쉬-니한 증후군(Lesch-Nyan syndrome); 오펜하임 염좌 근육 긴장 이상(Oppenheim's torsion dystonia), X-연관 근육 긴장 이상-파킨슨증(X-linked dystonia-Parkinsonism), 도파-반응성 근육 긴장 이상(Dopa-responsive dystonia), 안변 두경부 근육 긴장 이상(Craio-cervical dystonia), 속발성 근육 긴장 이상 파킨슨증(Rapid onset dystonia parkinsonism), 니만-피크 유형 C(Niemann-Pick Type C), 철 침착을 갖는 신경 퇴행(Neurodegeneration with iron deposition), 연축성 발성장애(spasmodic dysphonia) 및 연축성 사경(spasmodic torticollis)을 포함하는 근육 긴장 이상; 유전성 하이퍼플렉시아(Hereditary hyperplexia), 운베리히트-룬드보그병(Unverricht-Lundborg disease), 라포라 소체병(Lafora body disease), 근간대성 간질(myoclonic epilepsies), 크로이츠펠트-야콥병(Creutzfeldt-Jakob Disease)(가족성 및 산발적), 및 치아적핵창백핵루이체 위축증(Dentatorubral-pallidoluysian atrophy)(DRPLA); 간헐성 운동 실조 1 및 2, 운동성(kinesigenic), 비운동성 및 운동성(exertional)을 포함하는 발작성 이상 운동증(Paroxysmal dyskinesiase); 투렛 증후군(Tourette's syndrome) 및 레트 증후군(Rett Syndrome); 수전증, 프라이머리 헤드 떨림(primary head tremor) 및 프라이머리 음성 떨림(primary voice tremor)을 포함하지만, 이에 한정되지는 않는다.
훈련 프로세스는: 1) 데이터 획득, 2) 데이터 주석달기, 3) 데이터 준비, 4) 진단 모델 훈련, 5) 훈련 모델 집계 및 6) 모델 배치의 6개의 주요 단계를 포함한다. 일반적으로 파킨슨병 진단에는 복수의 테스트가 사용되며, 이와 같이, 이러한 5 단계의 상세 사항은 테스트별로 약간 다를 수 있다. 아래 방법은 (예를 들어, 스마트 폰 또는 컴퓨터 상의) 표준 비디오 카메라를 통해 수집될 수 있는 데이터만을 이용한다. 그러나 다른 센서로부터의 데이터가 추가 입력으로서 추가될 수 있다.
1. 데이터 획득
기능성 마이크로폰을 가진 비디오 카메라를 사용하여 다양한 테스트가 기록될 수 있다. 이 데이터를 기록하는 절차는 환자별로 일관적이어야 한다. 이들 비디오 기록은 PD를 진단하기 위한 훈련 모델에 사용될 것이며, 새로운 환자를 진단할 때 배치된 시스템에 대한 입력으로서의 역할을 할 것이다. 바람직한 테스트는 다음의 테스트로 분류될 수 있지만(그 중 일부는 복수의 기록을 필요로 할 수 있음), 진단 정확도를 유지하면서 더 적거나 대안적인 테스트가 또한 수행될 수 있음은 본 기술 분야의 통상의 기술자에게 명백할 것이다:
액션의 시퀀스를 프롬프팅하면서 환자의 얼굴의 클로즈-업 비디오를 기록한다. 이 테스트의 목적은 휴식 중인 얼굴, 간단한 표정을 행하는 얼굴, 깜박임 레이트 정보 및 시선 변화(좌우, 상하, 수렴)를 포함하는 비디오를 수집하는 것이다.
환자가 앉아 있는 동안 환자의 전신의 비디오를 기록한다. 이 테스트의 목적은 편한 자세로 있는 환자의 손과 발을 포함하는 비디오를 캡처하는 것이다. 이 데이터는 환자가 팔을 들고 환자로부터 전방으로 똑바로 유지하고 있는 비디오를 또한 포함할 것이다.
프롬프팅된 문장을 말하거나 대안적인 음성 분석 방법을 수행하는 동안 환자의 얼굴의 클로즈-업 비디오(오디오와 함께)를 기록한다. 음성 분석은 환자에게 특정 기간 동안 반복적인 파열음("PA", "TA", "KA" 및 "PA-TA-KA")을 말하거나 단락을 소리내어 읽도록 요청할 수 있다.
반복적인 운동을 수행하는 환자의 복수의 클립을 기록한다. 이러한 운동은 손가락 태핑, 손을 반복적으로 펴고 쥠, 손 회전(내전/외전), 힐 태핑을 포함한다. 각각의 경우에, 비디오는 액션을 수행하는 신체 부분에서 확대될 것이다(즉, 손가락/손 운동에 대해서는, 손이 비디오 프레임을 거의 채워야 하고, 발 운동에 대해서는, 발이 비디오 프레임을 거의 채워야 한다).
환자가 자신의 의자에서 일어나서 10-15 걸음 걷고, 180도 회전하여 및 뒤로 걷는 것을 기록한다. 이것은 환자가 의자에서 나오는 정면 뷰를 캡처하는 방식으로 기록되어야 한다. 또한, 기록은 걷는 중에 어느 지점에서 환자의 정면도를 포함해야 한다.
진단 모델을 훈련시키기 위해, 상술한 데이터는 질환이 있거나 건강한 개인의 개체군에 대해 기록될 것이다. 궁극적으로, 많은 개인의 개체군에 대한 기록이 요구된다. 그러나, 이용 가능한 데이터에 대해 중간 모델이 훈련됨에 따라 데이터세트가 반복적으로 커질 수 있다. 예를 들어, 시스템은 환자에게 상술한 테스트를 수행하도록 지시하는 스마트 폰 앱에 배치될 수 있다. 앱은 기존의 훈련된 모델을 사용하여 환자에 대한 진단을 제공할 수 있고, 그 후 해당 환자로부터의 데이터가 장래 모델에 대해 이용 가능한 훈련 데이터의 세트에 추가될 수 있다.
2. 데이터 주석달기
데이터 획득에 후속하여, 비디오 기록의 특성을 라벨링하기 위해 데이터 주석달기 단계가 요구될 것이다. 훈련된 전문가가 각각의 비디오 기록을 검토하고 관련 평가의 집합을 제공할 것이다. 적절한 경우, 전문가는 환자의 관찰 가능한 다양한 특성에 대해 통합형 파킨슨병 평가 스케일(UPDRS) 등급을 할당할 것이다. 예를 들어, 테스트 1의 얼굴 기록의 경우, 얼굴 표정 및 얼굴/턱 떨림에 대해 UPDRS 점수가 할당될 것이다. UPDRS가 적용될 수 없는 상황에서, 전문가는 비디오 기록에 대안적인 라벨을 할당할 수 있다. 예를 들어, 테스트 1의 얼굴 기록의 경우, 전문가는 환자의 깜박임 레이트를 정상에서 심하게 감소되는 5개의 카테고리로 분류할 수 있다. 테스트 2의 경우, 전문가는 각각의 말단의 떨림의 양에 대해 UPDRS 점수를 할당할 것이다. 테스트 3의 경우, 전문가는 특정 지속 시간의 파열음 수, 또는 프롬프팅된 단락의 공명, 조음, 운율, 볼륨, 음질 및 조음 정밀도에 기초하여 환자의 음성에 대해 UPDRS 점수를 할당할 것이다. 테스트 4의 경우, 전문가는 수행된 각각의 반복적인 운동 작업에 대해 UPDRS 점수를 할당할 것이다. 테스트 5의 경우, 전문가는 의자, 자세, 보행 및 신체 운동 완서증/운동 감소증으로부터 발생하는 UPDRS 점수를 할당할 것이다. 전문가는 교대 운동 레이트(AMR: alternating motion rate) 및 보행 분석을 포함하여, 특정 작업의 비디오 분석을 통해 근육 톤(강성, 경직, 저긴장, 고긴장, 근육 긴장 이상, 및 이완)과 같은 진단에 도움이 될 수 있는 비디오 기록의 임의의 다른 식별 가능한 특성을 식별하고 라벨링할 수 있다.
상술한 전문가 주석달기 외에, 데이터는 다른 형태의 비전문가 주석달기를 요구할 수 있다. 일반적으로, 이러한 주석달기는 PD 진단과 관련이 없으며 대신 비디오의 관련 특성을 라벨링하는 것에 초점을 맞춘다. 이의 예는: 관련 없는 데이터를 제거하기 위해 비디오 기록의 끝을 트리밍(trimming)하기, 음성의 시작과 끝에 마킹하기, 비디오 시퀀스에서 각각의 깜박임을 식별 및 라벨링하기, 비디오 시퀀스 전반에서 손 또는 발의 위치를 라벨링하기, 손가락 태핑의 비디오에서 탭을 마킹하기, 테스트 5의 비디오에서 액션 세그먼트화(예를 들어, 의자에서 일어나기, 걷기, 회전하기), 등을 포함한다.
모델 훈련에 이용 가능한 모든 데이터에 대해 일관된 주석달기가 제공되어야 한다. 진단 주석달기(UPDRS 또는 다른 분류)의 경우, 모든 훈련 예가 라벨링되어야 한다. 비-진단 주석달기는 최종 진단 모델을 훈련하기보다는 데이터 준비 단계를 훈련하기 위해 일반적으로 사용될 것이므로 모든 훈련 예에 필요하지 않을 수 있다.
3. 데이터 준비
미가공 비디오 및 오디오 데이터는 통상적으로 모델을 훈련시키기 위해 사용될 수 있기 전에 몇몇 단계의 준비를 거칠 필요가 있다. 이러한 단계는 데이터 전처리(예를 들어, 비디오/오디오 트리밍, 비디오 자르기, 오디오 이득 조정, 시계열 서브샘플링 또는 슈퍼샘플링, 시간적 스무딩(smoothing), 등), 정규화(예를 들어, 오디오 클립을 표준 템플릿에 정렬, 얼굴 이미지를 캐노니컬 뷰(canonical view)로 변환, 관심 객체 검출 및 그 주변 자르기, 등) 및 피처 추출(예를 들어, 음향 데이터로부터 멜 주파수 켑스트럼 계수(MFCC) 도출, 비디오 데이터에 대한 광 흐름 피처 컴퓨팅, 깜박임 또는 손가락 탭과 같은 액션 추출 및 표현, 등)을 포함한다.
상술한 테스트로부터 수집된 데이터가 주어지면, 최종 진단을 얻기 위해 적용될 수 있는 많은 다른 분석이 존재한다. 후속하여, 각 경우에 진단을 달성하기 위해 필요한 방법을 나타내기 위해 몇몇 이러한 분석의 예가 제공된다. 최종 시스템에서, 전체 진단을 달성하기 위해 많은 진단 모델(본원에서 설명되지 않은 모델 포함)이 훈련되고 결합될 것이다. 상술한 예는 상술한 첫 번째 테스트에 적합한 방법을 대략적으로 커버하도록 선택되었다. 각각의 5개 테스트 내의 다양한 분석은 일반적으로 더 큰 유사성을 나타낼 것이다. 이러한 동일한 예가 모델 훈련이 설명되는 후속 섹션에서 사용될 것이다.
얼굴/턱 떨림 평가(데이터 준비)
시험 1로부터의 데이터는 편안한 상태 및 몇몇 액션을 수행하는 환자 얼굴의 클로즈-업 뷰를 포함한다. 이 데이터는 턱과 얼굴의 다른 영역의 떨림을 식별하고 측정하는 데 사용될 수 있다. 여기서 간결성을 위해, 테스트 1이 하위 집합으로 분할되었고 이 작업에 이용 가능한 데이터는 편안한 상태의 얼굴만의 기록을 포함하는 것으로 가정할 것이다.
특정 실시예에서, 얼굴 표정 테스트는 환자에게 얼굴 표정의 변화를 끌어낼 것 같은 비디오 및 오디오의 결합을 관찰하도록 요청한다. 이는 유머, 혐오감 또는 놀라운 비디오 또는 유사한 특성을 가진 사진 또는 놀라운 오디오 클립을 포함할 수 있다(단, 이에 한정되지 않음). 환자가 이러한 자극을 관찰하는 동안, 카메라("셀피 모드" 또는 다른 방식으로 대상의 얼굴을 향함)는 환자의 얼굴에 초점을 맞추어 얼굴 표정의 변화와 턱 떨림의 유무를 분석한다.
미가공 비디오 데이터를 프로세싱하는 첫 번째 단계는 얼굴이 존재하고, 방해받지 않고, 편안한 상태에 있는 비디오 내에서 연속 영역(들)을 찾는 것이다. 이 작업을 위해, 상용 얼굴 검출 알고리즘(예를 들어, 비올라, 존스(Viola, Jones) 또는 더 진보된 컨벌루션 신경망) 또는 Amazon RekognitionTM과 같은 온라인 API를 통해 이용 가능한 알고리즘이 얼굴이 있는 비디오 프레임을 식별하는 데 사용될 수 있다. 얼굴이 없는 비디오 영역은 폐기될 것이다. 얼굴이 있는 연속 섹션이 충분하지 않으면 비디오는 다시 기록될 필요가 있거나 데이터가 훈련 세트로부터 폐기될 것이다. 이 단계 동안 실행되는 얼굴 검출 알고리즘은 또한 (얼굴이 대략 중앙에 있는) 얼굴만을 포함하는 영역으로 비디오를 자르는 데 사용될 것이다. 이 프로세스는 다른 기록에 걸쳐 다양한 크기의 얼굴에 대한 제어를 돕는다.
얼굴 프로세싱의 다음 단계는 표준 얼굴 랜드마크(예를 들어, 눈가, 입, 코, 턱선 등)의 위치를 식별하는 것이다. 무료 라이센스 소프트웨어를 사용하여 또는 온라인 API를 통해 이것이 수행될 수 있다. 대안적으로, 이 문제에 대한 맞춤형 해결책이 자유롭게 이용 가능한 얼굴 랜드마크 데이터세트로부터 데이터를 사용하여 훈련될 수 있다.
주요 얼굴 피처의 위치가 알려지면, 알고리즘은 얼굴의 일부 주위에 직사각형 영역을 잘라냄으로써 비디오로부터 관심 영역을 추출한다. 하나의 이러한 영역은 턱 영역을 포함하고 턱의 약간 아래로부터 수직 방향으로 코의 중간까지 그리고 수평 방향으로 얼굴의 측면까지 개략 연장된다. 이 시점에서 떨림이 발생하는 얼굴의 다른 영역이 또한 추출될 수 있다. 또한, 전체 얼굴의 자르기가 유지될 수 있다.
관심 영역의 추출 동안, 이미지 안정화 기술이 잘려진 비디오 시퀀스 내에서 관심 객체의 매끄러운 뷰를 보장하기 위해 사용된다. 이들 기술은 하나의 프레임에서 다음 프레임으로의 검출된 얼굴 박스 영역에서의 변화 또는 유사하게 특정의 얼굴 랜드마크의 위치 변화에 의존할 수 있다. 이 정규화의 목적은 관심 영역의 명확하고 안정적인 뷰를 얻는 것이다. 예를 들어, 턱 영역의 뷰는 매끄럽고 일관성이 있어서 턱에서의 떨림이 관심 영역 내에서 상하 운동으로 보일 수 있고 턱 영역의 전체 뷰에서 지터(jitter)를 유발하지 않을 것이다.
이 단계의 끝에서, 준비된 데이터는 얼굴의 특정 뷰 상에서 확대된 비디오의 집합으로 구성된다. 최종 프로세싱 단계로서, 이들 클립의 지속 시간은 환자 기록에 걸쳐 표준 지속 시간을 달성하도록 수정될 수 있다.
4. 진단 모델 훈련
미가공 비디오 및 오디오 데이터가 상술된 기술을 사용하여 준비되면, 모델은 정확한 진단 결정을 내리도록 훈련된다. 환자의 운동의 상이한 양태를 진단하기 위해 많은 상이한 모델이 훈련될 것이다. 이전 섹션에서와 같이, 몇몇 특정 예가 여기에 상세히 설명된다. 그러나, 여기에 설명되지 않은 것은 사실상 유사할 것이다.
또한, 상술한 테스트로부터 도출되지 않은 추가의 의료 정보는 모델에 대한 훈련 입력으로서 사용될 수 있다. 예를 들어, 환자의 연령, 체중, 병력 또는 가족력과 같은 관련 정보가 본 발명의 시스템에 직접 제공될 수 있다. 이러한 정보는 환자의 전자 건강 기록(Electronic Health Records)으로부터 자동으로 추출될 수 있거나, 시스템에 의해 제시된 질문에 응답하여 환자 또는 의사에 의해 수동으로 입력될 수 있다.
4.1. 얼굴/턱 떨림 평가(모델 훈련)
상술한 설명에 따라 준비된 데이터세트는 관심 있는 얼굴 영역의 하나 이상의 비디오 시퀀스를 포함한다. 이들 시퀀스는 고정된 수의 프레임을 포함하도록 표준화되었다. 또한, 각 시퀀스에 대해, 관찰된 얼굴/턱 떨림과 연관된 UPDRS 점수에 대한 전문가 주석을 갖는다. 간결성을 위해, 단일한 관심 영역에 대한 모델을 설명한 후 이 프레임워크가 복수의 관심 영역으로 어떻게 확장될 수 있는지 간략하게 논의할 것이다.
10초 동안 초당 30 프레임으로 기록된 턱의 비디오 시퀀스를 고려한다. 턱 주위의 잘려진 영역은 128 x 256 픽셀(행 x 열)의 치수를 갖는 것으로 가정한다. 데이터는 각각 128 x 256 크기의 300 샘플 이미지의 시퀀스일 것이다(이들 숫자는 단지 설명을 위한 것이며 모델에 사용된 정확한 치수를 반영하지는 않는다). 각 환자에 대해, 해당 환자에 대한 이러한 시퀀스 및 관련 UPDRS 점수를 갖는다. 모델 훈련의 목적은 데이터로부터 도출된 입력 시퀀스로부터 UPDRS 점수를 예측하는 것을 학습하는 것이다.
이러한 매핑을 학습하기 위해, 컨벌루션 신경망과 순환 신경망(특히 장기 단기 메모리(Long short-term memory) 네트워크)의 조합을 사용한다. 독립 이미지 프레임 상에서 동작하는 컨벌루션 블록의 표준 집합을 정의한다. 각 블록은 컨벌루션 연산자와 선택적 풀링(pooling) 및 정규화 계층의 조합을 포함한다. 블록은 또한 네트워크에서 입력 데이터 또는 그 수정된 버전을 순방향으로 공급하는 스킵 접속을 포함할 수 있다. 컨벌루션 블록의 끝에서, 피처는 단일 피처 벡터로 평탄화된다. 모델은 가까운 식별 작업에 유용한 각 이미지에 대해 단일 피처 벡터를 생성하기 위하여 컨벌루션 블록의 가중치를 학습한다. 네트워크 프로세싱 파이프라인의 이 시점에서, 비디오 시퀀스의 각 이미지 프레임에 대한 피처 벡터가 있다. 피처의 이러한 시퀀스는 데이터의 시간 차원에 걸친 통합을 학습하는 LSTM 네트워크로 전달된다. LSTM 네트워크는 이어서 UPDRS 점수에 대한 최종 실제 값 예측을 생성하는 데 사용될 수 있는 전체 시퀀스에 대한 피처 벡터를 생성한다. 네트워크에서의 학습은 확률적 경사 하강법(stochastic gradient descent)과 같은 표준 최적화 방법을 사용하여 위로 LSTM 계층을 통해 그리고 그 후 컨벌루션 블록을 통해 예측된 UPDRS 점수와 연관된 손실을 역전파함으로써 수행된다. 상술한 설명은 이 문제에 적용될 수 있는 그러한 하나의 모델의 스케치일 뿐이며, 동등하게 효과적일 수 있는 많은 합리적인 변형이 있음에 유의해야 한다. 이러한 네트워크의 구현, 훈련 및 배치는 텐서플로우(TensorFlow), 카페(Caffe) 등과 같은 표준 신경망 라이브러리를 사용하여 달성할 수 있다.
상술한 설명은 단일 관심 영역에 걸쳐 동작하는 모델에 관한 것이다. 그러나, 이 기술은 복수의 관심 영역으로 일반화되며, 모든 영역 상에서 동작하는 전체 모델이 한 경로에서 훈련될 수 있다. 일반적인 접근법은 이러한 모델 몇몇을 동시에 실행하여 각 관심 영역에 대한 예측 또는 피처 표현을 생성하는 것이다. 그 후, 이러한 예측 또는 피처가 네트워크 아키텍처에서 결합되어 최종적으로 완전히 접속된 네트워크를 통해 사용되어 전체 UPDRS 점수 예측을 행할 수 있다. 학습 오차는 이러한 최종 끝 예측으로부터 위로 특정 관심 영역과 연관된 모델의 모든 브랜치를 통해 전파될 수 있다.
5. 훈련 모델 집계
PD를 진단하기 위한 일반 시스템의 목적은 환자에 대한 최종 진단을 생성하거나 환자에 대한 전체 UPDRS 점수를 제공하는 것이다. 이를 수행하기 위해, 최종 모델은 특정 운동 이상을 식별하도록 훈련된 모델 세트로부터 예측을 집계하는 방식을 학습하도록 훈련되어야 한다.
최종 모델에 대한 입력으로서, 실제-값 점수, 서수 분류 또는 일반 분류일 수 있는 각각의 중간 모델로부터의 예측을 갖는다. 이러한 예측 외에, 중간 모델로부터의 예측 및 다른 관련 출력에 대한 신뢰도 값을 가질 수 있다. 각 환자에 대해, 해당 환자에 대한 전체 UPDRS 점수에 대한 전문가 주석을 갖는 것으로 가정한다.
표준 랜덤 포레스트 회귀 모델은 입력 데이터로부터 전체 UPDRS 점수를 예측하도록 훈련된다. 이러한 모델은 사이킷-런(scikit-learn)과 같은 표준 머신 러닝 라이브러리를 사용하여 훈련 및 배치될 수 있다. 많은 다른 모델이 전체 진단을 행하는 것을 학습하는 데 사용될 수 있으며, 랜덤 포레스트 회귀는 단지 하나의 예로서 제시된다.
6. 모델 배치
PD를 진단하기 위해 이 시스템을 배치할 때, 주어진 환자에 대해 동일한 데이터 획득 프로세스가 적용될 것이다. 시스템이 이를 수행하는 것이 목적이므로 데이터의 주석이 없을 것이다. 미가공 데이터는 상술한 섹션 3의 방법에 따라 준비될 것이며, 섹션 4에 설명된 훈련된 모델로 전달될 것이다(하지만 실제 훈련은 이 단계에서 수행되지 않을 것이다). 훈련된 진단 모델 각각의 출력은 최종 모델로 전달되어 최종 진단 예측을 행할 것이다. 중간 모델로부터의 예측은 또한 최종 진단에서 이용 가능하게 될 수 있다.
예로서, 이러한 시스템은 스마트 폰 앱에서 구현될 수 있다. 환자에 대한 데이터는 비디오를 기록하고 적절한 환자 액션에 대해 프롬프팅하는 앱 내 후속 프로세스에 의해 수집될 것이다. 앱은 상술한 테스트와 대략 대응하는 일련의 개별 테스트를 사이클링할 것이다(하지만 상술한 테스트 중 일부는 복수의 하위 테스트로 분할될 것이다). 각 테스트로부터의 데이터는 장치에 저장되거나 클라우드에 업로드될 것이다. 또한, 데이터는 그 후 준비된 데이터를 적절한 진단 모델로 전달하는 적절한 데이터 준비 방법으로 전달될 것이다. 단일 테스트로부터의 데이터는 (데이터 준비 및 모델 평가로 구성되는) 복수의 다른 진단 파이프라인으로 전달될 수 있다. 진단 파이프라인은 장치, 원격 컴퓨터 또는 이 둘의 일부 조합에서 구현될 수 있다. 모든 진단 모델이 실행되면 전체 진단 예측을 얻기 위해 출력이 최종 모델로 전달될 것이다. 다시 이 프로세싱은 장치, 클라우드 또는 이 둘의 일부 조합에서 수행될 수 있다. 시스템은 중간 모델 예측과 함께 최종 진단 예측을 환자에게 출력할 것이다. 시스템은 초기 센서 데이터를 수집하는 데 사용된 장치의 스크린 상의 이러한 출력을 표시할 수 있거나, 모바일 장치로의 SMS 메시징 또는 지정된 당사자에 대한 이메일 전송과 같은 다른 수단을 통해 관련 당사자에게 이를 전송할 수 있다. 시스템은 진단 예측과 관련된 추가 정보를 제시할 수 있다(예를 들어, 신뢰도 점수, 기록 품질 평가, 사후 테스트에 대한 권고 등). 앱은 또한 테스트로부터 관련 정보와 데이터를 로그할 수 있고, 진단에 관한 정보를 선택된 의료 전문가에게 전달할 수 있다.
위에 제시된 운동 장애에 관한 작업 예에 추가하여, 본 발명의 시스템은 또한 많은 다른 질환뿐만 아니라 다음 질환을 진단하는 데 적용 가능할 것이다.
뇌졸중:
일 실시예에서, 인공 지능 시스템은 조직 플라스미노겐 활성제(tPA) 또는("현전 용해제(clot buster)"), 또는 혈관 내 치료 또는 항혈전 치료의 사용과 같은 다른 치료가 뇌졸중 응급 상황을 나타내는 환자에게 전달하기에 적합한지 여부에 대해 자율적으로 결정할 것이다. 급성 뇌졸중 증상을 나타내는 환자는 응급 의사와 급성 뇌졸중 인공 지능 시스템(ASAIS: Acute Stroke Artificial Intelligence System)에 의해 동시에 평가될 것이다. ASAIS는 비디오, 오디오 및 적외선 발생기/센서를 포함하여 환자를 평가하기 위한 3개의 일반 유형의 센서 중 적어도 하나를 가질 것이다. 또한 '임상 데이터' 입력이 있을 것이다. 임상 데이터 입력은 간호사 또는 의료 보조원에 의해 수동으로 입력될 수 있거나 일부 데이터의 직접 전송을 위해 시설 전자 건강 기록(EHR: electronic health record)과 링크될 수 있다. 임상 데이터는: 바이오그래픽 데이터, 증상 발병 시간 또는 환자가 '정상'으로 보인 마지막 시간, 실험실 데이터(혈소판 수, 국제 정규화 비율 및 프로트롬빈 시간), 뇌 이미징 데이터(통상적으로 콘트라스트 없이 헤드 컴퓨팅된 단층 사진) 및 혈압을 포함한다. 마지막으로, 필요하고 수동으로 입력될 필요가 있는 '예/아니오' 질문의 간단한 세트가 있을 것이다. 이는 이하를 포함할 것이다:
1. 임의의 알려진 내부 출혈 - 예 또는 아니오
2. 최근(3개월 내) 두개 내 또는 척추 내 수술의 임의의 알려진 병력이 있습니까? 또는 심각한 머리 외상이 있습니까? - 예 또는 아니오
3. 출혈 위험을 증가시킬 수 있는 임의의 알려진 두개 내 상태입니까? - 예 또는 아니오
4. 임의의 알려진 출혈 체질이 있습니까? - 예 또는 아니오
5. 지난 7일 내에 비압축 부위에서 임의의 알려진 동맥 천자가 있습니까? 예 또는 아니오
특정 실시예에서, 센서는 수정된 국립 보건원 뇌졸중 스케일(mNIHSS: National Institute of Health Stroke Scale)의 각각의 양태의 평가와 관련된 환자 징후의 검출을 포함하지만 이에 한정되지 않는 인자를 결정할 것이다. 이러한 테스트는 이하를 포함한다.
정상 운동, 부분 주시 마비 및 전체 주시 마비 간 구분하는 수평 눈 운동.
정상 시야, 부분 반맹 또는 완전 4분맹; 환자가 하나의 특정 사분면 대 완전 반맹에서 시각적 자극을 인식하지 못함; 환자가 시야의 절반에서 시각적 자극을 인식하지 못함; 및 전체 실명 간에 구분하는 시야 평가.
팔 드리프트가 없음; 팔이 10초 동안 초기 위치에 유지됨, 드리프트; 팔이 전체 10초의 끝 전에 중간 위치로 드리프트되지만, 어떤 시점에서도 지지에 의존하지 않음, 중력에 대한 제한된 노력; 팔이 시작 위치를 얻을 수 있지만, 10초의 끝 전에 초기 위치로부터 물리적 지지로 아래로 드리프트됨, 중력에 대한 노력이 없음; 팔이 초기 위치로 도움을 받은 직후 떨어지지만, 환자는 일정 형태로(예를 들어, 어깨를 으쓱함) 팔을 움직일 수 있으며, 운동이 없음; 환자가 이러한 팔의 자발적인 운동을 할 능력이 없음 간에 구분하는, 독립적으로 좌측 팔 및 우측 팔 모두에 대한 작업 팔 평가.
다리 드리프트가 없음; 5초 동안 초기 위치에 유지됨, 드리프트; 다리가 전체 5초의 끝 전에 중간 위치로 드리프트되지만, 지지를 위한 베드에 어떤 시점에서도 접촉하지 않음, 중력에 대한 제한된 노력; 다리가 시작 위치를 얻을 수 있지만, 5초의 끝 전에 초기 위치로부터 물리적 지지로 아래로 드리프트됨, 중력에 대한 노력이 없음; 다리가 초기 위치로 도움을 받은 직후에 떨어지지만, 환자는 일정 형태로(예를 들어, 힙 수축(hip flex)) 다리를 움직일 수 있음, 운동이 없음; 환자가 이러한 다리의 자발적인 운동을 할 능력이 없음 간에 구분하는, 독립적으로 좌측 다리 및 우측 다리 모두에 대한 작업 다리 평가.
정상 음성, 경도-내지 중도 실어증; 유창함의 검출 가능한 손실, 그러나 일부 정보 컨텐츠가 심각한 실어증; 모든 음성이 분열되고, 환자의 음성이 식별 가능한 정보 컨텐츠를 갖지 않고 환자가 말할 수 없는 것 간에 구분하는 언어 평가.
정상; 명료하고 매끄러운 음성, 경도-내지-중도 구음 장애(dysarthria); 음성의 일부 불분명 발음, 그러나 환자가 이해될 수 있으며, 심각한 구음 장애; 음성이 매우 불분명하게 발음되어 화자가 이해시킬 수 없거나, 어떠한 음성도 생성할 수 없는 환자 간에 구분하고 뇌졸증 스케일을 제공받는 단어의 목록으로부터 환자가 읽는 구음 장애 평가.
정상, 하나의 양식에서의 일 측 상의 부주의; 시각적, 촉각적, 청각적, 또는 공간적 및 반-부주의; 동일 측 상의 하나 초과의 양식에서 자극을 인식하지 못함 간에 구분하는 멸절과 부주의의 평가.
이러한 집계 데이터는 그 후 ASAIS에 의해 분석될 것이다. ASAIS의 수집 구성 요소는 클라우드 기술을 통해 소프트웨어가 저장/동작되는 랩톱에 로컬로 수용될 수 있다. 일 실시예에서, ASAIS 의사 결정 알고리즘은 환자에게 tPA를 투여하기 위한 3개의 궁급적인 출력: 예, 아니오 또는 아마도(MAYBE) 중 하나를 생성할 것이다. 응급 의사는 tPA를 제공할지 여부에 대한 최종 결정을 내리기 위해 ASAIS로 출력과 함께 그 자신의 판정을 사용할 수 있다. 흐름도 1은 이러한 기본 프로세스를 나타낸다.
현재 신경과 전문의의 상당한 부족으로 인해, 미국 전역의 많은 응급실에서 원격 진료가 널리 사용된다는 점에 유의하는 것이 매우 중요하다. 따라서, ASAIS는 기존 원격 신경과 서비스 내에 포함되어 (한계 내에서) 커버되는 병원의 신경과 전문의의 규모를 더욱 확대하고, 응급 의사에 의해 불확실한 것으로 여겨지는 모든 경우에 대해 인간 신경과 전문의 '백-업'을 제공할 수 있다.
바람직한 실시예에서, ASAIS로부터의 3개의 가능한 출력: 예, 아니오 및 아마도가 있다. 환자에게 tPA를 투여하는 것에 대한 하나의 출력은 예이다. 응급 의사가 출력에 동의하면 tPA가 투여될 것이다. 응급 의사가 출력에 의문을 갖거나 확신하지 않은 경우, 원격 신경과 전문의는 이 경우 직접 관여되는 원격 의료 기술을 사용할 수 있고 최종 권고를 제공할 수 있다. 두 번째 출력은 tPA 투여에 대한 아니오이다. 이 경우, 신경과 전문의는 상술한 바와 같이 응급 의사가 출력에 의문을 갖거나 확신하지 않는 경우에만 직접 관여될 것이다. 세 번째 출력 옵션은 tPA 투여에 대한 아마도이다. 신경과 전문의는 원격 진료를 통해 이러한 모든 경우에 관여될 것이다.
1차 최종 출력(tPA 투여에 대한 예, 아니오 및 아마도)에 추가하여, 의사의 이용을 위해 동시에 수정된 국립 보건원 뇌졸중 스케일(mNIHSS) 출력이 또한 있을 수 있다. 국립 보건원 뇌졸중 스케일(mNIHSS)은 뇌졸중 장애의 심각성을 평가하는 데 널리 사용되는 표준화된 신경학적 시험 스케일이다. 그 범위는 0(정상) 내지 42(가장 심각한 뇌졸중)이다. 넓은 의미에서, NIHSS의 0-5 점수는 작은 뇌졸중과 상관되며, 20 초과의 점수 및 그 위의 점수는 큰 뇌졸중과 상관된다. 예상되는 기술적 한계로 인해, NIHSS는 수정될 수 있다.
대안적인 실시예에서, 본 발명은 홈 자가-테스팅 사용을 위한 모바일 어플리케이션 버전을 가질 것이다. 이러한 어플리케이션은 비디오, 오디오 및 장치에서 이용 가능한 경우 적외선 비행 시간을 이용할 것이다.
신경 자극 장치 교정:
신경 자극 장치는 치료 효과를 위해 뇌의 특정 영역 또는 신경계의 다른 부분에 전류를 제공하는 의료 장치이다. 운동 장애에서, 이러한 신경 자극 장치의 하나의 변형은 미국 특허 8,024,049호에 설명된 것과 같은 심뇌 자극(DBS) 장치로 지칭된다. DBS는 파킨슨병, 떨림 및 근육 긴장 이상에 대한 FDA 승인 요법이다. 장래에, DBS는 뇌졸중 회복에 대한 FDA의 승인을 얻을 가능성이 있다. 뇌졸중 회복을 위한 첫 번째 DBS 이식은 보스톤 사이언티픽(Boston Scientific)에 의해 생산된 장치를 사용하여 클리블랜드 클리닉(Cleveland Clinic)(오하이오(Ohio))에서 이루어졌다.
이러한 이식된 의료 장치는 장치가 적절하게 거동하고 환자에게 최적의 결과를 제공하도록 보장하기 위해 특별한 프로그래밍을 필요로 한다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 이와 같이, 각각의 이식된 장치는 치료 효과를 최대화하기 위해 환자에 대해 구체적으로 교정되어야 한다. 현재, DBS 프로그래밍을 위한 최상의 사례(처음 및 후속 방문 모두)는 상당한 양의 시행 착오를 수반하며, 이는 환자에게 상당한 불확실성을 초래하며, 차선의 결과를 초래할 가능성을 갖는다. Picillo 등(2016), 파킨슨병에 대한 심뇌 자극 프로그래밍: 토론토 웨스턴 호스피털 알고리즘(Toronto Western Hospital Algorithms), 뇌 자극(Brain Stimulation) 9(3), 425-437을 참조한다. 이와 같이, 환자에게 정확한 프로그래밍 권고를 할 수 있는 시스템이 필요하다.
이와 같이, 본 발명의 특정 실시예에서, 본 발명의 시스템은 강성, 떨림, 무동증/운동 완서증 또는 이상 운동증의 유도 개선에 한정되지 않지만 이와 같은 치료 효능을 개선하고, 구음 장애, 강직성 수축, 복시증, 기분 변화, 지각 이상증 또는 장치의 시각적 현상에 한정되지 않지만 이와 같은 의도하지 않은 부작용을 감소시키기 위해 환자에 이식된 장치의 성능을 최적화하기 위한 특정 프로그래밍 제안을 생성하는 데 사용될 수 있다.
본 발명의 센서 및 진단 시스템을 이용하여, 바람직하게는 얼굴 표정, 모터 제어 및 음성 패턴 진단을 포함하는 상술한 작업 예에서 설명된 센서 입력은 DBS 장치에서 이용 가능한 다양한 프로그래밍 변수에 대한 특정 제안을 하기 위해 머신 러닝 알고리즘을 훈련시키는 데 사용될 수 있다. 이러한 제안은 진폭(AMPLITUDE)(볼트 또는 mA), 펄스 폭(PULSE WIDTH)(마이크로초 {usec}), 레이트(RATE)(헤르츠), (전극의) 극성(POLARITY), 전극 선택(ELECTRODE SELECTION), 자극 모드(STIMULATION MODE)(단극 또는 양극), 사이클(CYCLE)(초 또는 분 단위의 온/오프 시간), 전원(POWER SOURCE)(진폭) 및 계산된 전하 밀도(CHARGE DENSITY)(자극 페이즈 당 uC/cm2)의 변화를 포함한다.
일단 훈련되면, 본 발명의 시스템은 개별 환자로부터 수집된 유사한 데이터를 사용하여 각 환자의 이식된 장치에 대한 프로그래밍 변수를 변경하기 위한 특정 권고를 만들 수 있다.
본 발명의 시스템의 하나의 주요 이점은 이러한 프로그래밍 변경이 실시간으로 이루어질 수 있다는 점이며, 시스템은 임의의 제안된 프로그래밍 변경을 검증하거나 환자에 대한 의료 장치의 기능을 추가로 개선할 수 있는 추가 변경을 잠재적으로 제안하기 위해 환자를 모니터링한다.
따라서, 특정 실시예에서, 센서 데이터는 표준 원격 측정, 무선 주파수 신호, BluetoothTM 또는 어플리케이션과 IPG 간의 무선 통신의 다른 수단을 통해 이식된 펄스 생성기(IPG: implanted pulse generator)와의 직접 통신을 통해 다수의(수천에서 수백만) 가능한 DBS 자극 패턴의 반복적인 프로세스 테스팅을 통해 머신 러닝 및 최적화 시스템에 의해 실시간으로 분석될 수 있다. 시스템은 최적화된 DBS 자극 패턴을 찾고 이 자극 패턴을 기준으로 설정할 수 있다. 이 기준 DBS 자극 패턴은 헬스케어 제공자-프로그래머에 의해 수동으로 또는 장래의 시간에 최적화를 위해 이러한 어플리케이션을 사용하여 임의의 시간에 수정될 수 있다. 추가의 실시예에서, 본 발명의 시스템은 강박 장애, 주요 우울 장애, 약물 내성 간질, 중추 통증 및 인지/기억 장애를 포함하는 다른 신경 정신 장애에 대한 자극 패턴을 최적화하기 위해 상술한 동일한 반복 프로세스를 사용할 수 있다.
도 4는 환자에 DBS를 프로그래밍하기 위한 권고를 생성하기 위한 본 발명의 시스템의 하나의 가능한 구현을 나타낸다. 우선, 사용자는 본 발명의 프로그램을 실행할 수 있는 어플리케이션을 실행하도록 셀 폰 또는 태블릿 컴퓨터와 같은 모바일 장치에 지시한다(401). 그 후, 사용자는 진단될 대상에 대해 일련의 테스트를 수행하도록 프롬프팅된다(402). 사용자와 대상은 동일한 사람이거나 다른 사람일 수 있음이 명백할 것이다. 이 예에서, 어플리케이션은 3개의 테스트를 수행하도록 사용자에게 프롬프팅하였으며, 하나는 장치의 내장 카메라를 사용하여 다양한 얼굴 표정을 기록하는 데 초점을 맞추고, 하나는 장치 내에 장착된 가속도계를 사용하여 미세한 모터 제어에 초점을 맞추고, 하나는 사용자가 스크린 상에 표시된 문장을 읽게 하고 장치의 마이크로폰을 사용하여 음성을 기록함으로써 음성 패턴에 초점을 맞춘다. 사용자가 프롬프팅된 테스트를 수행함에 따라, 관련 데이터가 수집된다(403). 이 예에서, 데이터는 그 후 원격 클라우드 서버로 전송되고, 여기서 본 발명의 훈련된 AI 프로그램은 특정 테스트에 기초하여 DBS 결과(405)를 생성하기 위해 데이터를 프로세싱 및 분석한다(404). 개별 DBS 결과는 그 후 훈련된 AI 프로그램에 의해 집계되어(406) 최종 DBS 결과를 생성하며(407), 이는 상술한 변수에 대해 제안된 프로그래밍 설정과 같이 사용자에게 출력된다. 추가적인 센서 입력이 또한 사용될 수 있고, 임의의 개별 AI 프로그램이 개별 임상 결과를 생성하기 위해 하나 이상의 센서로부터의 데이터를 통합할 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 장치가 전체 어플리케이션을 실행하기 위해 충분한 컴퓨팅 능력과 저장소를 가지고 있다면 훈련된 AI 프로그램이 데이터를 수집하는 데 사용되는 장치에 수용될 수 있다는 것이 추가로 명백할 것이다. 현기증:
본 발명의 역할은 임의의 임상 설정에서 현기증의 원인을 진단하는 것을 돕는 의사를 지원하는 것이다. 본 발명은 환자의 작업 활동, 운동, 보행, 눈 운동, 얼굴 표정 및 음성을 분석하기 위해 비디오, 오디오 및 (이용 가능한 경우) 적외선 비행-시간 입력(INPUTS)을 사용하는 인공 지능 기반 시스템을 포함한다. 이는 또한 현기증의 시간적 프로파일(급성 심각 현기증, 재발성 위치 현기증 또는 비위치적 현기증의 재발성 발병)에 관한 입력을 또한 가질 것이다. 이 데이터는 의료 보조원에 의해 수동으로 또는 프롬프트를 통해 환자에 의해 자연어 프로세싱을 통해 입력될 수 있다.
발작:
본 발명의 목적은 주로 디지털 비디오를 분석하는 머신 러닝 알고리즘을 사용하여 ES와 NBS의 구분을 지원하는 것이다. 다른 실시예에서, 추가 입력이 또한 이용될 수 있다.
바람직하게는, 소프트웨어는 EMU의 기존 인프라스트럭처 내에 내장될 수 있고 환자의 홈 사용을 위해 모바일/태블릿 버전을 가질 것이다. 이는 환자가 이벤트를 기록하도록 동기 부여하는 것을 도울 것이다. 본 발명으로부터의 분석을 갖는 것 외에, 확인을 위해 비디오를 그 신경과 전문의와 공유할 수 있을 것이다.
방법 및 구성 요소가 본원에 설명된다. 그러나, 본원에 설명된 것과 유사하거나 동등한 방법 및 구성 요소가 또한 본 발명의 변형을 얻기 위해 사용될 수 있다. 재료, 물품, 구성 요소, 방법 및 예는 단지 예시적인 것이며 한정하려는 것이 아니다.
비록 몇몇 실시예만이 상세하게 위에 개시되었지만, 다른 실시예도 가능하며 본 발명자들은 이들을 본 명세서 내에 포함시키려고 한다. 본 명세서는 다른 방식으로 달성될 수 있는 보다 일반적인 목적을 달성하기 위한 특정 예를 설명한다. 본 개시는 예시적인 것으로 의도되며, 청구항은 본 기술 분야의 통상의 기술자에게 예측 가능할 수 있는 임의의 수정 또는 대안을 커버하도록 의도된다.
예시적인 실시예에서 본 발명의 원리를 예시하고 설명하였지만, 설명된 예는 예시적인 실시예이며 이러한 원리로부터 벗어나지 않고도 구성 및 상세에서 수정될 수 있음이 본 기술 분야의 통상의 기술자에게 명백해야 한다. 임의의 예로부터의 기술은 다른 임의의 예 중 하나 이상에 통합될 수 있다. 본 명세서 및 예는 단지 예시적인 것으로 간주되며, 본 발명의 진정한 범위 및 사상은 이하의 청구항에 의해 지시된다.

Claims (17)

  1. 환자의 신경계 장애를 진단하기 위한 시스템으로서,
    ⅰ. 프로세서 및 메모리와 통신하는 적어도 하나의 센서;
    a. 상기 프로세서 및 상기 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고;
    i. 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고;
    ⅱ. 상기 프로세서 및 상기 메모리와 통신하는 데이터 프로세싱 모듈;
    a. 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 진단 데이터로 변환하고;
    ⅲ. 상기 데이터 프로세싱 모듈과 통신하는 진단 모듈을 포함하고;
    a. 상기 진단 모듈은 훈련된 진단 시스템을 포함하고;
    i. 상기 훈련된 진단 시스템은 복수의 진단 모델을 포함하고;
    1. 상기 복수의 진단 모델의 각각은 상기 프로세싱된 진단 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고;
    ⅱ. 상기 훈련된 진단 시스템은 상기 환자에 대한 진단 예측을 출력하기 위해 상기 복수의 진단 모델의 상기 분류를 통합하는, 시스템.
  2. 제1항에 있어서,
    상기 진단 모듈을 실행하는 프로그램이 상기 적어도 하나의 센서로부터 떨어진 장치에서 실행되는, 시스템.
  3. 제1항에 있어서,
    상기 훈련된 진단 시스템은 운동 장애를 진단하도록 훈련되는, 시스템.
  4. 제3항에 있어서,
    상기 운동 장애는 파킨슨병(Parkinson's Disease)인, 시스템.
  5. 제3항에 있어서,
    상기 미가공 환자 데이터는 비디오 기록을 포함하고, 상기 비디오 기록은: 간단한 표정을 행하는 동안의 상기 환자의 얼굴의 기록; 상기 환자의 깜박임 레이트의 기록; 상기 환자의 시선 변화의 기록; 앉은 상태에서의 상기 환자의 기록; 준비된 진술을 읽는 동안의 상기 환자의 얼굴의 기록; 반복적인 작업을 수행하는 상기 환자의 기록; 및 걷는 동안의 상기 환자의 기록 중 적어도 하나를 포함하는, 시스템.
  6. 제3항에 있어서,
    상기 미가공 환자 데이터는 오디오 기록을 포함하고, 상기 오디오 기록은: 준비된 진술을 반복하는 상기 환자의 기록; 문장을 읽는 상기 환자의 기록; 및 파열음을 내는 상기 환자의 기록 중 적어도 하나를 포함하는, 시스템.
  7. 제1항에 있어서,
    상기 복수의 알고리즘은 머신 러닝 시스템을 사용하여 훈련되는, 시스템.
  8. 제7항에 있어서,
    상기 머신 러닝 시스템은: 컨벌루션 신경망; 순환 신경망; 장기 단기 메모리 네트워크; 서포트 벡터 머신들; 및 랜덤 포레스트 회귀 모델 중 적어도 하나를 포함하는, 시스템.
  9. 환자에 이식된 의료 장치를 교정하기 위한 시스템으로서,
    ⅰ. 프로세서 및 메모리와 통신하는 적어도 하나의 센서;
    a. 상기 프로세서 및 상기 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고;
    i. 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고;
    ⅱ. 상기 프로세서 및 상기 메모리와 통신하는 데이터 프로세싱 모듈;
    a. 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 교정 데이터로 변환하고;
    ⅲ. 상기 데이터 프로세싱 모듈과 통신하는 교정 모듈을 포함하고;
    a. 상기 교정 모듈은 훈련된 교정 시스템을 포함하고;
    i. 상기 훈련된 교정 시스템은 복수의 교정 모델을 포함하고;
    1. 상기 복수의 교정 모델 각각은 상기 프로세싱된 교정 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고;
    ⅱ. 상기 훈련된 교정 시스템은 상기 환자의 상기 이식된 의료 장치에 대한 교정 권고를 출력하기 위해 상기 복수의 교정 모델의 상기 분류를 통합하는, 시스템.
  10. 제8항에 있어서,
    상기 교정 모듈을 실행하는 프로그램이 상기 적어도 하나의 센서로부터 떨어진 장치에서 실행되는, 시스템
  11. 제8항에 있어서,
    상기 이식된 의료 장치는 심뇌 자극 장치(DBS: deep brain stimulation device)를 포함하는, 시스템.
  12. 제10항에 있어서,
    상기 교정 권고는: 진폭, 펄스 폭, 레이트, 극성, 전극 선택, 자극 모드, 사이클, 전원 및 계산된 전하 밀도 중 적어도 하나를 포함하는 상기 DBS의 프로그래밍 설정들에 대한 변경을 포함하는, 시스템.
  13. 제8항에 있어서,
    상기 미가공 환자 데이터는 비디오 기록을 포함하고, 상기 비디오 기록은: 간단한 표정을 행하는 동안의 상기 환자의 얼굴의 기록; 상기 환자의 깜박임 레이트의 기록; 상기 환자의 시선 변화의 기록; 앉은 상태에서의 상기 환자의 기록; 준비된 진술을 읽는 동안의 상기 환자의 얼굴의 기록; 반복적인 작업을 수행하는 상기 환자의 기록; 및 걷는 동안의 상기 환자의 기록 중 적어도 하나를 포함하는, 시스템.
  14. 제8항에 있어서,
    상기 미가공 환자 데이터는 오디오 기록을 포함하고, 상기 오디오 기록은: 준비된 진술을 반복하는 상기 환자의 기록; 문장을 읽는 상기 환자의 기록; 및 파열음을 내는 상기 환자의 기록 중 적어도 하나를 포함하는, 시스템.
  15. 제8항에 있어서,
    상기 복수의 알고리즘은 머신 러닝 시스템을 사용하여 훈련되는, 시스템.
  16. 제15항에 있어서,
    상기 머신 러닝 시스템은: 컨벌루션 신경망; 순환 신경망; 장기 단기 메모리 네트워크; 서포트 벡터 머신들; 및 랜덤 포레스트 회귀 모델 중 적어도 하나를 포함하는, 시스템.
  17. 장애를 가진 것으로 진단된 환자의 신경계 장애의 진행을 모니터링하기 위한 시스템으로서,
    ⅰ. 프로세서 및 메모리와 통신하는 적어도 하나의 센서;
    a. 상기 프로세서 및 상기 메모리와 통신하는 상기 적어도 하나의 센서는 상기 환자로부터 미가공 환자 데이터를 취득하고;
    i. 상기 미가공 환자 데이터는 비디오 기록 및 오디오 기록 중 적어도 하나를 포함하고;
    ⅱ. 상기 프로세서 및 상기 메모리와 통신하는 데이터 프로세싱 모듈;
    a. 상기 데이터 프로세싱 모듈은 상기 미가공 환자 데이터를 프로세싱된 진단 데이터로 변환하고;
    ⅲ. 상기 데이터 프로세싱 모듈과 통신하는 진행 모듈을 포함하고;
    a. 상기 진행 모듈은 훈련된 진단 시스템을 포함하고;
    i. 상기 훈련된 진단 시스템은 복수의 진단 모델을 포함하고;
    1. 상기 복수의 진단 모델의 각각은 상기 프로세싱된 진단 데이터의 적어도 하나의 양태에 분류를 할당하도록 훈련된 복수의 알고리즘을 포함하고;
    ⅱ. 상기 훈련된 진단 시스템은 상기 환자에 대한 현재 진행 점수를 생성하기 위해 상기 복수의 진단 모델의 상기 분류를 통합하고;
    ⅲ. 상기 진행 모듈은 상기 환자에 대한 상기 현재 진행 점수를 이전 시점에서 생성된 상기 환자로부터의 진행 점수와 비교하여 현재 질환 진행 상태를 생성하고, 상기 질환 진행 상태를 출력하는, 시스템.
KR1020207011443A 2017-10-17 2018-10-17 신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템 KR20200074951A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762573622P 2017-10-17 2017-10-17
US62/573,622 2017-10-17
US16/162,711 US20190110754A1 (en) 2017-10-17 2018-10-17 Machine learning based system for identifying and monitoring neurological disorders
US16/162,711 2018-10-17
PCT/US2018/056320 WO2019079475A1 (en) 2017-10-17 2018-10-17 MACHINE LEARNING-BASED SYSTEM FOR IDENTIFYING AND FOLLOWING NEUROLOGICAL DISORDERS

Publications (1)

Publication Number Publication Date
KR20200074951A true KR20200074951A (ko) 2020-06-25

Family

ID=66097206

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207011443A KR20200074951A (ko) 2017-10-17 2018-10-17 신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템

Country Status (9)

Country Link
US (1) US20190110754A1 (ko)
EP (1) EP3697302A4 (ko)
JP (1) JP2020537579A (ko)
KR (1) KR20200074951A (ko)
CN (1) CN111225612A (ko)
AU (1) AU2018350984A1 (ko)
CA (1) CA3077481A1 (ko)
IL (1) IL273789A (ko)
WO (1) WO2019079475A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220025360A (ko) * 2020-08-24 2022-03-03 경희대학교 산학협력단 스마트 헬스케어 의사결정 지원 시스템을 위한 진화 가능한 증상-질병 예측 시스템
KR20220028967A (ko) 2020-08-31 2022-03-08 서울여자대학교 산학협력단 뉴로피드백 기반의 치료 장치 및 치료 방법
KR102381219B1 (ko) * 2020-12-09 2022-04-01 영남대학교 산학협력단 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법
KR20230087872A (ko) * 2021-12-10 2023-06-19 한림대학교 산학협력단 딥러닝 기반 구음 장애 분류 장치, 시스템의 제어 방법, 및 컴퓨터 프로그램
WO2024091929A1 (en) * 2022-10-24 2024-05-02 Precision Neuroscience Corporation Data-efficient transfer learning for neural decoding applications

Families Citing this family (104)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10558785B2 (en) 2016-01-27 2020-02-11 International Business Machines Corporation Variable list based caching of patient information for evaluation of patient rules
US10528702B2 (en) 2016-02-02 2020-01-07 International Business Machines Corporation Multi-modal communication with patients based on historical analysis
US11037658B2 (en) 2016-02-17 2021-06-15 International Business Machines Corporation Clinical condition based cohort identification and evaluation
US10685089B2 (en) 2016-02-17 2020-06-16 International Business Machines Corporation Modifying patient communications based on simulation of vendor communications
US10937526B2 (en) 2016-02-17 2021-03-02 International Business Machines Corporation Cognitive evaluation of assessment questions and answers to determine patient characteristics
US10565309B2 (en) * 2016-02-17 2020-02-18 International Business Machines Corporation Interpreting the meaning of clinical values in electronic medical records
US10311388B2 (en) 2016-03-22 2019-06-04 International Business Machines Corporation Optimization of patient care team based on correlation of patient characteristics and care provider characteristics
US10923231B2 (en) 2016-03-23 2021-02-16 International Business Machines Corporation Dynamic selection and sequencing of healthcare assessments for patients
EP3558101B1 (en) * 2016-12-21 2022-06-08 Emory University Methods and systems for determining abnormal cardiac activity
JP6268628B1 (ja) * 2017-11-02 2018-01-31 パナソニックＩｐマネジメント株式会社 認知機能評価装置、認知機能評価システム、認知機能評価方法及びプログラム
WO2019144141A1 (en) * 2018-01-22 2019-07-25 UNIVERSITY OF VIRGINIA PATENT FOUNDATION d/b/a UNIVERSITY OF VIRGINIA LICENSING & VENTURE System and method for automated detection of neurological deficits
US11627877B2 (en) 2018-03-20 2023-04-18 Aic Innovations Group, Inc. Apparatus and method for user evaluation
US11715564B2 (en) 2018-05-01 2023-08-01 Neumora Therapeutics, Inc. Machine learning-based diagnostic classifier
WO2019235335A1 (ja) * 2018-06-05 2019-12-12 住友化学株式会社 診断支援システム、診断支援方法及び診断支援プログラム
US20190385711A1 (en) 2018-06-19 2019-12-19 Ellipsis Health, Inc. Systems and methods for mental health assessment
JP2021529382A (ja) 2018-06-19 2021-10-28 エリプシス・ヘルス・インコーポレイテッド 精神的健康評価のためのシステム及び方法
WO2020018469A1 (en) * 2018-07-16 2020-01-23 The Board Of Trustees Of The Leland Stanford Junior University System and method for automatic evaluation of gait using single or multi-camera recordings
US10973454B2 (en) * 2018-08-08 2021-04-13 International Business Machines Corporation Methods, systems, and apparatus for identifying and tracking involuntary movement diseases
EP3921850A1 (en) * 2019-02-06 2021-12-15 AIC Innovations Group, Inc. Biomarker identification
US11752349B2 (en) * 2019-03-08 2023-09-12 Battelle Memorial Institute Meeting brain-computer interface user performance expectations using a deep neural network decoding framework
US11915827B2 (en) * 2019-03-14 2024-02-27 Kenneth Neumann Methods and systems for classification to prognostic labels
US11250062B2 (en) * 2019-04-04 2022-02-15 Kpn Innovations Llc Artificial intelligence methods and systems for generation and implementation of alimentary instruction sets
US20220198657A1 (en) * 2019-04-04 2022-06-23 Presagen Pty Ltd Method and system for selecting embryos
JPWO2020218013A1 (ko) * 2019-04-25 2020-10-29
US11157822B2 (en) 2019-04-29 2021-10-26 Kpn Innovatons Llc Methods and systems for classification using expert data
US11392854B2 (en) 2019-04-29 2022-07-19 Kpn Innovations, Llc. Systems and methods for implementing generated alimentary instruction sets based on vibrant constitutional guidance
US11636955B1 (en) * 2019-05-01 2023-04-25 Verily Life Sciences Llc Communications centric management platform
US10593431B1 (en) 2019-06-03 2020-03-17 Kpn Innovations, Llc Methods and systems for causative chaining of prognostic label classifications
US11607167B2 (en) * 2019-06-05 2023-03-21 Tencent America LLC User device based parkinson disease detection
CN110292377B (zh) * 2019-06-10 2022-04-01 东南大学 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
JP2020199072A (ja) * 2019-06-10 2020-12-17 国立大学法人滋賀医科大学 脳卒中判定装置、方法およびプログラム
GB201909176D0 (en) * 2019-06-26 2019-08-07 Royal College Of Art Wearable device
JP7269122B2 (ja) * 2019-07-18 2023-05-08 株式会社日立ハイテク データ分析装置、データ分析方法及びデータ分析プログラム
US11986286B2 (en) * 2019-09-04 2024-05-21 Gaitiq, Inc. Gait-based assessment of neurodegeneration
CN114727761A (zh) 2019-09-17 2022-07-08 豪夫迈·罗氏有限公司 患有运动障碍的患者的个性化保健的改善
CN110751032B (zh) * 2019-09-20 2022-08-02 华中科技大学 一种无需校准的脑机接口模型的训练方法
CN110674773A (zh) * 2019-09-29 2020-01-10 燧人(上海)医疗科技有限公司 一种痴呆症的识别系统、装置及存储介质
US11495210B2 (en) * 2019-10-18 2022-11-08 Microsoft Technology Licensing, Llc Acoustic based speech analysis using deep learning models
CN110960195B (zh) * 2019-12-25 2022-05-31 中国科学院合肥物质科学研究院 一种方便快捷的神经认知功能评估方法及装置
US20210202090A1 (en) * 2019-12-26 2021-07-01 Teladoc Health, Inc. Automated health condition scoring in telehealth encounters
US20230225609A1 (en) * 2020-01-31 2023-07-20 Olleyes, Inc. A system and method for providing visual tests
CN111292851A (zh) * 2020-02-27 2020-06-16 平安医疗健康管理股份有限公司 数据分类方法、装置、计算机设备和存储介质
US11809149B2 (en) 2020-03-23 2023-11-07 The Boeing Company Automated device tuning
US11896817B2 (en) 2020-03-23 2024-02-13 The Boeing Company Automated deep brain stimulation system tuning
EP4131282A4 (en) * 2020-03-25 2024-04-17 Hiroshima University METHOD AND SYSTEM FOR DETERMINING A CLASS OF EVENTS BY AI
CN111462108B (zh) * 2020-04-13 2023-05-02 山西新华防化装备研究院有限公司 一种基于机器学习的头面部产品设计工效学评估操作方法
EP3901963B1 (en) * 2020-04-24 2024-03-20 Cognes Medical Solutions AB Method and device for estimating early progression of dementia from human head images
JP2023523791A (ja) * 2020-04-29 2023-06-07 イスキマビュー インコーポレイテッド 顔面麻痺及び注視偏位の評価
US11923091B2 (en) 2020-05-21 2024-03-05 Baruch SCHLER Methods for remote visual identification of congestive heart failures
US11276498B2 (en) * 2020-05-21 2022-03-15 Schler Baruch Methods for visual identification of cognitive disorders
CN111724899A (zh) * 2020-06-28 2020-09-29 湘潭大学 一种基于Fbank和MFCC融合特征的帕金森音频智能检测方法及系统
CN111990967A (zh) * 2020-07-02 2020-11-27 北京理工大学 一种基于步态的帕金森病识别系统
CN112233785B (zh) * 2020-07-08 2022-04-22 华南理工大学 一种帕金森症的智能识别方法
TWI823015B (zh) * 2020-07-13 2023-11-21 神經元科技股份有限公司 神經疾病輔助檢查方法及其系統
US20220007936A1 (en) * 2020-07-13 2022-01-13 Neurobit Technologies Co., Ltd. Decision support system and method thereof for neurological disorders
WO2022020645A1 (en) * 2020-07-22 2022-01-27 REHABILITATION INSTITUTE OF CHICAGO d/b/a Shirley Ryan AbilityLab Systems and methods for rapidly screening for signs and symptoms of disorders
CN111870253A (zh) * 2020-07-27 2020-11-03 上海大学 基于视觉和语音融合技术的抽动障碍症病情监测方法及其系统
CN111883251A (zh) * 2020-07-28 2020-11-03 平安科技（深圳）有限公司 医疗误诊检测方法、装置、电子设备及存储介质
US11762466B2 (en) 2020-07-29 2023-09-19 Penumbra, Inc. Tremor detecting and rendering in virtual reality
US11376434B2 (en) 2020-07-31 2022-07-05 Medtronic, Inc. Stimulation induced neural response for detection of lead movement
US11623096B2 (en) 2020-07-31 2023-04-11 Medtronic, Inc. Stimulation induced neural response for parameter selection
CN111899894B (zh) * 2020-08-03 2021-06-25 东南大学 一种抑郁症患者预后药效评估系统及其评估方法
CN112037908A (zh) * 2020-08-05 2020-12-04 复旦大学附属眼耳鼻喉科医院 一种耳源性眩晕诊疗装置、系统及大数据分析平台
CN114078600A (zh) * 2020-08-10 2022-02-22 联合数字健康有限公司 一种基于云技术的智能多通道疾病诊断系统和方法
TWI740647B (zh) * 2020-09-15 2021-09-21 宏碁股份有限公司 疾病分類方法及疾病分類裝置
US20230363679A1 (en) * 2020-09-17 2023-11-16 The Penn State Research Foundation Systems and methods for assisting with stroke and other neurological condition diagnosis using multimodal deep learning
CN112185558A (zh) * 2020-09-22 2021-01-05 珠海中科先进技术研究院有限公司 基于深度学习的心理健康及康复评定方法、装置及介质
US11004462B1 (en) * 2020-09-22 2021-05-11 Omniscient Neurotechnology Pty Limited Machine learning classifications of aphasia
CN112401834B (zh) * 2020-10-19 2023-04-07 南方科技大学 一种运动阻碍型疾病诊断装置
AT524365A1 (de) * 2020-10-20 2022-05-15 Vertify Gmbh Verfahren für die Zuweisung eines Schwindelpatienten zu einem medizinischen Fachgebiet
CN112370659B (zh) * 2020-11-10 2023-03-14 四川大学华西医院 基于机器学习的头部刺激训练装置的实现方法
WO2022118306A1 (en) 2020-12-02 2022-06-09 Shomron Dan Head tumor detection apparatus for detecting head tumor and method therefor
US20220189637A1 (en) * 2020-12-11 2022-06-16 Cerner Innovation, Inc. Automatic early prediction of neurodegenerative diseases
US11978558B1 (en) 2020-12-17 2024-05-07 Hunamis, Llc Predictive diagnostic information system
CN112331337B (zh) * 2021-01-04 2021-04-16 中国科学院自动化研究所 自动抑郁检测方法、装置、设备
CN113440101B (zh) * 2021-02-01 2023-06-23 复旦大学附属眼耳鼻喉科医院 一种基于集成学习的眩晕诊断装置及系统
US20220319707A1 (en) * 2021-02-05 2022-10-06 University Of Virginia Patent Foundation System, Method and Computer Readable Medium for Video-Based Facial Weakness Analysis for Detecting Neurological Deficits
US11975200B2 (en) 2021-02-24 2024-05-07 Medtronic, Inc. Directional stimulation programming
JPWO2022191332A1 (ko) * 2021-03-12 2022-09-15
CN113012815B (zh) * 2021-04-06 2023-09-01 西北工业大学 一种基于多模态数据的帕金森健康风险评估方法
DE102021205548A1 (de) 2021-05-31 2022-12-01 VitaFluence.ai GmbH Softwarebasiertes, sprachbetriebenes und objektives Diagnosewerkzeug zur Verwendung in der Diagnose einer chronischen neurologischen Störung
CN113274023B (zh) * 2021-06-30 2021-12-14 中国科学院自动化研究所 基于多角度分析的多模态精神状态评估方法
CN113842113A (zh) * 2021-07-22 2021-12-28 陆烁 发展性阅读障碍智能识别方法、系统、设备及存储介质
WO2023009856A1 (en) * 2021-07-29 2023-02-02 Precision Innovative Data Llc Dba Innovative Precision Health (Iph) Method and system for assessing disease progression
AU2022331478A1 (en) * 2021-08-18 2024-01-18 Advanced Neuromodulation Systems, Inc. Systems and methods for providing digital health services
CN113823267B (zh) * 2021-08-26 2023-12-29 中南民族大学 基于语音识别与机器学习的抑郁症自动识别方法和装置
US20230070665A1 (en) * 2021-09-09 2023-03-09 GenoEmote LLC Method and system for validation of disease condition reprogramming based on personality to disease condition mapping
WO2023042343A1 (ja) * 2021-09-16 2023-03-23 マクセル株式会社 手指の動きを計測処理する計測処理端末、方法およびコンピュータプログラム
CN113729709B (zh) * 2021-09-23 2023-08-11 中科效隆(深圳)科技有限公司 神经反馈设备、神经反馈方法及计算机可读存储介质
CN113709073B (zh) * 2021-09-30 2024-02-06 陕西长岭电子科技有限责任公司 一种正交相移键控调制信号的解调方法
US20230118283A1 (en) * 2021-10-18 2023-04-20 Shahnaz MIRI Performing neurological diagnostic assessments
WO2023081732A1 (en) * 2021-11-02 2023-05-11 Chemimage Corporation Fusion of sensor data for persistent disease monitoring
WO2023095321A1 (ja) * 2021-11-29 2023-06-01 マクセル株式会社 情報処理装置、情報処理システム、及び情報処理方法
CN114171162B (zh) * 2021-12-03 2022-10-11 广州穗海新峰医疗设备制造股份有限公司 一种基于大数据分析的镜像神经元康复训练的方法及系统
WO2023107430A1 (en) * 2021-12-09 2023-06-15 Boston Scientific Neuromodulation Corporation Neurostimulation programming and triage based on freeform text inputs
CN114305398B (zh) * 2021-12-15 2023-11-24 上海长征医院 一种用于检测待测对象的脊髓型颈椎病的系统
CN118401174A (zh) * 2021-12-24 2024-07-26 安念科技有限公司 一种健康监测系统和方法
WO2023178437A1 (en) * 2022-03-25 2023-09-28 Nuralogix Corporation System and method for contactless predictions of vital signs, health risks, cardiovascular disease risk and hydration from raw videos
CN114927215B (zh) * 2022-04-27 2023-08-25 苏州大学 基于体表点云数据直接预测肿瘤呼吸运动的方法及系统
US11596334B1 (en) * 2022-04-28 2023-03-07 Gmeci, Llc Systems and methods for determining actor status according to behavioral phenomena
US20230410290A1 (en) * 2022-05-23 2023-12-21 Aic Innovations Group, Inc. Neural network architecture for movement analysis
US20240087743A1 (en) * 2022-09-14 2024-03-14 Videra Health, Inc. Machine learning classification of video for determination of movement disorder symptoms
KR102673265B1 (ko) * 2022-12-16 2024-06-10 주식회사 이모코그 파킨슨병 예측 장치 및 방법
CN117297546B (zh) * 2023-09-25 2024-07-12 首都医科大学宣武医院 一种捕捉癫痫患者发作症状学信息的自动检测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10776453B2 (en) * 2008-08-04 2020-09-15 Galenagen, Llc Systems and methods employing remote data gathering and monitoring for diagnosing, staging, and treatment of Parkinsons disease, movement and neurological disorders, and chronic pain
WO2014062441A1 (en) * 2012-10-16 2014-04-24 University Of Florida Research Foundation, Inc. Screening for neurologial disease using speech articulation characteristics
CA2939922A1 (en) * 2014-02-24 2015-08-27 Brain Power, Llc Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device
US9715622B2 (en) * 2014-12-30 2017-07-25 Cognizant Technology Solutions India Pvt. Ltd. System and method for predicting neurological disorders
EP3394825B1 (en) * 2015-12-18 2024-05-22 Cognoa, Inc. Platform and system for digital personalized medicine
US10485471B2 (en) * 2016-01-07 2019-11-26 The Trustees Of Dartmouth College System and method for identifying ictal states in a patient
US20170258390A1 (en) * 2016-02-12 2017-09-14 Newton Howard Early Detection Of Neurodegenerative Disease

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220025360A (ko) * 2020-08-24 2022-03-03 경희대학교 산학협력단 스마트 헬스케어 의사결정 지원 시스템을 위한 진화 가능한 증상-질병 예측 시스템
KR20220028967A (ko) 2020-08-31 2022-03-08 서울여자대학교 산학협력단 뉴로피드백 기반의 치료 장치 및 치료 방법
KR102381219B1 (ko) * 2020-12-09 2022-04-01 영남대학교 산학협력단 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법
KR20230087872A (ko) * 2021-12-10 2023-06-19 한림대학교 산학협력단 딥러닝 기반 구음 장애 분류 장치, 시스템의 제어 방법, 및 컴퓨터 프로그램
WO2024091929A1 (en) * 2022-10-24 2024-05-02 Precision Neuroscience Corporation Data-efficient transfer learning for neural decoding applications

Also Published As

Publication number Publication date
EP3697302A1 (en) 2020-08-26
CN111225612A (zh) 2020-06-02
US20190110754A1 (en) 2019-04-18
EP3697302A4 (en) 2021-10-20
CA3077481A1 (en) 2019-04-25
WO2019079475A1 (en) 2019-04-25
IL273789A (en) 2020-05-31
AU2018350984A1 (en) 2020-05-07
JP2020537579A (ja) 2020-12-24

Similar Documents

Publication Publication Date Title
KR20200074951A (ko) 신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템
Pereira et al. A survey on computer-assisted Parkinson's disease diagnosis
US11696714B2 (en) System and method for brain modelling
KR102450362B1 (ko) 사용자 건강 분석을 위한 증강 현실 시스템들 및 방법들
Parisi et al. Body-sensor-network-based kinematic characterization and comparative outlook of UPDRS scoring in leg agility, sit-to-stand, and gait tasks in Parkinson's disease
US20190015033A1 (en) Systems, environment and methods for emotional recognition and social interaction coaching
JP6124140B2 (ja) 患者の認知機能の評価
US20180184964A1 (en) System and signatures for a multi-modal physiological periodic biomarker assessment
US20230320647A1 (en) Cognitive health assessment for core cognitive functions
JP2019523027A (ja) 記憶及び機能の衰えの記録及び分析のための装置及び方法
Sigcha et al. Deep learning and wearable sensors for the diagnosis and monitoring of Parkinson’s disease: a systematic review
US20210339024A1 (en) Therapeutic space assessment
JP7307970B2 (ja) デジタルコンテンツに基づく治療情報提供装置
CN116601720A (zh) 用于基于人工智能的健康状况的医学诊断系统和方法
Frick et al. Detection of schizophrenia: A machine learning algorithm for potential early detection and prevention based on event-related potentials.
Deb How Does Technology Development Influence the Assessment of Parkinson's Disease? A Systematic Review
WO2019227690A1 (zh) 行为范式指标的筛选及其应用
Greene IoT development for healthy independent living
Pinto et al. Comprehensive review of depression detection techniques based on machine learning approach
Elbatanouny et al. Insights into Parkinson’s Disease-Related Freezing of Gait Detection and Prediction Approaches: A Meta Analysis
Isaev Use of Machine Learning and Computer Vision Methods for Building Behavioral and Electrophysiological Biomarkers for Brain Disorders
Hemmerling et al. Multimodal Approach for the Diagnosis of Neurodegenerative Disorders Using Augmented Reality
Pereira Aprendizado de máquina aplicado ao auxílio do diagnóstico da doença de Parkinson
Derungs Performance monitoring and evaluation of patients after stroke in free-living using wearable motion sensors and digital biomarkers
Contin et al. Body Sensor Network-based Kinematic Characterization and Comparative Outlook of UPDRS Scoring in Leg Agility, Sit-to-Stand, and Gait Tasks in Parkinson’s Disease