KR20200077085A - 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 - Google Patents
딥러닝을 이용한 근시 진행 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR20200077085A KR20200077085A KR1020180166264A KR20180166264A KR20200077085A KR 20200077085 A KR20200077085 A KR 20200077085A KR 1020180166264 A KR1020180166264 A KR 1020180166264A KR 20180166264 A KR20180166264 A KR 20180166264A KR 20200077085 A KR20200077085 A KR 20200077085A
- Authority
- KR
- South Korea
- Prior art keywords
- myopia progression
- patient
- myopia
- data
- predictor
- Prior art date
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
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
-
- 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
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Ophthalmology & Optometry (AREA)
- Eye Examination Apparatus (AREA)
Abstract
본 발명은 딥러닝을 이용한 근시 진행 예측 방법 및 시스템에 관한 것으로서, 본 발명의 일 실시 예에 따른 근시 진행 예측 방법에는, 데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계, 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계 및 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하는 단계가 포함될 수 있다.
Description
본 발명은 딥러닝을 이용한 근시 진행 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 근시 진행 정도를 예측하기 위해 필요한 인자들의 상관관계를 딥러닝을 이용한 학습 과정을 통해 분석하고, 분석된 결과를 기초로 환자의 근시 진행 정도를 예측할 수 있는 방법 및 시스템에 관한 것이다.
현재 근시의 유병률이 폭발적으로 증가하여 국내 학동기 소아의 90%에서 근시가 발생하는 상황이다. 근시 진행이 빠른 환아들을 대상으로 많은 병원들에서 근시를 억제하기 위한 치료를 시행 중이며, 치료로는 아트로핀 안약 점안 치료와 렌즈 치료등이 수행되고 있다. 이러한 치료가 수행되는 대상자는 폭발적인 증가 추세를 보이고 있다.
현재 치료 방침은 대개 환자의 근시 정도가 얼마나 진행하는지에 대한 경과를 6개월 내지 1년 정도 지켜보고, 실제 진행이 있는 경우에 치료를 시작하는 것으로 되어 있다. 그러나, 이러한 치료 방침에 따라 치료를 시작하게 되면, 근시를 예방하는 차원의 치료가 이루어질 수 없으며, 환자 개개인에 따라 다른 치료 시점으로 인해 효과적인 근시 치료가 이루어지기 어려운 문제가 존재한다.
전술하였듯이 현재의 치료 방침에 따라 치료가 시작되면 치료 시점이 늦어질 수 있으므로, 임상의의 판단에 따라 특수한 경우에는 미리 치료를 시작하기도 한다. 하지만 미리 치료를 시작한 환자가 실제로는 근시 진행이 빠르지 않을 환자였다면, 불필요한 약제 부작용의 위험을 감수하게 되는 문제가 발생할 수 있다.
본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로서, 근시 진행 예측을 위한 안구 정보, 나이, 성별 등의 신상 정보 등에 대한 상관관계를 딥러닝을 이용하여 학습함으로써, 일정한 기간 내에 환자의 근시가 어느 정도 진행할지를 예측하고, 예측된 결과에 따라 환자별로 적절한 근시 치료가 수행될 수 있도록 하는 방법 및 시스템을 제공함에 목적이 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계, 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계 및 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하는 단계가 포함되며, 근시 진행 정도는 소정의 기간 내의 근시 진행 확률일 수 있다.
본 발명의 일 실시 예에 따른 제 1 예측인자에는 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함되며, 제 2 예측인자에는 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 근시 진행 예측 모델을 생성하는 단계에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 단계 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 환자의 안구검사 결과 데이터 및 환자의 개인정보 데이터가 입력되는 단계, 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 환자의 개인정보 데이터로부터 제 2 입력정보를 추출하는 단계, 근시 진행 예측 모델을 통해 추출된 입력정보들을 기초로 하여 환자에 대한 근시 진행 정도를 분석하는 단계 및 분석된 근시 진행 정도에 기초하여 환자에 대한 근시 치료 방향을 결정하는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 1 입력정보에는 환자의 안구에 대한 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함되며, 제 2 입력정보에는 환자의 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 환자의 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력하는 단계가 더 포함되며, 환자의 근시 진행 정도에 대한 정보는 환자의 안구에 대한 굴절값의 변화량으로 출력될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 근시 진행 예측 모델을 갱신하는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템에는, 데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하고, 환자의 안구검사 결과 데이터 및 환자의 개인정보 데이터가 입력되는 데이터 수집부, 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하며, 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 환자의 개인정보 데이터로부터 제 2 입력정보를 추출하는 제 1 데이터 분석부 및 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하며, 근시 진행 예측 모델을 통해 추출된 입력정보들을 기초로 하여 환자에 대한 근시 진행 정도를 분석하는 제 2 데이터 분석부가 포함되며, 근시 진행 정도는 소정의 기간 내의 근시 진행 확률일 수 있다.
본 발명의 일 실시 예에 따른 제 2 데이터 분석부에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 제 1 딥러닝 학습부 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 제 2 딥러닝 학습부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 2 데이터 분석부에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 근시 진행 예측 모델을 갱신하는 예측 모델 갱신부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템에는, 분석된 근시 진행 정도에 기초하여 환자에 대한 근시 치료 방향을 결정하는 치료방향 도출부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템에는, 환자의 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력하는 데이터 출력부가 더 포함되며, 환자의 근시 진행 정도에 대한 정보는 환자의 안구에 대한 굴절값의 변화량으로 출력될 수 있다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
본 발명의 일 실시 예로서 제공되는 근시 진행 예측 방법 및 시스템에 따르면, 근시 진행 정도를 예측하기 위해 필요한 인자들의 상관관계를 딥러닝을 이용한 학습 과정을 통해 분석하고, 분석된 결과를 기초로 환자의 근시 진행 정도를 예측함으로써, 환자별로 맞춤형 근시 치료가 가능하도록 할 수 있으며, 근시 치료 시점을 조절하여 예방 차원의 치료가 가능하도록 할 수 있다.
또한, 중증 근시 환자수를 감소시켜 병적 근시로 인한 의료비 절감을 유도할 수 있으며, 환자 개개인별로 정확한 근시 치료가 수행될 수 있도록 함으로써 불필요한 치료가 수행되고 이로 인한 부작용 등의 문제가 발생하는 것을 방지할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법을 나타낸 제 1 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 안구검사 데이터에서 제 1 예측인자를 추출하는 과정을 나타낸다.
도 3은 시신경 모양에 따른 근시 진행 정도를 나타낸 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 모델 생성 과정을 나타낸 순서도이다.
도 5는 본 발명의 일 실시 예에 따라 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 방식의 일 예를 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법을 나타낸 제 2 순서도이다.
도 7은 본 발명의 일 실시 예에 따라 환자의 근시 진행 정도를 분석하고, 근시 진행 정도에 따른 근시 치료 방향을 결정하는 과정을 나타낸 순서도이다.
도 8은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템을 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 안구검사 데이터에서 제 1 예측인자를 추출하는 과정을 나타낸다.
도 3은 시신경 모양에 따른 근시 진행 정도를 나타낸 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 모델 생성 과정을 나타낸 순서도이다.
도 5는 본 발명의 일 실시 예에 따라 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 방식의 일 예를 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법을 나타낸 제 2 순서도이다.
도 7은 본 발명의 일 실시 예에 따라 환자의 근시 진행 정도를 분석하고, 근시 진행 정도에 따른 근시 치료 방향을 결정하는 과정을 나타낸 순서도이다.
도 8은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템을 나타낸 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법은 크게 (1) 근시 진행 예측 모델의 생성 과정과 (2) 근시 진행 예측 모델에 기반한 환자의 근시 진행 예측 과정으로 구분될 수 있다.
이에 따라, 먼저 도 1 내지 도 5를 참조하여 근시 진행 예측 모델의 생성 과정에 대해서 상세히 살펴본 후, 도 6 내지 도 7을 참조하여 환자의 근시 진행 예측 과정에 대해서 상세히 살펴보도록 한다.
(1) 근시 진행 예측 모델의 생성 과정
도 1은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법을 나타낸 제 1 순서도이다.
또한, 도 2는 본 발명의 일 실시 예에 따른 안구검사 데이터에서 제 1 예측인자를 추출하는 과정을 나타내며, 도 3은 시신경 모양에 따른 근시 진행 정도를 비교한 그래프를 나타낸다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 데이터베이스(200)에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계(S100), 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계(S200) 및 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하는 단계(S300)가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 근시 진행 예측 모델의 생성을 위한 데이터 수집 단계(S100)에서는, 데이터베이스(200)에서 이미 관리되고 있는 안구검사 데이터 및 개인정보 데이터가 데이터 수집부(10)에 의해 수집될 수 있다. 이때, 데이터베이스(200)에는 본 발명의 일 실시 예에 따른 시스템(100)을 이용하는 병원 내의 데이터베이스뿐만 아니라 접근이 가능한 외부 기관의 데이터베이스가 모두 포함될 수 있다.
이때, 안구검사 데이터에는 안저 이미지 등과 같은 안구와 관련된 이미지 정보, 안구검사에 따른 시력 정보, 안구 계측 정보 등이 모두 포함될 수 있다. 또한, 개인정보 데이터에는 전술한 안구검사 데이터에 대응되는 환자의 신상 정보(ex. 나이, 성별, 거주지, 병력 등)가 포함될 수 있다.
즉, 안구검사 데이터와 그에 대응하는 개인정보 데이터는 하나의 세트(set) 데이터로 구성될 수 있다. 따라서, 데이터 수집부(10)에 의해 수집된 안구검사 데이터와 개인정보 데이터는 후술할 학습 과정이 용이하게 수행될 수 있도록 세트 데이터별로 분류되어 시스템(100) 내의 저장부에서 관리될 수 있다.
본 발명의 일 실시 예에 따르면, 근시 진행 예측 모델의 생성을 위한 데이터 추출 단계(S200)에서는, 제 1 데이터 분석부(20)에 의해 안구검사 데이터 및 개인정보 데이터가 분석되어 안구검사 데이터로부터 제 1 예측인자가 추출되고, 개인정보 데이터로부터 제 2 예측인자가 추출될 수 있다.
먼저, 제 1 데이터 분석부(20)에 의한 안구검사 데이터의 분석은 안저 이미지 등과 같은 안구검사 데이터 전체에 대한 분석을 통해 제 1 예측인자를 도출하고, 제 1 예측인자의 학습을 위한 기초값을 도출하는 과정을 의미한다. 이때, 제 1 예측인자에는 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함될 수 있다.
예를 들어, 안구검사 데이터로 도 2의 (a)와 같은 안저 이미지가 수집된 경우, 제 1 데이터 분석부(20)에서는 안저 이미지 전체에 대한 분석을 통해 안저 이미지로부터 제 1 예측인자 중의 하나인 시신경의 비틀림 정도를 분석할 수 있다. 제 1 데이터 분석부(20)에서는 분석된 시신경의 비틀림 정도에 따라 시신경 모양을 판단하여 제 1 예측인자로서 시신경 모양을 안저 이미지로부터 추출할 수 있다. 이와 같은 안저 이미지의 분석에는 딥러닝 또는 기계학습에 의한 이미지 분석 방식이 사용될 수 있다.
제 1 예측인자에 포함되는 초기 굴절값, 시신경 모양 또는 안축장 길이는 모두 근시 진행에 영향을 끼치는 중요한 요인들에 해당한다. 예를 들어, 도 3을 참조하면, 시신경의 비틀림이 있는 환자와 시신경의 비틀림이 없는 환자에 대한 추적 관찰의 결과, 시신경의 비틀림이 있는 환자가 그렇지 않은 환자에 비해 구면렌즈 대응치가 더 큰 폭으로 변화하는 것을 확인할 수 있다. 즉, 도 3을 참조하면, 시신경의 모양(ex. 시신경의 비틀림)이 근시 진행에 영향을 미친다는 것을 확인할 수 있다. 또한, 근시 진행과 관련하여 수행한 연구 결과에 따르면, 초기 굴절값(ex. 0세 내지 9세의 아동기에 측정된 안구의 굴절값), 안축장 길이 역시 각각의 요인들이 근시 진행에 영향을 미친다는 것을 확인할 수 있다.
이와 같이 근시 진행에 영향을 미치는 중요한 요인에 해당하는 제 1 예측인자들을 안구검사 데이터에 대한 전체 분석을 통해 안구검사 데이터로부터 제 1 데이터 분석부(20)에서 추출함으로써, 근시 진행 예측에 필요한 정보들만을 선별하여 학습 과정에 활용할 수 있다. 이에 따라, 불필요한 정보들을 사전에 필터링함으로써, 효율적인 데이터 학습 및 모델링이 수행될 수 있도록 할 수 있다.
한편, 제 1 데이터 분석부(20)에 의한 개인정보 데이터의 분석은 환자의 나이, 성별 등 인구통계학적 요소(demographioc data)에 대한 분석을 통해 제 2 예측인자를 도출하고, 제 2 예측인자의 학습을 위한 기초값을 도출하는 과정을 의미한다. 이때, 제 2 예측인자에는 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함될 수 있다.
예를 들어, 안구검사 데이터에 대응되는 환자의 신상 정보가 포함된 개인정보 데이터가 수집된 경우, 제 1 데이터 분석부(20)에서는 개인정보 데이터에 나이, 성별, 인종, 내원시기, 거주지 및 부모의 근시여부에 대한 정보가 포함되어 있는지 여부를 분석할 수 있다. 제 1 데이터 분석부(20)에서는 전술한 정보들 중 수집된 개인정보 데이터에 포함된 정보들을 모두 추출할 수 있다.
제 2 예측인자에 포함되는 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시 여부는 모두는 역시나 근시 진행에 영향을 끼치는 중요한 요인들에 해당한다. 예를 들어, 근시 진행과 관련하여 수행한 연구 결과에 따르면, 같은 디옵터(i.e. 굴절값)을 가지는 환자라고 하더라도 10세 내지 19세의 환자의 근시 진행률이 0세 내지 9세의 환자의 근시 진행률에 비해 낮다는 것을 확인할 수 있다. 또한, 근시 진행과 관련하여 수행한 연구 결과에 따르면, 성별, 유전력 등의 요인들 역시 각각의 요인들이 근시 진행에 영향을 미친다는 것을 확인할 수 있다.
이와 같이 근시 진행에 영향을 미치는 중요한 요인에 해당하는 제 2 예측인자들을 개인정보 데이터로부터 제 1 데이터 분석분에서 추출함으로써, 근시 진행 예측에 필요한 정보들만을 선별하여 학습 과정에 활용할 수 있다. 이에 따라, 불필요한 정보들을 사전에 필터링함으로써, 효율적인 데이터 학습 및 모델링이 수행될 수 있도록 할 수 있다.
본 발명의 일 실시 예에 따르면, 근시 진행 예측 모델을 생성하는 단계(S300)에서는, 제 2 데이터 분석부(30)에 의해 전술한 제 1 예측인자 및 제 2 예측인자들의 상관관계가 딥러닝 과정을 통해 분석될 수 있으며, 분석된 결과에 따라 근시 진행 예측 모델이 생성될 수 있다.
이때, 예측인자들의 상관관계에 따라 도출되는 근시 진행 정도는 소정의 기간 내의 근시 진행 확률을 의미할 수 있다. 즉, 근시 진행 예측 모델을 통해 근시 진행 예측에 관한 유의미한 결과값을 도출하기 위해서 소정의 기간 동안에 근시가 진행될 확률에 대한 분석이 제 2 데이터 분석부(30)에 의해 수행될 수 있다. 예를 들어, 소정의 기간은 6개월의 기간일 수 있다.
본 발명의 일 실시 예에 따른 근시 진행 예측 모델의 생성 단계(S300)에서의 딥러닝을 이용한 예측인자들의 상관관계 분석 과정은 도 4 내지 도 5를 참조하여 이하에서 보다 구체적으로 설명하도록 한다.
도 4는 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 모델 생성 과정을 나타낸 순서도이며, 도 5는 본 발명의 일 실시 예에 따라 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 방식의 일 예를 나타낸다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 근시 진행 예측 모델을 생성하는 단계에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 단계(S310) 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 단계(S320, S330)가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 근시 진행 예측 모델을 위한 1차 학습 단계(S310)로서, 제 1 딥러닝 학습부(31)에 의해 제 1 예측인자 및 제 2 예측인자에 각각 포함된 기초정보들의 상관관계가 딥러닝을 이용한 학습 과정을 통해 분석될 수 있다. 여기서 말하는 기초정보란 각각의 예측인자 중에서도 근시 진행 예측을 위해 필수적으로 요구되는 정보(Liminted Value)를 말한다. 즉, 제 1 딥러닝 학습부(31)에서 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들간의 상관관계를 딥러닝을 이용하여 학습한 결과만으로도 근시 진행 예측의 정확성을 담보할 수 있다.
예를 들어, 제 1 예측인자에 포함된 정보들 중 기초정보에는 초기 굴절값, 시신경 모양이 포함될 수 있으며, 제 2 예측인자에 포함된 정보들 중 기초정보에는 나이, 성별이 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 근시 진행 예측 모델을 위한 2차 학습 단계(S320, S330)로서, 먼저 제 2 딥러닝 학습부(32)에 의해 제 1 예측인자 및 제 2 예측인자에 각각 확장정보가 포함되어 있는지 여부가 판단(S320)될 수 있다. 여기서 말하는 확장정보란 근시 진행 예측을 위해 필수적으로 요구되지는 않으나 근시 진행 예측의 정확도를 향상시키기 위한 보정값에 해당하는 정보(Extended Value)를 말한다. 즉, 제 2 딥러닝 학습부(32)에서는 제 1 예측인자 및 제 2 예측인자 각각에 기초정보들을 제외한 확장정보가 추가적으로 존재하는지 여부를 판단함으로써, 근시 진행 예측의 정확성을 보다 향상시키기 위한 추가 학습 과정을 수행할 수 있다.
예를 들어, 제 1 예측인자에 포함된 정보들 중 확장정보에는 초기 굴절값 및 시신경 모양을 제외한 안축장 길이가 포함될 수 있으며, 제 2 예측인자에 포함된 정보들 중 확장정보에는 나이 및 성별을 제외한 인종, 내원시기, 거주지, 부모의 근시여부가 포함될 수 있다.
본 발명의 일 실시 예에 따라 제 2 딥러닝 학습부(32)에 의해 예측인자들에 확장정보가 포함되어 있지 않은 것으로 판단되는 경우, 추가적인 학습 과정없이 제 1 딥러닝 학습부(31)에서는 기초정보들의 상관계를 딥러닝을 이용하여 학습한 결과에 기초하여 근시 진행 예측 모델을 생성할 수 있다(S340).
제 2 딥러닝 학습부(32)에 의해 예측인자들에 확장정보가 포함된 것으로 판단되는 경우에는, 제 2 딥러닝 학습부(32)에서는 확장정보를 포함하는 예측인자들 전체의 상관관계를 딥러닝을 이용하여 추가적으로 학습하고(S330), 학습한 결과에 기초하여 근시 진행 예측 모델을 생성할 수 있다(S340).
전술한 제 1 딥러닝 학습부(31) 및 제 2 딥러닝 학습부(32)에 의한 딥러닝 과정은 예측인자들 상호간에 근시 진행에 영향을 미치는 정도를 학습하여 예측인자들 간의 상관관계를 소정의 단계 또는 연속된 변수값으로 분석하는 과정으로 이해될 수 있다. 이러한 과정에서 이용되는 딥러닝 알고리즘에는 Convolutional Neural Network을 비롯하여 Attention Mechanism, Deconvlutional Deep Neural Network 등이 포함될 수 있다.
예를 들어, 도 5를 참조하면, 제 2 딥러닝 학습부(32)에서는 안구검사 데이터로부터 추출된 제 1 예측인자(ex. 초기 굴절값, 시신경 모양, 안축장 길이)와 개인정보 데이터로부터 추출된 제 2 예측인자(ex. 나이, 성별, 인종, 거주지 등)가 서로 간에 근시 진행에 영향을 미치는 정도를 소정의 단계로 테이블화하여 학습할 수 있다. 이때, 학습되는 정보가 누적됨에 따라 소정의 단계는 세분화 또는 재설정됨으로써, 예측인자들 간의 상관관계에 대한 정확도 및 정밀도가 향상될 수 있다.
도 5에서와 같이 제 1 예측인자와 제 2 예측인자가 각각의 독립된 값으로 학습될 수도 있으나, 도 5와는 달리 제 1 예측인자와 제 2 예측인자에 포함된 모든 정보들이 각각 서로 독립된 값으로 학습될 수도 있다.
(2) 근시 진행 예측 모델에 기반한 환자의 근시 진행 예측 과정
이하에서는 전술한 (1) 근시 진행 예측 모델의 생성 과정을 통해 설명한 내용과 동일한 내용에 대해서는 설명을 생략하도록 한다.
도 6은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법을 나타낸 제 2 순서도이며, 도 7은 본 발명의 일 실시 예에 따라 환자의 근시 진행 정도를 분석하고, 근시 진행 정도에 따른 근시 치료 방향을 결정하는 과정을 나타낸 순서도이다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 환자의 안구검사 결과 데이터 및 환자의 개인정보 데이터가 입력되는 단계(S400), 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 환자의 개인정보 데이터로부터 제 2 입력정보를 추출하는 단계(S500), 근시 진행 예측 모델을 통해 추출된 입력정보들을 기초로 하여 환자에 대한 근시 진행 정도를 분석하는 단계(S600) 및 분석된 근시 진행 정도에 기초하여 환자에 대한 근시 치료 방향을 결정하는 단계(S700)가 더 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 환자의 안구검사 결과 데이터 및 환자의 개인정보 데이터는 근시 진행 예측을 위한 임상의로부터 인가된 외부입력에 의해 데이터 수집부(10)를 통해 직접 입력되거나, 후술할 사용자 단말(300)을 통해 데이터 수집부(10)로 전달되어 입력될 수 있다.
환자의 안구검사 결과 데이터에는 전술한 근시 진행 예측 모델의 생성 과정에서와 마찬가지로 안저 이미지 등과 같은 안구와 관련된 이미지 정보, 안구검사에 따른 시력 정보 등이 포함될 수 있다. 또한, 환자의 개인정보 데이터에는 환자의 신상 정보(ex. 나이, 성별, 거주지, 병력 등)가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 환자의 근시 진행 예측을 위한 데이터 추출 단계(S500)에서는, 제 1 데이터 분석부(20)에 의해 환자의 안구검사 결과 데이터로부터 제 1 입력정보가 추출되고, 환자의 개인정보 데이터로부터 제 2 입력정보가 추출될 수 있다.
이때, 제 1 입력정보는 제 1 예측인자에 상응하는 정보로서, 환자의 안구에 대한 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함될 수 있다. 또한, 제 2 입력정보는 제 2 예측인자에 상응하는 정보로서, 환자의 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 환자의 근시 진행 예측을 위한 데이터 분석 과정(S600)에서는, 제 2 데이터 분석부(30)에 의해 근시 진행 예측 모델에서 제 1 입력정보 및 제 2 입력정보에 기초하여 환자의 근시 진행 정도가 분석될 수 있다.
예를 들어, 제 1 입력정보로 환자의 안구에 대한 초기 굴절값, 시신경 모양이 추출되고, 제 2 입력정보로 환자의 나이, 성별이 추출된 경우, 초기 굴절값, 시신경 모양, 나이, 성별이 입력값으로서 근시 진행 예측 모델에 입력될 수 있다. 근시 진행 예측 모델에서는 학습된 결과를 기초로 입력값에 따라 환자의 근시 진행 정도를 분석할 수 있다. 분석된 결과값으로서 환자의 근시 진행 정도는 소정의 기간(ex. 6개월 등) 내에서의 근시 진행 확률값으로 도출될 수 있다.
도 7을 참조하면, 본 발명의 일 실시 예에 따라 환자의 근시 진행 정도에 대한 분석이 완료되면, 제 2 데이터 분석부(30)에 의해 근시 진행 정도는 환자의 안구에 대한 굴절값의 예측치로 변환될 수 있다(S650). 이는 임상의가 환자의 근시 진행 정도를 손쉽게 파악할 수 있도록 하기 위함이며, 근시 진행 정도에 따라 결정되는 근시 치료 방향에 대한 분석이 빠르게 수행될 수 있도록 하기 위함이다.
예를 들어, 환자의 근시 진행 정도가 6개월 내에서의 근시 진행 확률 값으로 분석되면, 제 2 데이터 분석부(30)에서는 해당 확률값에 따라 실제 환자의 근시 진행이 예상되는 굴절값의 변화량을 추정하여 근시 진행 정도를 환자의 굴절값의 예측치로 변환할 수 있다.
본 발명의 일 실시 예에 따라 근시 진행 정도가 환자의 안구에 대한 굴절값의 예측치로 변환되면, 근시진행 정도에 기초하여 치료방향 도출부(40)에 의해 환자의 근시 치료 방향이 분석 및 결정될 수 있다(S700). 여기서 말하는 근시 치료 방향이란 환자의 근시 치료 시점 및 방법에 관한 것으로, 현재 근시 진행 정도에 근거하여 환자가 어느 시점에 근시 치료를 시작해야하며, 근시 진행 정도에 따른 근시 치료 방법으로는 어떠한 방법들이 수행되어야 하는지 등에 대한 정보를 말한다.
예를 들어, 근시 진행 정도가 연령대에 따라 0.24디옵터 값 이상 또는 0.5디옵터 값 이상으로 추정된 경우에는 해당 환자는 곧바로 근시 치료를 수행해야 하며, 환경조절, 각막굴절교정술렌즈, 아트로핀 점안 등의 근시 치료 방법을 환자의 안구 상태에 알맞게 선택적으로 수행해야 하는 것으로 근시 치료 방향이 분석될 수 있다. 또한, 근시 진행 정도가 연령대에 따라 0.5디옵터 값 이상 또는 1.0디옵터 값 이상으로 추정된 경우에는 전술한 근시 치료 방법들을 모두 병합해서 수행해야 하는 것으로 근시 치료 방향이 분석될 수 있다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 환자에 대한 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력하는 단계(S800)가 더 포함될 수 있다. 근시 진행 정도 및 근시 치료 방향(i.e. 근시 치료 시점 및 방법)에 대한 정보는 데이터 출력부(50) 통해 출력되거나, 사용자 단말(300)로 전달되어 출력될 수 있다.
이때, 환자의 근시 진행 정도에 대한 정보는 환자의 안구에 대한 굴절값의 변화량(i.e. 굴절값의 예측치)으로 출력될 수 있다. 예를 들어, 데이터 출력부(50)에 포함된 디스플레이를 통해 환자에 대한 근시 진행 정도는 0.5디옵터 값을 나타내는 텍스트 형태로 출력되거나, 변화를 가시적으로 보여주기 위해서 그래프 형태로 출력될 수 있다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 방법에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 근시 진행 예측 모델을 갱신하는 단계(S900)가 더 포함될 수 있다.
전술하였듯이 제 1 입력정보 및 제 2 입력정보는 제 1 예측인자 및 제 2 예측인자에 상응하는 정보이므로, 제 1 입력정보 및 제 2 입력정보는 근시 진행 예측의 학습에 재사용될 수 있다. 따라서, 환자의 근시 진행 예측을 위해 입력된 정보들은 예측인자로서 딥러닝 과정에 사용될 수 있으며, 이를 통해 예측 모델 갱신부(33)에서는 근시 진행 예측 모델을 지속적으로 갱신할 수 있다.
(3) 근시 진행 예측 시스템
도 8은 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템(100)을 나타낸 블록도이다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 근시 진행 예측 시스템(100)에는, 데이터베이스(200)에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하고, 환자의 안구검사 결과 데이터 및 환자의 개인정보 데이터가 입력되는 데이터 수집부(10), 안구검사 데이터로부터 제 1 예측인자를 추출하고, 개인정보 데이터로부터 제 2 예측인자를 추출하며, 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 환자의 개인정보 데이터로부터 제 2 입력정보를 추출하는 제 1 데이터 분석부(20) 및 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 딥러닝을 이용하여 학습하고, 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하며, 근시 진행 예측 모델을 통해 추출된 입력정보들을 기초로 하여 환자에 대한 근시 진행 정도를 분석하는 제 2 데이터 분석부(30)가 포함될 수 있다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 제 2 데이터 분석부(30)에는, 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 딥러닝을 이용하여 학습하는 제 1 딥러닝 학습부(31) 및 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 확장정보가 존재하는 경우에 확장정보를 포함하는 예측인자들의 상관관계를 딥러닝을 이용하여 학습하는 제 2 딥러닝 학습부(32)가 포함될 수 있다.
또한, 본 발명의 일 실시 예에 따른 제 2 데이터 분석부(30)에는, 제 1 입력정보 및 제 2 입력정보를 기초로 딥러닝을 이용한 학습을 통해 근시 진행 예측 모델을 갱신하는 예측 모델 갱신부(33)가 포함될 수 있다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 시스템(100)에는, 분석된 근시 진행 정도에 기초하여 환자에 대한 근시 치료 방향을 결정하는 치료방향 도출부(40)가 더 포함될 수 있다.
또한, 환자의 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력하는 데이터 출력부(50)가 더 포함될 수 있다. 이때, 환자의 근시 진행 정도에 대한 정보는 환자의 안구에 대한 굴절값의 변화량으로 출력될 수 있다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 시스템(100)은 사용자 단말(300)과 연동 가능할 수 있다. 이때, 사용자 단말(300)은 유무선 네트워크 통신이 가능한 단말로서, 스마트폰, PMP(Portable Multimedia Player), PDA(Personal Digital Assistants), 데스크탑(Desktop) PC, 랩탑(Laptop) PC, 태블릿(Tablet) PC 등일 수 있다.
본 발명의 일 실시 예에 따른 시스템(100)과 사용자 단말(300)이 연동됨으로써, 데이터 수집부(10)는 사용자 단말(300)로부터 환자의 안구검사 결과 데이터, 개인정보 데이터 등을 입력받을 수 있다. 또한, 전술한 데이터 출력부(50)가 없이도 시스템(100)이 사용자 단말(300)을 통해 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력할 수도 있다.
본 발명의 일 실시 예에 따른 시스템(100)과 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 시스템(100)과 관련하여, 전술한 방법에 대한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 다시 말해서, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 데이터 수집부 20: 제 1 데이터 분석부
30: 제 2 데이터 분석부 31: 제 1 딥러닝 학습부
32: 제 2 딥러닝 학습부 33: 예측 모델 갱신부
40: 치료방향 도출부 50: 데이터 출력부
100: 근시 진행 예측 시스템 200: 데이터베이스
300: 사용자 단말
30: 제 2 데이터 분석부 31: 제 1 딥러닝 학습부
32: 제 2 딥러닝 학습부 33: 예측 모델 갱신부
40: 치료방향 도출부 50: 데이터 출력부
100: 근시 진행 예측 시스템 200: 데이터베이스
300: 사용자 단말
Claims (15)
- 딥러닝을 이용한 근시 진행 예측 방법에 있어서,
데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하는 단계;
상기 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 상기 안구검사 데이터로부터 제 1 예측인자를 추출하고, 상기 개인정보 데이터로부터 제 2 예측인자를 추출하는 단계; 및
상기 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 상기 딥러닝을 이용하여 학습하고, 상기 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하는 단계가 포함되며,
상기 근시 진행 정도는 소정의 기간 내의 근시 진행 확률인 것을 특징으로 하는 근시 진행 예측 방법.
- 제 1 항에 있어서,
상기 제 1 예측인자에는 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함되며,
상기 제 2 예측인자에는 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 근시 진행 예측 방법.
- 제 1 항에 있어서,
상기 근시 진행 예측 모델을 생성하는 단계에는,
상기 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 상기 딥러닝을 이용하여 학습하는 단계 및 상기 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 상기 확장정보가 존재하는 경우에 상기 확장정보를 포함하는 예측인자들의 상관관계를 상기 딥러닝을 이용하여 학습하는 단계가 포함되는 것을 특징으로 하는 근시 진행 예측 방법.
- 제 1 항에 있어서,
환자의 안구검사 결과 데이터 및 상기 환자의 개인정보 데이터가 입력되는 단계;
상기 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 상기 환자의 개인정보 데이터로부터 제 2 입력정보를 추출하는 단계;
상기 근시 진행 예측 모델을 통해 상기 추출된 입력정보들을 기초로 하여 상기 환자에 대한 근시 진행 정도를 분석하는 단계; 및
상기 분석된 근시 진행 정도에 기초하여 상기 환자에 대한 근시 치료 방향을 결정하는 단계가 더 포함되는 것을 특징으로 하는 근시 진행 예측 방법.
- 제 4 항에 있어서,
상기 제 1 입력정보에는 상기 환자의 안구에 대한 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함되며,
상기 제 2 입력정보에는 상기 환자의 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 근시 진행 예측 방법.
- 제 4 항에 있어서,
상기 환자의 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력하는 단계가 더 포함되며,
상기 환자의 근시 진행 정도에 대한 정보는 상기 환자의 안구에 대한 굴절값의 변화량으로 출력되는 것을 특징으로 하는 근시 진행 예측 방법.
- 제 4 항에 있어서,
상기 제 1 입력정보 및 상기 제 2 입력정보를 기초로 상기 딥러닝을 이용한 학습을 통해 상기 근시 진행 예측 모델을 갱신하는 단계가 더 포함되는 것을 특징으로 하는 근시 진행 예측 방법.
- 딥러닝을 이용한 근시 진행 예측 시스템에 있어서,
데이터베이스에 저장된 안구검사 데이터 및 개인정보 데이터를 수집하고, 환자의 안구검사 결과 데이터 및 상기 환자의 개인정보 데이터가 입력되는 데이터 수집부;
상기 안구검사 데이터 및 개인정보 데이터에 대한 분석을 통해 상기 안구검사 데이터로부터 제 1 예측인자를 추출하고, 상기 개인정보 데이터로부터 제 2 예측인자를 추출하며, 상기 안구검사 결과 데이터로부터 제 1 입력정보를 추출하고, 상기 환자의 개인정보 데이터로부터 제 2 입력정보를 추출하는 제 1 데이터 분석부; 및
상기 추출된 예측인자들의 상관관계에 따른 근시 진행 정도를 상기 딥러닝을 이용하여 학습하고, 상기 학습된 결과에 기초하여 근시 진행 예측 모델을 생성하며, 상기 근시 진행 예측 모델을 통해 상기 추출된 입력정보들을 기초로 하여 상기 환자에 대한 근시 진행 정도를 분석하는 제 2 데이터 분석부가 포함되며,
상기 근시 진행 정도는 소정의 기간 내의 근시 진행 확률인 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 8 항에 있어서,
상기 제 1 예측인자에는 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함되며,
상기 제 2 예측인자에는 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 8 항에 있어서,
상기 제 1 입력정보에는 상기 환자의 안구에 대한 초기 굴절값, 시신경 모양 또는 안축장 길이 중 적어도 하나 이상이 포함되며,
상기 제 2 입력정보에는 상기 환자의 나이, 성별, 인종, 내원시기, 거주지 또는 부모의 근시여부 중 적어도 하나 이상이 포함되는 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 8 항에 있어서,
상기 제 2 데이터 분석부에는,
상기 제 1 예측인자 및 제 2 예측인자에 포함된 기초정보들의 상관관계를 상기 딥러닝을 이용하여 학습하는 제 1 딥러닝 학습부 및 상기 제 1 예측인자 및 제 2 예측인자에 확장정보가 존재하는지 여부를 판단하고, 상기 확장정보가 존재하는 경우에 상기 확장정보를 포함하는 예측인자들의 상관관계를 상기 딥러닝을 이용하여 학습하는 제 2 딥러닝 학습부가 포함되는 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 8 항에 있어서,
상기 제 2 데이터 분석부에는,
상기 제 1 입력정보 및 상기 제 2 입력정보를 기초로 상기 딥러닝을 이용한 학습을 통해 상기 근시 진행 예측 모델을 갱신하는 예측모델 갱신부가 포함되는 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 8 항에 있어서,
상기 분석된 근시 진행 정도에 기초하여 상기 환자에 대한 근시 치료 방향을 결정하는 치료방향 도출부가 더 포함되는 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 13 항에 있어서,
상기 환자의 근시 진행 정도 및 근시 치료 방향에 대한 정보를 출력하는 데이터 출력부가 더 포함되며,
상기 환자의 근시 진행 정도에 대한 정보는 상기 환자의 안구에 대한 굴절값의 변화량으로 출력되는 것을 특징으로 하는 근시 진행 예측 시스템.
- 제 1 항 내지 제 7 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180166264A KR102320580B1 (ko) | 2018-12-20 | 2018-12-20 | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180166264A KR102320580B1 (ko) | 2018-12-20 | 2018-12-20 | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200077085A true KR20200077085A (ko) | 2020-06-30 |
| KR102320580B1 KR102320580B1 (ko) | 2021-11-03 |
Family
ID=71120949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180166264A KR102320580B1 (ko) | 2018-12-20 | 2018-12-20 | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102320580B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112289446A (zh) * | 2020-10-29 | 2021-01-29 | 美视(杭州)人工智能科技有限公司 | 一种预测青少年近视的计算机系统 |
| WO2022080307A1 (ja) * | 2020-10-12 | 2022-04-21 | 株式会社トプコン | 近視進行分析装置、近視進行分析システム、近視進行分析方法、及び近視進行分析プログラム |
| CN115132364A (zh) * | 2022-08-25 | 2022-09-30 | 首都医科大学附属北京同仁医院 | 一种近视风险确定方法、装置、存储介质及可穿戴设备 |
| KR102551808B1 (ko) | 2022-10-12 | 2023-07-05 | 주식회사 에이비스 | 근시퇴행 예측 의료기기 장치 및 방법 |
| CN117059269A (zh) * | 2023-08-10 | 2023-11-14 | 成都艾视医院管理有限公司 | 一种基于深度学习的青少年近视预测方法及模型 |
| CN118053589A (zh) * | 2024-04-16 | 2024-05-17 | 京东方艺云(杭州)科技有限公司 | 非生理性眼轴增长量的预测方法、装置、电子设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101857624B1 (ko) | 2017-08-21 | 2018-05-14 | 동국대학교 산학협력단 | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 |
| KR101887194B1 (ko) * | 2018-06-20 | 2018-08-10 | 주식회사 뷰노 | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| KR20180119505A (ko) * | 2017-04-25 | 2018-11-02 | 존슨 앤드 존슨 비젼 케어, 인코포레이티드 | 비정시 치료 추적 방법 및 시스템 |
-
2018
- 2018-12-20 KR KR1020180166264A patent/KR102320580B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180119505A (ko) * | 2017-04-25 | 2018-11-02 | 존슨 앤드 존슨 비젼 케어, 인코포레이티드 | 비정시 치료 추적 방법 및 시스템 |
| KR101857624B1 (ko) | 2017-08-21 | 2018-05-14 | 동국대학교 산학협력단 | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 |
| KR101887194B1 (ko) * | 2018-06-20 | 2018-08-10 | 주식회사 뷰노 | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022080307A1 (ja) * | 2020-10-12 | 2022-04-21 | 株式会社トプコン | 近視進行分析装置、近視進行分析システム、近視進行分析方法、及び近視進行分析プログラム |
| CN112289446A (zh) * | 2020-10-29 | 2021-01-29 | 美视(杭州)人工智能科技有限公司 | 一种预测青少年近视的计算机系统 |
| CN115132364A (zh) * | 2022-08-25 | 2022-09-30 | 首都医科大学附属北京同仁医院 | 一种近视风险确定方法、装置、存储介质及可穿戴设备 |
| KR102551808B1 (ko) | 2022-10-12 | 2023-07-05 | 주식회사 에이비스 | 근시퇴행 예측 의료기기 장치 및 방법 |
| WO2024080459A1 (ko) * | 2022-10-12 | 2024-04-18 | 주식회사 에이비스 | 근시퇴행 예측 장치 및 방법 |
| CN117059269A (zh) * | 2023-08-10 | 2023-11-14 | 成都艾视医院管理有限公司 | 一种基于深度学习的青少年近视预测方法及模型 |
| CN117059269B (zh) * | 2023-08-10 | 2024-04-26 | 成都艾视医院管理有限公司 | 一种基于深度学习的青少年近视预测方法及模型 |
| CN118053589A (zh) * | 2024-04-16 | 2024-05-17 | 京东方艺云(杭州)科技有限公司 | 非生理性眼轴增长量的预测方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102320580B1 (ko) | 2021-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200077085A (ko) | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 | |
| KR102329468B1 (ko) | 인공지능을 이용한 안질환 진단 방법 및 시스템 | |
| JP6973802B2 (ja) | 認知機能評価システム | |
| Banerjee et al. | Prediction of age-related macular degeneration disease using a sequential deep learning approach on longitudinal SD-OCT imaging biomarkers | |
| Lehti et al. | The heterogeneous effects of parental unemployment on siblings’ educational outcomes | |
| Zhang et al. | Designing information for remediating cognitive biases in decision-making | |
| Kivisaari et al. | False positives to confusable objects predict medial temporal lobe atrophy | |
| JP2024067034A (ja) | 臨床試験実施計画を策定するための方法およびシステム | |
| Davidson et al. | Modeling accuracy as a function of response time with the generalized linear mixed effects model | |
| JP2022512505A (ja) | 視力関連パラメータの経時的な進展を予測するための方法及び装置 | |
| CN116028870B (zh) | 一种数据检测的方法、装置、电子设备及存储介质 | |
| CN113870239A (zh) | 视力检测方法及装置、电子设备、存储介质 | |
| McNeely et al. | An alternative application of Rasch analysis to assess data from ophthalmic patient-reported outcome instruments | |
| CN117152827A (zh) | 一种近视预测模型的训练方法、近视预测方法及装置 | |
| Kang et al. | A joint model for multivariate longitudinal and survival data to discover the conversion to Alzheimer's disease | |
| Charng et al. | Deep learning: applications in retinal and optic nerve diseases | |
| Codina-Filbà et al. | Mobile eHealth platform for home monitoring of bipolar disorder | |
| JP7293050B2 (ja) | 軽度認知障害判定システム | |
| KR102320581B1 (ko) | 딥러닝을 이용한 미숙아의 시력 발달 및 근시 진행을 예측하는 방법 및 시스템 | |
| Augereau et al. | Vocabulometer: A web platform for document and reader mutual analysis | |
| CN115565690A (zh) | 一种基于机器学习的孤独症谱系障碍早期识别方法 | |
| Sokolova et al. | Automatic detection of pupil reactions in cataract surgery videos | |
| CN115223232A (zh) | 一种眼健康综合管理系统 | |
| Tasnim et al. | Investigating Personalization Techniques for Improved Cybersickness Prediction in Virtual Reality Environments | |
| Civit-Masot et al. | Multidataset incremental training for optic disc segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |