KR20200121985A

KR20200121985A - Method for generating medical information

Info

Publication number: KR20200121985A
Application number: KR1020190044645A
Authority: KR
Inventors: 차명일; 서광석
Original assignee: (주)성민네트웍스
Priority date: 2019-04-17
Filing date: 2019-04-17
Publication date: 2020-10-27
Also published as: KR102436359B1; KR102436359B9; KR20210103446A

Abstract

According to an embodiment of the present invention, a computer program stored in a computer-readable storage medium is disclosed. When the computer program is executed in one or more processors, the computer program performs the following operations to process ophthalmic care data. The operation includes the steps of: generating a learning data set based on past medical records; learning an ophthalmic care prediction model using the learning data set; and generating medical information from the medical care data using the learned ophthalmic care prediction model.

Description

How to generate medical information {METHOD FOR GENERATING MEDICAL INFORMATION}

본 발명은 컴퓨터 장치를 이용한 데이터 처리에 관한 것으로써 보다 구체적으로는 안과 진료 데이터를 처리하기 위한 방법에 관한 것이다.The present invention relates to data processing using a computer device, and more particularly, to a method for processing eye care data.

일반적으로 각막은 안구의 가장 바깥쪽 표면에 위치하며, 눈에서 제일 먼저 빛이 통과하는 부분으로 투명하며, 빛을 굴절시켜 망막 위에 이미지를 만들어주는 눈의 전방 조직이고, 망막은 그 위에 형성된 이미지로부터 빛을 감지하고 이미지로부터 신호를 뇌에 전달해 주는 눈의 조직이다. In general, the cornea is located on the outermost surface of the eyeball. It is the first part of the eye through which light passes. It is the anterior tissue of the eye that refracts light to create an image on the retina. It is the tissue of the eye that senses light and transmits signals from images to the brain.

각막 두께에 따라 시력에 변동이 발생하므로, 안구의 불완전한 시력을 교정하는 방법으로써, 각막 두께를 변경하여 불완전한 시력을 교정하는 시력교정술이 있다. 대표적으로 많이 사용되는 시력교정술로는 라식(LASIK), 라섹(LASEK), 스마일(SMILE)이 있다. Since the visual acuity fluctuates according to the corneal thickness, as a method of correcting the incomplete vision of the eye, there is a vision correction technique in which the corneal thickness is changed to correct the incomplete vision. The most commonly used vision correction techniques include LASIK, LASEK, and SMILE.

대한민국 등록특허 1143745 호는 예측 눈 교정 시스템을 개시한다.Korean Patent Registration No. 1143745 discloses a predictive eye correction system.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 안과 진료 데이터를 처리하기 위한 방법을 제공하기 위한 것이다.The present disclosure is conceived in response to the above-described background technology and is to provide a method for processing ophthalmic treatment data.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 상기 동작들은, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작; 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작; 및 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하는 동작을 포함할 수 있다.According to an embodiment of the present disclosure for realizing the above-described problem, a computer program is disclosed that includes instructions stored in a computer-readable storage medium to cause a computer to perform the following operations. The operations may include generating a learning data set based on a past medical record; Learning an ophthalmic care prediction model using the learning data set; And generating medical information from medical treatment data by using the learned ophthalmic treatment prediction model.

대안적 실시예에서, 상기 학습 데이터 세트는, 환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함할 수 있다. In an alternative embodiment, the learning data set may include at least one of patient information and patient diagnosis data as learning input data, and may include at least one of medical treatment data and medical treatment result data as learning result data. .

대안적 실시예에서, 상기 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 동작은, 상기 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of generating a learning data set based on the past medical record comprises prioritizing the items of the learning data set according to a predetermined criterion, and determining at least one item of the learning data set. It may include an operation to do.

대안적 실시예에서, 상기 사전 결정된 기준은, 상기 학습 데이터 세트의 항목 간 상관 관계를 기초로 결정된 기준이고, 상기 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과일 수 있다.In an alternative embodiment, the predetermined criterion is a criterion determined based on a correlation between items of the training data set, and the correlation between items includes at least one of a regression analysis and a classification analysis. It may be a result calculated using.

대안적 실시예에서, 상기 회귀(Regression) 분석은, 오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석일 수 있고, 상기 분류(Classification) 분석은, 상기 학습 데이터 세트의 오분류 정도 및 균등 분포 정도를 나타내는 불순도(impurity)를 기초로 산출된 분석일 수 있다.In an alternative embodiment, the regression analysis may be an analysis calculated based on a residual sum of square (RSS) indicating an error variance of misclassified learning data, and the classification analysis is , It may be an analysis calculated based on impurity representing a degree of misclassification and an even distribution of the training data set.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리; 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함할 수 있다.In an alternative embodiment, the ophthalmic care prediction model includes a regression tree for predicting medical treatment outcome data; And it may include at least one of a classification (Classification) tree for predicting medical treatment data.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델-상기 분류 모델은 결정 트리로 구성됨-을 포함하고, 상기 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.In an alternative embodiment, the ophthalmic care prediction model includes at least one classification model-the classification model is composed of a decision tree, and the decision tree increases a weight for misclassification training data generated in the first classification model. Thus, the second classification model may be a model learned by determining a branching criterion of nodes in a direction in which the number of misclassified training data is reduced.

대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 동작은, 상기 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 상기 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of learning the ophthalmic care prediction model using the learning data set completes the tree structure by generating nodes of the classification model in parallel to shorten the learning time of the ophthalmic care prediction model. It may include an operation to do.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 상기 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.In an alternative embodiment, the ophthalmic care prediction model adds weights for misclassification learning data generated from at least one classification model, so that the ophthalmic care prediction model reduces the number of misclassification training data. It may be a model learned by determining a branching criterion.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 상기 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델일 수 있다.In an alternative embodiment, the ophthalmic care prediction model may be a supervised learning model using learning input data included in the learning data set and learning output data that is a label of the learning input data.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 상기 학습 데이터 세트를 기초로 상기 학습 입력 데이터의 피처(feature)를 추출하는 피처추출부; 및 추출된 상기 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부를 포함하고, 상기 출력 생성부는, 의료 처치 데이터를 분류하는 제 1 출력 생성부; 및 의료 처치 결과 데이터를 분류하는 제 2 출력 생성부를 포함할 수 있다.In an alternative embodiment, the ophthalmic care prediction model includes: a feature extracting unit for extracting a feature of the training input data based on the training data set; And an output generator for generating training output data based on the extracted features of the training input data, wherein the output generator comprises: a first output generator for classifying medical treatment data; And a second output generator for classifying medical treatment result data.

대안적 실시예에서, 상기 안과 진료 예측 모델은, 상기 학습 입력 데이터의 피처를 추출하고, 상기 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델; 및 의료 처치 결과 데이터의 피처를 추출하고, 의료 처치 결과 데이터를 분류하는 제 2 서브모델을 포함하는 모델일 수 있다.In an alternative embodiment, the ophthalmic care prediction model includes: a first submodel for extracting features of the training input data and classifying medical treatment data of the training input data; And a second sub-model for extracting features of medical treatment result data and classifying medical treatment result data.

대안적 실시예에서, 상기 의료 정보는, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 포함할 수 있다.In an alternative embodiment, the medical information may include at least one of medical treatment data and medical treatment result data.

본 개시의 다른 일 실시예에 따라 의료 정보를 생성하기 위한 방법이 개시된다. 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하는 단계; 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키는 단계; 및 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하는 단계를 포함할 수 있다.A method for generating medical information according to another embodiment of the present disclosure is disclosed. Generating a learning data set based on past medical records; Learning an ophthalmic care prediction model using the learning data set; And generating medical information from treatment data by using the learned ophthalmic treatment prediction model.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하고, 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키고, 그리고 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성할 수 있다.A computing device is disclosed according to another embodiment of the present disclosure. The computing device may include one or more processors; And a memory storing instructions executable in the processor. Including, wherein the at least one processor generates a learning data set based on the past medical record, trains an ophthalmic care prediction model using the learning data set, and uses the learned ophthalmic care prediction model, Medical information can be generated from medical treatment data.

본 개시는 안과 진료 데이터를 처리하기 위한 방법을 제공할 수 있다.The present disclosure may provide a method for processing eye care data.

도 1은 본 개시의 일 실시예에 따른 안과 진료 데이터 처리를 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 교사 학습 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 안과 진료 예측 모델의 학습 과정을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 분류 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 회귀 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.
도 6a 및 도 6b는 본 개시의 일 실시예에 따라 교사 학습 모델의 모듈을 예시적으로 구성한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하는 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.1 is a block diagram of a computing device for processing eye care data according to an embodiment of the present disclosure.
2 is a schematic diagram illustrating a network function that is a basis of a teacher learning model for processing ophthalmic treatment data according to an embodiment of the present disclosure.
3 is an exemplary diagram for explaining a learning process of an ophthalmic care prediction model for processing ophthalmic care data according to an embodiment of the present disclosure.
4 is an exemplary diagram for describing processing of ophthalmic treatment data using a classification tree according to an embodiment of the present disclosure.
5 is an exemplary diagram for describing processing of ophthalmic treatment data using a regression tree according to an embodiment of the present disclosure.
6A and 6B are block diagrams illustrating a module of a teacher learning model according to an embodiment of the present disclosure.
7 is a flowchart of a method of processing eye care data according to an embodiment of the present disclosure.
8 is a block diagram showing a module for processing ophthalmic treatment data according to an embodiment of the present disclosure.
9 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is clear that these embodiments may be implemented without this specific description.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.The terms "component", "module", "system" and the like as used herein refer to computer-related entities, hardware, firmware, software, a combination of software and hardware, or execution of software. For example, a component may be, but is not limited to, a process executed on a processor, a processor, an object, an execution thread, a program, and/or a computer. For example, both an application running on a computing device and a computing device may be components. One or more components may reside within a processor and/or thread of execution. A component can be localized on a single computer. A component can be distributed between two or more computers. In addition, these components can execute from a variety of computer readable media having various data structures stored therein. Components can be, for example, via a signal with one or more data packets (e.g., data from one component interacting with another component in a local system, a distributed system, and/or a signal through another system and a network such as the Internet. Depending on the data being transmitted), it may communicate via local and/or remote processes.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless specified otherwise or is not clear from the context, "X employs A or B" is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, when X uses both A and B, “X uses A or B” can be applied to either of these cases. In addition, the term "and/or" as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.In addition, the terms "comprising" and/or "comprising" are to be understood as meaning that the corresponding features and/or components are present. However, it is to be understood that the terms "comprising" and/or "comprising" do not exclude the presence or addition of one or more other features, elements, and/or groups thereof. In addition, unless otherwise specified or when the context is not clear as indicating a singular form, the singular in the specification and claims should be interpreted as meaning "one or more" in general.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those of skill in the art would further describe the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein, including electronic hardware, computer software, or a combination of both. It should be recognized that it can be implemented as To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or as software depends on the specific application and design restrictions imposed on the overall system. Skilled technicians can implement the described functionality in various ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.A description of the presented embodiments is provided so that a person of ordinary skill in the art of the present disclosure can use or implement the present invention. Various modifications to these embodiments will be apparent to those of ordinary skill in the art. The general principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present invention is not limited to the embodiments presented herein. The present invention is to be accorded the widest scope consistent with the principles and novel features presented herein.

도 1은 본 개시의 일 실시예에 따른 안과 진료 데이터 처리를 수행하는 컴퓨팅 장치의 블록 구성도이다.1 is a block diagram of a computing device for processing eye care data according to an embodiment of the present disclosure.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.The configuration of the computing device 100 illustrated in FIG. 1 is only an example simplified. In an embodiment of the present disclosure, the computing device 100 may include other components for performing the computing environment of the computing device 100, and only some of the disclosed components may configure the computing device 100.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.The computing device 100 may include a processor 110, a memory 130, and a network unit 150.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 안과 진료 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다. The processor 110 may be composed of one or more cores, a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit) may include a processor for data analysis and deep learning. The processor 110 may read a computer program stored in the memory 130 to process eye care data according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network. The processor 110 performs training of a neural network such as processing input data for training in deep learning (DN), extracting features from the input data, calculating errors, and updating the weights of the neural network using backpropagation. Can perform calculations for At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the network function. For example, the CPU and GPGPU can work together to learn network functions and classify data using network functions. In addition, in an embodiment of the present disclosure, learning of a network function and data classification using a network function may be processed by using processors of a plurality of computing devices together. In addition, a computer program executed in the computing device according to an embodiment of the present disclosure may be a CPU, a GPGPU, or a TPU executable program.

프로세서(110)는 안과 진료 데이터 처리를 수행할 수 있다. 프로세서(110)는 과거 진료 기록에 기초하여 학습 데이터 세트를 생성할 수 있다. 학습 데이터 세트는 안과 진료 예측 모델을 생성하기 위해 사용되는 데이터일 수 있다.The processor 110 may process eye care data. The processor 110 may generate a learning data set based on past medical records. The training data set may be data used to generate an ophthalmic care prediction model.

본 개시의 일 실시예에 따라, 학습 데이터 세트는, 환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함할 수 있다. 환자 정보는 환자의 개인 정보일 수 있다. 환자 개인 정보는 예를 들어, 환자의 연령, 주민등록 번호, 성별, 직업 등과 같은 정보일 수 있다. 환자 진단 데이터는 적어도 하나 이상의 검사장비를 통해 환자를 검사한 결과 데이터를 포함할 수 있다. 환자 검사 장비는 예를 들어, 굴절 검사 장비 ARK(AutoRefractor & Keratometer), 안압 검사 장비 IOP(intraocular pressure), 굴절 검사 장비 MR(Manifest Refraction), 각막 지형도를 출력하는 펜타캠(Pentacam) 등과 같은 장비일 수 있다. 환자 진단 데이터는 예를 들어, 근시, 난시, 난시축, 각막 두께, 동공크기, 눈물량, 안압, 교정시력, 망막 등과 같은 항목에 대한 검사 결과를 포함할 수 있다. 의료 처치 데이터는 환자 검사 데이터를 기초로 의사가 수행한 의료 처치에 대한 정보를 포함할 수 있다. 의료 처치는 인간의 눈에 행해지는 안과 시술 방법 및 안과 수술 방법을 포함할 수 있다. 의료 처치는 시력 개선 및/또는 안질환 치료를 목표로 할 수 있다. 의료 처치는 예를 들어, 라식, 라섹, 스마일 라식, 각막 이식술, 각막 내 렌티큘 추출, 각막 내 링 세그먼트 삽입술, 각막 인레이 이식술 등과 같은 처치를 포함할 수 있다. 의료 처치 결과 데이터는 환자에 대해 행하여진 의료 처치 후 환자의 검사 결과 데이터를 포함할 수 있다. 의료 처치 결과 데이터는 예를 들어, 의료 처치 후 교정 시력을 포함할 수 있다. 전술한 학습 데이터는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the learning data set includes at least one of patient information and patient diagnosis data as learning input data, and includes at least one of medical treatment data and medical treatment result data as learning result data. I can. Patient information may be personal information of a patient. The patient personal information may be, for example, information such as the patient's age, social security number, gender, and occupation. The patient diagnosis data may include result data of a patient examination through at least one examination device. The patient examination equipment is, for example, a refraction test equipment ARK (AutoRefractor & Keratometer), an intraocular pressure test equipment IOP (intraocular pressure), a refractive test equipment MR (Manifest Refraction), and a pentacam that outputs a corneal topographic map. I can. Patient diagnostic data may include, for example, results of tests on items such as myopia, astigmatism, astigmatism axis, corneal thickness, pupil size, tear volume, intraocular pressure, corrected vision, retina, and the like. The medical treatment data may include information on medical treatment performed by a doctor based on patient test data. Medical treatment may include ophthalmic procedures and ophthalmic surgical methods performed on the human eye. Medical treatment may be aimed at improving vision and/or treating eye diseases. Medical treatment may include, for example, treatment such as LASIK, LASEK, Smile LASIK, corneal graft, intracorneal lenticular extraction, intracorneal ring segment insertion, corneal inlay graft, and the like. The medical treatment result data may include test result data of the patient after medical treatment performed on the patient. The medical treatment outcome data may include, for example, corrected vision after medical treatment. The above-described learning data is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 학습 데이터 세트의 항목을 결정할 수 있다. 학습 데이터 세트의 항목은 데이터 값(value)의 속성(attribute)을 나타내는 정보일 수 있다. 예를 들어, 환자 A 왼쪽 눈의 교정 시력 데이터 값(value)이 1.2인 경우 항목은 왼쪽 눈의 교정 시력일 수 있다. 학습 데이터 세트의 항목 우선 순위는 항목의 중요도를 나타낼 수 있으며, 항목의 중요도는 예를 들어, 교정 시력 항목에 가장 영향을 많이 미치는 항목일수록 중요도가 높게 표현되는 수치일 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the processor 110 may prioritize the items of the training data set according to a predetermined criterion to determine at least one item of the training data set. The item of the training data set may be information indicating an attribute of a data value. For example, when the corrected visual acuity data value of patient A's left eye is 1.2, the item may be corrected visual acuity of the left eye. The item priority of the training data set may indicate the importance of the item, and the importance of the item may be, for example, a numerical value that is expressed as the item having the most influence on the corrected vision item, the higher the importance is expressed. The foregoing is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 사전 결정된 기준은, 학습 데이터 세트의 항목 간 상관 관계를 기초로 결정된 기준이고, 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과일 수 있다. 항목 간 상관 관계는 하나의 항목 값이 변경됨에 따라 다른 항목의 값이 변경되는지, 변경된다면 얼마나 변경되는지에 따라 결정되는 관계일 수 있다. 즉 하나의 항목 값이 다른 항목 값의 변동에 얼마나 영향을 주는지를 나타내는 관계일 수 있다.According to an embodiment of the present disclosure, the predetermined criterion is a criterion determined based on a correlation between items in the training data set, and the correlation between items includes at least one of regression analysis and classification analysis. It may be a result calculated using. The correlation between items may be a relationship that is determined according to whether a value of another item changes as a value of one item changes, and how much if it changes. In other words, it may be a relationship indicating how much one item value affects the variation of another item value.

본 개시의 일 실시예에 따라, 회귀(Regression) 분석은, 오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석일 수 있다. 잔차 제곱합(RSS: Residual Sum of square)은 실제 데이터와 예측 모델이 산출한 데이터 사이의 불일치를 평가하는 척도일 수 있다. 또한, 회귀(Regression) 분석은 종속 변수와 하나 이상의 독립 변수의 상관 관계를 설명하기 위한 분석일 수 있다. 예를 들어 종속 변수가 교정 시력이고, 독립 변수가 안압인 경우, 환자 안압에 따른 교정 시력 상관 관계가 선형일 수 있다. 프로세서(110)는 회귀 분석 결과, 항목 중요도를 산출할 수 있다. 프로세서(110)는 잔차 제곱합(RSS: Residual Sum of square)을 최소화시키는 항목일수록 예측 모델의 예측 정확도를 높이는 항목으로 판단하여 항목 중요도를 높게 평가할 수 있다. 전술한 회귀(Regression) 분석은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the regression analysis may be an analysis calculated based on a residual sum of squares (RSS) representing an error variance of misclassified training data. The residual sum of squares (RSS) may be a measure for evaluating the discrepancy between the actual data and the data calculated by the predictive model. In addition, regression analysis may be an analysis for explaining a correlation between a dependent variable and one or more independent variables. For example, when the dependent variable is corrected visual acuity and the independent variable is intraocular pressure, the correlation of corrected visual acuity according to the patient's intraocular pressure may be linear. The processor 110 may calculate the item importance as a result of the regression analysis. The processor 110 may judge the item that minimizes the residual sum of squares (RSS) as the item that increases the prediction accuracy of the prediction model, and may evaluate the item importance higher. The aforementioned regression analysis is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 분류(Classification) 분석은, 학습 데이터 세트의 불순도(impurity)를 기초로 산출된 분석일 수 있다. 불순도(impurity)는 지니 계수(Gini Index) 및 엔트로피(Entropy)일 수 있다. 지니 계수(Gini Index) 및 엔트로피(Entropy)는 분류 결과 데이터의 균등 분포를 나타내는 지표일 수 있다. 예를 들어, 특정 항목을 기준으로 데이터를 분류하였을 경우, 분류된 양쪽 데이터 수의 차이가 클수록 지니 계수(Gini Index) 및 엔트로피(Entropy)의 값은 클 수 있다. 또한 불순도(impurity)는 데이터의 순도(homogeneity), 불확실성(uncertainty)을 나타내는 수치일 수 있다. 데이터의 순도(homogeneity), 불순도(impurity), 불확실성(uncertainty)은 데이터 분류 결과 오분류 데이터의 비율을 나타낼 수 있다. 따라서 오분류 데이터 비율이 높을수록 순도(homogeneity)는 낮아지며, 불순도(impurity), 불확실성(uncertainty)은 높아진다. 지니 계수(Gini Index) 및 엔트로피(Entropy)가 작을수록 불순도(impurity)도 낮아질 수 있다. 프로세서(110)는 지니 계수(Gini Index) 및 엔트로피(Entropy)를 낮추는 항목일수록 예측 모델의 정확도를 높이는 항목으로 판단하여 항목의 중요도를 결정할 수 있다. 전술한 분류(Classification) 분석은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the classification analysis may be an analysis calculated based on an impurity of a training data set. The impurity (impurity) may be a Gini index and entropy (Entropy). The Gini Index and Entropy may be indicators representing an even distribution of classification result data. For example, when data is classified based on a specific item, values of Gini Index and Entropy may be larger as the difference between the number of classified data increases. In addition, impurity may be a numerical value representing homogeneity and uncertainty of data. The homogeneity, impurity, and uncertainty of the data may represent the proportion of misclassified data as a result of data classification. Therefore, the higher the rate of misclassification data, the lower the homogeneity and the higher the impurity and uncertainty. The smaller the Gini Index and Entropy, the lower the impurity may be. The processor 110 may determine the importance of the item by determining that the item lowering the Gini Index and the entropy is an item that increases the accuracy of the prediction model. The above classification analysis is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시킬 수 있다. 본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함할 수 있다. 예를 들어, 회귀(Regression) 트리는 의사 결정 트리에서 단말 노드(leaf node)가 실수 값인 트리일 수 있다. 예를 들어, 단말 노드(leaf node)에 해당하는 데이터 값이 왼쪽 눈의 교정 시력 1.2인 경우, 입력 데이터에 따라 라식 단말 노드에 도달하면 교정 시력이 1.2인 것을 예측할 수 있다. 분류(Classification) 트리는 의사 결정 트리에서 단말 노드(leaf node)가 항목인 트리일 수 있다. 예를 들어, 단말 노드(leaf node)가 라식 항목인 경우, 입력 데이터에 따라 라식 단말 노드에 도달하면, 라식 수술을 받은 것이 적합하다는 예측을 할 수 있다. 전술한 회귀(Regression) 트리 및 분류(Classification) 트리는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the processor 110 may train an ophthalmic care prediction model using the training data set. According to an embodiment of the present disclosure, the ophthalmic care prediction model may include at least one of a regression tree for predicting medical treatment result data and a classification tree for predicting medical treatment data. For example, the regression tree may be a tree in which a leaf node is a real value in the decision tree. For example, if the data value corresponding to the leaf node is 1.2 for the corrected visual acuity of the left eye, it may be predicted that the corrected visual acuity is 1.2 when reaching the LASIK terminal node according to the input data. The classification tree may be a tree in which a leaf node is an item in the decision tree. For example, if the leaf node is a LASIK item, when it reaches the LASIK terminal node according to the input data, it is possible to predict that it is appropriate to have undergone LASIK surgery. The above-described regression tree and classification tree are only examples, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델을 포함할 수 있다. 분류 모델은 결정 트리로 구성될 수 있다. 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다. 결정 트리(Decision Tree)는 노드가 분기 기준을 나타내고 가지가 분기 결과를 나타내는 트리일 수 있다. 제 2 분류 모델은 제 1 분류 모델의 다음 에포크(epoch)의 모델 일 수 있다. 오분류 학습 데이터는 결정 트리의 분류 결과 잘못 분류된 데이터일 수 있다. 가중치는 오분류 학습 데이터의 비율을 감소시키기 위한 것일 수 있다. 프로세서(110)는 초기에는 모든 학습 데이터에 대해 동일한 가중치를 부여한 후, 오분류 학습 데이터에 대해서만 가중치를 증가시켜 분류할 때 오분류 데이터에 대해서는 정확하게 분류된 데이터에 비해 더 집중적으로 분류하여, 오분류 데이터를 정확도 높게 분류할 수 있다. 즉, 프로세서(110)는 오분류 학습 데이터가 정확하게 분류될 수 있도록 트리를 구성 함으로써, 학습 에포크에 따라 오분류 학습 데이터가 감소하도록 모델을 학습 시킬 수 있다. 노드의 분기 기준은 잔차 제곱합(RSS: Residual Sum of square), 지니 계수(Gini Index) 및 엔트로피(Entropy) 중 적어도 하나에 기초하여 결정된 기준일 수 있다. 노드의 분기 기준은 학습 데이터 항목의 우선 순위에 기초하여 결정된 기준일 수 있다. 전술한 분류 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the ophthalmic care prediction model may include at least one classification model. The classification model can be composed of a decision tree. The decision tree may be a model learned by determining a branching criterion of nodes in a direction in which the second classification model decreases the number of misclassified training data by increasing the weight of the misclassified training data generated in the first classification model. The decision tree may be a tree in which nodes represent branching criteria and branches represent branching results. The second classification model may be a model of the next epoch of the first classification model. The misclassified learning data may be data that is incorrectly classified as a result of classification of the decision tree. The weight may be for reducing the proportion of misclassified training data. The processor 110 initially assigns the same weight to all the training data, and then classifies the misclassified data by increasing the weight for only the misclassified training data, and classifies the misclassified data more intensively than the correctly classified data. Data can be classified with high accuracy. That is, the processor 110 constructs a tree so that the misclassified training data can be accurately classified, so that the model may be trained to decrease the misclassified training data according to the training epoch. The branching criterion of the node may be a criterion determined based on at least one of a residual sum of squares (RSS), a Gini index, and an entropy. The branching criterion of the node may be a criterion determined based on the priority of the training data item. The classification model described above is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 프로세서(110)는 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 상기 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작을 수행할 수 있다. 결정 트리의 노드를 생성하는 경우 노드에 해당하는 학습 데이터의 항목 중요도 값을 산출할 수 있다. 학습 데이터의 항목 중요도 값은 잔차 제곱합(RSS: Residual Sum of square), 지니 계수(Gini Index) 및 엔트로피(Entropy) 중 적어도 하나에 기초하여 결정된 것일 수 있다. 프로세서(110)는 노드의 항목 중요도 값을 계산하는 경우, 병렬적으로 노드의 항목 중요도 값을 계산하여 학습 시간을 단축시킬 수 있다. 예를 들어, 병렬적으로 노드의 항목 중요도 값을 계산하는 것은 한 노드에서 2개의 자식 노드가 생성되는 경우, 2개의 자식 노드의 항목 중요도 값을 동시에 계산하는 것일 수 있다. 전술한 병렬 처리는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, in order to shorten the learning time of the ophthalmic care prediction model, the processor 110 may generate nodes of the classification model in parallel to complete the tree structure. When the node of the decision tree is generated, an item importance value of the training data corresponding to the node can be calculated. The item importance value of the training data may be determined based on at least one of a residual sum of squares (RSS), a Gini index, and entropy. When calculating the item importance value of the node, the processor 110 may shorten the learning time by calculating the item importance value of the node in parallel. For example, calculating item importance values of nodes in parallel may be calculating item importance values of two child nodes at the same time when two child nodes are generated in one node. The above-described parallel processing is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다. 전술한 사항은 학습 시간은 단축시키기 위한 앙상불(ensemble) 학습 방식일 수 있다. 프로세서(110)는 적어도 하나 이상의 분류 모델에서 학습 데이터에 대해 부여한 가중치들을 선형적으로 합산하여 하나의 학습 데이터 세트를 구성한 후, 예측 모델을 생성할 수 있다. 이를 통해 프로세서(110)는 복수개의 분류 모델에서 발생한 오분류 데이터에 대해 부여한 가중치를 고려할 수 있음으로써, 예측 정확도가 높은 예측 모델 생성이 가능할 수 있다. 전술한 학습 과정은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the ophthalmic care prediction model is a node in a direction in which the ophthalmic care prediction model reduces the number of misclassification training data by summing weights for misclassification learning data generated in at least one classification model. It may be a model learned by determining the branching criterion of. The above may be an ensemble learning method to shorten the learning time. The processor 110 may construct one training data set by linearly summing weights assigned to training data from at least one classification model, and then generate a prediction model. Through this, the processor 110 may consider a weight assigned to misclassified data generated from a plurality of classification models, and thus a prediction model having high prediction accuracy may be generated. The above-described learning process is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다. 교사 학습(supervised learning)된 모델은 신경망(neural network) 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습(supervised learning)된 모델은 라벨이 되는 학습 출력 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다. 교사 학습(supervised learning)된 모델은 예를 들어, CNN(Convolutional Neural Network)를 이용하여 학습된 모델일 수 있다. 전술한 교사 학습(supervised learning)된 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the ophthalmic care prediction model may include a supervised learning model using training input data included in the training data set and training output data that is a label of the training input data. have. The supervised learning model may include a model learned using a neural network structure. The supervised learning model may refer to a model that has been trained by reducing an error in a learning process using learning output data serving as a label. The supervised learning model may be, for example, a model trained using a convolutional neural network (CNN). The above-described supervised learning model is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 학습 데이터 세트를 기초로 학습 입력 데이터의 피처를 추출하는 피처추출부 및 추출된 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부를 포함하고, 출력 생성부는, 의료 처치 데이터를 분류하는 제 1 출력 생성부 및 의료 처치 결과 데이터를 분류하는 제 2 출력 생성부를 포함할 수 있다. 피처추출부는 컨볼루션 레이어(Convolutional Layer)과 풀링 레이어(Pooling Layer)을 포함할 수 있다. 출력 생성부는 완전 연결 레이어(fully connected layer)일 수 있다. 피처추출부는 학습 입력 데이터의 피처를 추출하는 것일 수 있다. 출력 생성부는 피처추출부에서 추출된 피처를 기초로 학습 입력 데이터를 분류(classify)하는 것일 수 있다. 제 1 출력 생성부는 의료 처치 데이터를 분류하고, 제 2 출력 생성부가 의료 처치 결과 데이터를 분류하도록 함으로써, 예측 모델의 예측 정확도를 높일 수 있다. 제 1 출력 생성부 및 제 2 출력 생성부는 병렬적으로 연결된 생성부일 수 있다. 전술한 예측 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. According to an embodiment of the present disclosure, the ophthalmic care prediction model is configured to generate training output data based on features of the extracted training input data and a feature extractor for extracting features of the training input data based on the training data set. An output generator may be included, and the output generator may include a first output generator for classifying medical treatment data and a second output generator for classifying medical treatment result data. The feature extraction unit may include a convolutional layer and a pooling layer. The output generator may be a fully connected layer. The feature extractor may extract features of the training input data. The output generator may classify the learning input data based on the features extracted from the feature extractor. The first output generator classifies the medical treatment data and the second output generator classifies the medical treatment result data, thereby improving the prediction accuracy of the prediction model. The first output generator and the second output generator may be generators connected in parallel. The above-described prediction model is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 안과 진료 예측 모델은, 학습 입력 데이터의 피처를 추출하고, 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델; 및 의료 처치 결과 데이터의 피처를 추출하고, 의료 처치 결과 데이터를 분류하는 제 2 서브모델을 포함하는 모델일 수 있다. 프로세서(110)는 제 1 서브모델을 의료 처치 데이터를 출력하도록 의료 처치 데이터가 라벨링된 학습 데이터를 이용하여 학습시킴으로서, 제 1 서브모델에서 의료 처치 데이터와 관련한 피처를 추출할 수 있다. 또한 프로세서(110)는 제 2 서브모델을 의료 처치 결과를 출력하도록 의료 처치 결과 데이터가 라벨링된 학습 데이터를 이용하여 학습시킴으로써, 제 2 서브모델에서 의료 처치 결과 데이터와 관련한 피처를 추출할 수 있다. 이를 이용하여 각각의 서브모델은 각각 학습 결과 데이터에 대하여 높은 정확도로 예측할 수 있다. 전술한 예측 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. According to an embodiment of the present disclosure, the ophthalmic care prediction model includes: a first submodel for extracting features of the training input data and classifying medical treatment data of the training input data; And a second sub-model for extracting features of medical treatment result data and classifying medical treatment result data. The processor 110 may extract features related to the medical treatment data from the first sub-model by learning the first sub-model using training data labeled with medical treatment data to output medical treatment data. In addition, the processor 110 may extract a feature related to the medical treatment result data from the second sub-model by learning the second sub-model using learning data labeled with medical treatment result data to output the medical treatment result. Using this, each sub-model can predict each learning result data with high accuracy. The above-described prediction model is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 따라, 의료 정보는, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 포함할 수 있다.According to an embodiment of the present disclosure, the medical information may include at least one of medical treatment data and medical treatment result data.

본 개시의 일 실시예에 따른 안과 진료 데이터 처리 방법은 학습 데이터를 기초로 의료 정보를 자동으로 생성해 냄으로써, 환자에게 최적화된 의료 서비스를 제공할 수 있다. 본 개시의 일 실시예에 따라 안과 병원에서 전산 담당자 없이 진료 데이터를 활용하여 고객에게 최적화된 진료 서비스를 제공할 수 있다. 또한 전산 담당자가 불필요하므로, 저렴하게 진료 데이터를 활용하여 의료 서비스 투자 비용 감소 및 병원 매출 증대 효과를 기대할 수 있다. 또한 본 개시의 일 실시예를 통해, 기존에는 수술 장비 및 렌즈 선택에 따라 30~200여가지의 의료 처치가 가능하여 최적의 의료 처치를 선택하는데 많은 시간이 소요되었으나, 머신 러닝을 통해 환자별 가장 최적화된 수술 방법 예측 서비스를 단시간 내에 제공할 수 있다.The ophthalmic treatment data processing method according to an exemplary embodiment of the present disclosure may automatically generate medical information based on learning data, thereby providing optimized medical services to a patient. According to an embodiment of the present disclosure, an ophthalmic hospital may provide an optimized treatment service to a customer by using treatment data without a computer manager. In addition, since a computer manager is unnecessary, it is possible to reduce medical service investment costs and increase hospital sales by using medical treatment data at a low cost. In addition, through an exemplary embodiment of the present disclosure, it took a lot of time to select the optimal medical treatment, because 30 to 200 medical treatments were possible depending on the selection of surgical equipment and lenses. It can provide an optimized surgical method prediction service in a short time.

도 2는 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 교사 학습 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.2 is a schematic diagram illustrating a network function that is a basis of a teacher learning model for processing ophthalmic treatment data according to an embodiment of the present disclosure.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.Throughout this specification, a computational model, a neural network, a network function, and a neural network may be used with the same meaning. A neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. The neural network includes at least one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다. In a neural network, one or more nodes connected through a link may relatively form a relationship between an input node and an output node. The concepts of an input node and an output node are relative, and any node in an output node relationship to one node may have an input node relationship in a relationship with another node, and vice versa. As described above, the relationship between the input node and the output node may be created around a link. One or more output nodes may be connected to one input node through a link, and vice versa.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.In the relationship between the input node and the output node connected through one link, the value of the output node may be determined based on data input to the input node. Here, a node interconnecting the input node and the output node may have a weight. The weight may be variable and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node includes values input to input nodes connected to the output node and a link corresponding to each input node. The output node value may be determined based on the weight.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.As described above, in a neural network, one or more nodes are interconnected through one or more links to form an input node and an output node relationship in the neural network. The characteristics of the neural network may be determined according to the number of nodes and links in the neural network, the association relationship between the nodes and the links, and a weight value assigned to each of the links. For example, when the same number of nodes and links exist, and two neural networks having different weight values between the links exist, the two neural networks may be recognized as being different from each other.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.A neural network can be configured including one or more nodes. Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance n from an initial input node may constitute n layers. The distance from the first input node may be defined by the minimum number of links that must be traversed to reach the node from the first input node. However, the definition of such a layer is arbitrary for explanation, and the order of the layer in the neural network may be defined in a different way than that described above. For example, the layer of nodes may be defined by the distance from the last output node.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.The first input node may mean one or more nodes to which data is directly input without going through a link in a relationship with other nodes among nodes in the neural network. Alternatively, in a relationship between nodes in a neural network network based on a link, it may mean nodes that do not have other input nodes connected by a link. Similarly, the final output node may mean one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network. In addition, the hidden node may refer to nodes constituting a neural network other than the first input node and the last output node. In the neural network according to an embodiment of the present disclosure, the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the input layer proceeds to the hidden layer. I can. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of an input layer is less than the number of nodes of an output layer, and the number of nodes decreases as the number of nodes progresses from the input layer to the hidden layer. have. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of an input layer is greater than the number of nodes of an output layer, and the number of nodes increases as the number of nodes progresses from the input layer to the hidden layer. I can. A neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. A deep neural network (DNN) may mean a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks can be used to identify potential structures in data. In other words, it is possible to understand the potential structures of photos, texts, videos, voices, and music (e.g., what objects are in photos, what are the content and emotions of the text, what are the contents and emotions of the voice, etc.) . Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, Generative Adversarial Networks (GANs), and restricted Boltzmann machines (RBMs). boltzmann machine), deep belief network (DBN), Q network, U network, and Siam network. The foregoing description of the deep neural network is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.In an embodiment of the present disclosure, the network function may include an auto encoder. The auto encoder may be a kind of artificial neural network for outputting output data similar to input data. The auto encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input/output layers. The number of nodes in each layer may be reduced from the number of nodes in the input layer to an intermediate layer called a bottleneck layer (encoding), and then reduced and expanded symmetrically from the bottleneck layer to an output layer (symmetric with the input layer). In this case, in the example of FIG. 2, the dimensionality reduction layer and the dimensional restoration layer are illustrated as being symmetrical, but the present disclosure is not limited thereto, and nodes of the dimensionality reduction layer and the dimensional restoration layer may or may not be symmetrical. Auto encoders can perform nonlinear dimensionality reduction. The number of input layers and output layers may correspond to the number of sensors remaining after pre-processing of input data. In the auto-encoder structure, the number of nodes of the hidden layer included in the encoder may have a structure that decreases as it moves away from the input layer. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and the decoder) is too small, a sufficient amount of information may not be delivered, so more than a certain number (e.g., more than half of the input layer, etc.) ) May be maintained.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.The neural network may be learned by at least one of supervised learning, unsupervised learning, and semi supervised learning. Learning of neural networks is to minimize output errors. In learning of a neural network, iteratively inputs training data to the neural network, calculates the output of the neural network for the training data and the error of the target, and reduces the error from the output layer of the neural network to the input layer. This is a process of updating the weight of each node of the neural network by backpropagation in the direction. In the case of teacher learning, learning data in which the correct answer is labeled in each learning data is used (ie, labeled learning data), and in the case of non-satellite learning, the correct answer may not be labeled in each learning data. That is, for example, in the case of teacher learning related to data classification, the learning data may be data in which a category is labeled with each learning data. Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network with a label of the training data. As another example, in the case of comparative history learning regarding data classification, an error may be calculated by comparing the input training data with the neural network output. The calculated error is backpropagated in the neural network in the reverse direction (ie, from the output layer to the input layer), and the connection weight of each node of each layer of the neural network may be updated according to the backpropagation. A change amount may be determined according to a learning rate in the connection weight of each node to be updated. The computation of the neural network for the input data and the backpropagation of the error can constitute a learning cycle (epoch). The learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, a high learning rate is used in the early stages of learning of a neural network, so that the neural network quickly secures a certain level of performance to increase efficiency, and a low learning rate can be used in the later stages of learning to increase accuracy.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.In the learning of a neural network, in general, the training data may be a subset of actual data (that is, data to be processed using the learned neural network), and thus, errors in the training data decrease, but errors in the actual data occur. There may be increasing learning cycles. Overfitting is a phenomenon in which errors in actual data increase due to over-learning on learning data. For example, a neural network learning a cat by showing a yellow cat may not recognize that it is a cat when it sees a cat other than yellow, which may be a kind of overfitting. Overfitting can cause an increase in errors in machine learning algorithms. Various optimization methods can be used to prevent such overfitting. In order to prevent overfitting, methods such as increasing training data, regularization, and dropout in which some of the nodes of the network are omitted during the training process may be applied.

도 3은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리를 위한 안과 진료 예측 모델의 학습 과정을 설명하기 위한 예시도이다.3 is an exemplary diagram for explaining a learning process of an ophthalmic care prediction model for processing ophthalmic care data according to an embodiment of the present disclosure.

도 3에 도시된 바와 같이, 제 1 분류기(210), 제 2 분류기(211), 제 3 분류기(212)는 모두 결정 트리일 수 있다. 예측 모델(230)은 제 1 분류기(210), 제 2 분류기(211), 제 3 분류기(212)를 기초로 생성된 모델일 수 있다. 프로세서(110)는 제 2 분류기(211)를 생성함에 있어, 제 1 분류기(210) 생성 결과 오분류 학습 데이터에 대해 가중치를 부여하여 결정 트리 재구성함으로서 결정 트리를 생성할 수 있다. 프로세서(110)는 제 3 분류기(212)를 생성함에 있어, 제 2 분류기(211) 생성 결과 오분류 학습 데이터에 대해 가중치를 부여하여 결정 트리를 생성할 수 있다. 따라서 제 2 분류기(211)는 제 1 분류기(210)에 비해 개선된 분류 모델일 수 있고, 제 3 분류기(212)는 제 2 분류기(211)에 비해 개선된 분류 모델일 수 있다. 따라서 예측 모델(230)을 생성하는데 기초가 되는 복수개의 분류 모델이 동일한 성능을 가진 것이 아니라 적어도 전의 분류 모델에 비해 개선된 것이어서, 예측 모델(230)의 예측 정확도를 향상시킬 수 있다. 프로세서(110)는 예측 모델(230)을 생성함에 있어 제 1 분류기(210), 제 2 분류기(211) 및 제 3 분류기(212) 생성 결과 도출된 학습 데이터에 대한 가중치를 선형 합산할 수 있다. 따라서 예측 모델(230)은 복수개의 분류 모델의 오분류 데이터를 고려할 수 있어 예측 정확도가 향상된 예측 모델을 생성할 수 있다. 전술한 안과 진료 예측 모델의 학습 과정은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.As illustrated in FIG. 3, the first classifier 210, the second classifier 211, and the third classifier 212 may all be decision trees. The prediction model 230 may be a model generated based on the first classifier 210, the second classifier 211, and the third classifier 212. In generating the second classifier 211, the processor 110 may generate a decision tree by reconfiguring the decision tree by assigning a weight to the misclassified training data as a result of the first classifier 210 generation. In generating the third classifier 212, the processor 110 may generate a decision tree by assigning a weight to the misclassified training data as a result of the generation of the second classifier 211. Accordingly, the second classifier 211 may be an improved classification model compared to the first classifier 210, and the third classifier 212 may be an improved classification model compared to the second classifier 211. Therefore, the plurality of classification models that are the basis for generating the prediction model 230 do not have the same performance, but are improved at least compared to the previous classification model, and thus the prediction accuracy of the prediction model 230 may be improved. In generating the prediction model 230, the processor 110 may linearly add weights for training data derived as a result of generating the first classifier 210, the second classifier 211, and the third classifier 212. Accordingly, the prediction model 230 may consider misclassification data of a plurality of classification models, thereby generating a prediction model with improved prediction accuracy. The learning process of the above-described ophthalmic care prediction model is only an example, and the present disclosure is not limited thereto.

도 4는 본 개시의 일 실시예에 따라 분류 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.4 is an exemplary diagram for describing processing of ophthalmic treatment data using a classification tree according to an embodiment of the present disclosure.

도 4에 도시된 바와 같이 분류 트리의 단말 노드는 항목 또는 집단일 수 있다.As shown in FIG. 4, the terminal nodes of the classification tree may be items or groups.

도 4에 도시된 바와 같이 노드에는 항목 안압(310) 및 각막 두께(330)가 기재되어 있다. 예를 들어 프로세서(110)는 안압(310) 노드에서 안압이 10mmHg 이하인 경우 왼쪽 자식으로, 초과인 경우 오른쪽 자식으로 분류를 진행시키고, 각막 두께(330) 노드에서 각막 두께가 0.55mm 이하이면 왼쪽 자식으로, 초과이면 오른쪽 자식으로 분류를 진행시킬 수 있다. 즉, 프로세서(110)는 입력 데이터 및 노드의 분기 기준에 기초하여 해당 노드의 왼쪽 자식 노드 또는 오른쪽 자식 노드로 갈지 결정할 수 있다. 단말 노드(leaf node)에는 결과 항목 값인 비수술(320), 렌즈삽입술(321), 라식(322)이 기재되어 있다. 단말 노드(leaf node) 아래에 기재된 0.82(340), 0.90(341), 0.95(342)는 학습 데이터를 기초로 학습한 결과, 단말 노드에 존재하는 학습 데이터들이 단말 노드의 항목에 해당할 확률 값을 의미할 수 있다. 예를 들어 학습 결과 라식(322) 단말 노드에 포함된 학습 데이터 중 라식 수술을 받은 환자는 95% 존재함을 의미할 수 있다. 나머지 5%는 오분류 데이터일 수 있다. 본 개시의 일 실시예에 따라, 입력 데이터가 안압 = 15mmHg, 각막 두께 = 0.60mm인 경우, 입력 데이터는 루트 노드에서 시작하여 라식(322) 단말 노드에서 분류의 진행이 멈추게 된다. 따라서 안압 = 15mmHg, 각막 두께 = 0.60mm인 환자의 경우에는 라식 수술 방법이 높은 확률로 예측됨을 알 수 있다. 전술한 분류 트리를 사용한 수술 방법의 예측은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.As shown in Fig. 4, the item intraocular pressure 310 and corneal thickness 330 are described in the node. For example, the processor 110 proceeds to classify as the left child if the intraocular pressure is 10 mmHg or less at the intraocular pressure 310 node, and as the right child if the intraocular pressure is greater than 10 mmHg. If it exceeds, the classification can proceed to the right child. That is, the processor 110 may determine whether to go to the left child node or the right child node of the corresponding node based on the input data and the branching criterion of the node. Non-surgery 320, lens implantation 321, and LASIK 322, which are result item values, are described in the leaf node. 0.82 (340), 0.90 (341), and 0.95 (342) described under the leaf node are the probability values that the training data existing in the leaf node correspond to the items of the leaf node as a result of learning based on the training data. Can mean For example, as a result of the learning, it may mean that 95% of the patients who have undergone LASIK surgery among the learning data included in the terminal node of the LASIK 322 are present. The remaining 5% may be misclassified data. According to an embodiment of the present disclosure, when the input data is intraocular pressure = 15 mmHg and corneal thickness = 0.60 mm, the input data starts at the root node and the progress of classification is stopped at the terminal node of LASIK 322. Therefore, in the case of patients with intraocular pressure = 15mmHg and corneal thickness = 0.60mm, it can be seen that the LASIK surgical method is predicted with a high probability. The prediction of a surgical method using the above-described classification tree is only an example, and the present disclosure is not limited thereto.

도 5는 본 개시의 일 실시예에 따라 회귀 트리를 사용한 안과 진료 데이터 처리를 설명하기 위한 예시도이다.5 is an exemplary diagram for describing processing of ophthalmic treatment data using a regression tree according to an embodiment of the present disclosure.

도 5에 도시된 바와 같이 단말 노드는 실수 값을 가지는 데이터일 수 있다.As shown in FIG. 5, the terminal node may be data having a real value.

도 5에 도시된 바와 같이 노드에는 항목 근시(410) 및 라식(430)이 기재되어 있다. 근시(410) 노드의 분기 기준은 예를 들어, 디옵터 -1.00 일 수 있고, 라식(430) 노드의 분기기준은 라식 수술 여부일 수 있다. 단말 노드(leaf node)는 환자 시력의 실수 값을 나타낼 수 있다. 예를 들어, 단말 노드는 환자의 시력 값(예를 들어, 왼쪽 눈 또는 오른쪽 눈의 시력 값일 수 있다.)인 0.4(450), 1.2(451), 1.7(452)일 수 있다. 프로세서(110)는 입력 데이터가 예를 들어 근시 = 디옵터 -4.00, 라식 수술 여부 = yes 인 경우, 1.2(451)라는 단말 노드에 입력 데이터가 도달하게 된다. 따라서 근시 = 디옵터 -4.00, 라식 수술 여부 = yes인 환자의 예측 교정 시력은 1.2 로 예측될 수 있다. 전술한 회귀 트리를 사용한 예측 시력은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. As shown in FIG. 5, the item myopia 410 and LASIK 430 are described in the node. The branching criterion of the myopia 410 node may be, for example, diopter -1.00, and the branching criterion of the LASIK 430 node may be whether or not a LASIK operation. The leaf node may represent a real value of patient vision. For example, the terminal node may be 0.4 (450), 1.2 (451), and 1.7 (452), which are the patient's visual acuity value (eg, the visual acuity value of the left eye or the right eye). When the input data is, for example, myopia = diopter -4.00, and whether or not LASIK is = yes, the input data arrives at the terminal node 1.2 (451). Therefore, the predicted corrected visual acuity of a patient with myopia = diopter -4.00 and LASIK operation = yes can be predicted as 1.2. The predicted visual acuity using the above-described regression tree is only an example, and the present disclosure is not limited thereto.

도 6a 및 도 6b는 본 개시의 일 실시예에 따라 교사 학습 모델의 모듈을 예시적으로 구성한 블록 구성도이다.6A and 6B are block diagrams illustrating a module of a teacher learning model according to an embodiment of the present disclosure.

도 6a는 공통된 피처 추출부를 가지는 안과 진료 예측 모델의 예시를 도시한다. 도 6a에 도시된 바와 같이 프로세서(110)는 학습 데이터를 기초로 피처 추출부(510)에서 피처를 추출할 수 있다. 프로세서(110)는 피처 추출부(510)를 이용하여 학습 입력 데이터에서 의료 처치 데이터 및 의료 처치 결과 데이터를 라벨링하여 공통된 피처 추출부에서 피처를 얻을 수 있다. 예를 들어, 안과 진료 예측 모델은 공통된 피처 추출부에서 의료 처치 데이터 및 의료 처치 결과 데이터가 라벨링된 학습 입력 데이터를 입력 받아 학습될 수 있다. 이를 통해, 안과 진료 예측 모델은 의료 처치 및 의료 처치 결과에 대한 상관 관계도 학습 가능 할 수 있다. 예를 들어, 의료 처치로써 라섹 수술을 진행한 결과 환자의 수술 후 교정된 시력이 0.5 증가하였다는 상관 관계 분석 결과를 얻을 수 있다. 또 다른 실시예로, 환자의 진단 데이터와 의료 처치 데이터인 예측 교정 시력 값을 입력하여, 최적의 의료 처치 방법이 라식 수술 이라는 분석 결과를 얻을 수 있다.6A shows an example of an ophthalmic care prediction model having a common feature extraction unit. As shown in FIG. 6A, the processor 110 may extract a feature from the feature extractor 510 based on the training data. The processor 110 may label medical treatment data and medical treatment result data from the learning input data using the feature extracting unit 510 to obtain a feature from the common feature extracting unit. For example, the ophthalmic care prediction model may be learned by receiving training input data labeled with medical treatment data and medical treatment result data from a common feature extraction unit. Through this, the ophthalmic care prediction model may learn a correlation between medical treatment and medical treatment results. For example, as a result of performing Lasec operation as a medical treatment, a correlation analysis result of a 0.5 increase in corrected visual acuity of the patient after surgery can be obtained. In another embodiment, by inputting the patient's diagnostic data and the predicted corrected visual acuity value, which is medical treatment data, an analysis result that the optimal medical treatment method is LASIK surgery may be obtained.

도 6b는 학습 데이터를 기초로 피처를 추출함에 있어 서로 다른 2개의 피처 추출부를 포함하는 안과 진료 예측 모델을 도시하고 있다. 프로세서(110)는 제 1 서브모델(550)의 피처 추출부(551)를 이용하여 의료 처치 데이터가 라벨링된 입력 데이터로부터 피처를 추출할 수 있고, 또 제 2 서브모델(570)의 피처 추출부(571)를 이용하여 의료 처치 결과 데이터가 라벨링된 입력 데이터로부터 피처를 추출할 수 있다. 별도의 피처 추출부를 운용함으로써, 학습 데이터를 의료 처치 및 의료 처치 결과에 따라 서브셋을 구성하여 각각의 서브 모델을 간소화할 수 있어 안과 진료 예측 모델의 학습 시간을 단축시킬 수 있다. 또한 의료 처치 및 의료 처치 결과 각각에 대한 패턴을 학습하여 각각 학습 결과 데이터에 대한 피처를 추출함으로써, 제 1 서브모델(550) 및 제 2 서브모델(570)의 예측 정확도를 높일 수 있다. 이는 전체 예측 모델의 예측 정확도를 높이는 것으로 귀결될 수 있다.6B illustrates an ophthalmic care prediction model including two different feature extracting units in extracting features based on training data. The processor 110 may extract a feature from the input data labeled with medical treatment data using the feature extracting unit 551 of the first sub-model 550, and the feature extracting unit of the second sub-model 570 A feature can be extracted from input data labeled with medical treatment result data using (571). By operating a separate feature extraction unit, each sub-model can be simplified by configuring a subset of the learning data according to medical treatment and medical treatment results, thereby reducing the learning time of the ophthalmic treatment prediction model. In addition, by learning patterns for each medical treatment and medical treatment results and extracting features for each learning result data, prediction accuracy of the first submodel 550 and the second submodel 570 may be improved. This can result in improving the prediction accuracy of the entire prediction model.

전술한 교사 학습 모델의 모듈은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. The module of the above-described teacher learning model is only an example, and the present disclosure is not limited thereto.

도 7은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하는 방법의 순서도이다.7 is a flowchart of a method of processing eye care data according to an embodiment of the present disclosure.

컴퓨팅 장치(100)는 환자의 안과 진료 데이터 처리할 수 있다. 그리고 컴퓨팅 장치(100)는 과거 진료 기록에 기초하여 학습 데이터 세트를 생성할 수 있다(610). 과거 진료 기록은 환자의 개인 정보, 환자 검사 결과 데이터, 의료 처치 정보, 의료 처치 결과 정보를 포함할 수 있다. The computing device 100 may process patient eye care data. In addition, the computing device 100 may generate a learning data set based on past medical records (610). The past medical record may include patient personal information, patient test result data, medical treatment information, and medical treatment result information.

본 개시의 일 실시예에서, 학습 데이터 세트는, 환자 정보 및 환자 진단 데이터 중 적어도 하나를 학습 입력 데이터로 포함하고 그리고, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 학습 결과 데이터로 포함할 수 있다.In an embodiment of the present disclosure, the learning data set may include at least one of patient information and patient diagnosis data as learning input data, and may include at least one of medical treatment data and medical treatment result data as learning result data. have.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 학습 데이터 세트의 항목을 결정하는 동작을 수행할 수 있다.In an embodiment of the present disclosure, the computing device 100 may perform an operation of determining the items of at least one or more training data sets by prioritizing the items of the training data set according to a predetermined criterion.

본 개시의 일 실시예에서, 사전 결정된 기준은, 학습 데이터 세트의 항목 간 상관 관계를 기초로 결정된 기준이고, 항목 간 상관 관계는, 회귀(Regression) 분석 및 분류(Classification) 분석 중 적어도 하나를 이용하여 산출된 결과일 수 있다.In an embodiment of the present disclosure, the predetermined criterion is a criterion determined based on a correlation between items in the training data set, and the correlation between items is performed using at least one of regression analysis and classification analysis. It may be the result calculated.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시킬 수 있다(620).In an embodiment of the present disclosure, the computing device 100 may train an ophthalmic care prediction model using the training data set (620).

본 개시의 일 실시예에서, 회귀(Regression) 분석은, 오분류 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(RSS: Residual Sum of square)을 기초로 산출된 분석이고, 분류(Classification) 분석은, 학습 데이터 세트의 오분류 정도 및 균등 분포 정도를 나타내는 불순도(impurity)를 기초로 산출된 분석일 수 있다.In an embodiment of the present disclosure, the regression analysis is an analysis calculated based on the residual sum of squares (RSS) representing the error variance of misclassified training data, and the classification analysis is, learning It may be an analysis calculated based on impurity indicating a degree of misclassification and an even distribution of the data set.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 포함할 수 있다.In an embodiment of the present disclosure, the ophthalmic care prediction model may include at least one of a regression tree for predicting medical treatment result data and a classification tree for predicting medical treatment data.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델-분류 모델은 결정 트리로 구성됨-을 포함하고, 결정 트리는 제 1 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 증가시켜, 제 2 분류 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.In an embodiment of the present disclosure, the ophthalmic care prediction model includes at least one classification model-the classification model is composed of a decision tree, and the decision tree increases a weight for misclassification training data generated in the first classification model. , The second classification model may be a model learned by determining a branching criterion of nodes in a direction in which the number of misclassified training data is reduced.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 안과 진료 예측 모델의 학습시간을 단축시키기 위해 병렬적으로 분류 모델의 노드를 생성하여 트리 구조를 완성하는 동작을 수행할 수 있다. In an embodiment of the present disclosure, the computing device 100 may perform an operation of completing a tree structure by generating nodes of a classification model in parallel in order to shorten the learning time of the ophthalmic care prediction model.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 적어도 하나 이상의 분류 모델에서 발생한 오분류 학습 데이터에 대한 가중치를 합산하여, 안과 진료 예측 모델이 오분류 학습 데이터의 개수를 감소시키는 방향으로 노드의 분기 기준이 결정되어 학습된 모델일 수 있다.In an embodiment of the present disclosure, the ophthalmic care prediction model adds weights for misclassification learning data generated in at least one classification model, so that the ophthalmic care prediction model reduces the number of misclassification training data. It may be a model learned by determining a branching criterion.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델일 수 있다.In an embodiment of the present disclosure, the ophthalmic care prediction model may be a supervised learning model using training input data included in the training data set and training output data serving as a label of the training input data.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 학습 데이터 세트를 기초로 학습 입력 데이터의 피처를 추출하는 피처추출부 및 추출된 학습 입력 데이터의 피처에 기초하여 학습 출력 데이터를 생성하기 위한 출력 생성부를 포함하고, 출력 생성부는, 의료 처치 데이터를 분류하는 제 1 출력 생성부 및In an embodiment of the present disclosure, the ophthalmic care prediction model includes a feature extractor for extracting features of the training input data based on the training data set and an output for generating training output data based on the features of the extracted training input data. Including a generation unit, the output generation unit, a first output generation unit for classifying medical treatment data and

의료 처치 결과 데이터를 분류하는 제 2 출력 생성부를 포함할 수 있다.A second output generator for classifying medical treatment result data may be included.

본 개시의 일 실시예에서, 안과 진료 예측 모델은, 학습 입력 데이터의 피처를 추출하고, 학습 입력 데이터의 의료 처치 데이터를 분류하는 제 1 서브모델 및 의료 처치 결과 데이터의 피처를 추출하고, 의료 처치 결과 데이터를 분류하는 제 2 서브모델을 포함하는 모델일 수 있다.In one embodiment of the present disclosure, the ophthalmic care prediction model extracts a feature of the learning input data, extracts a first submodel for classifying medical treatment data of the learning input data, and a feature of the medical treatment result data, and It may be a model including a second sub-model for classifying result data.

본 개시의 일 실시예에서 따라, 컴퓨팅 장치(100)는 학습된 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성할 수 있다(630).According to an embodiment of the present disclosure, the computing device 100 may generate medical information from medical treatment data by using the learned ophthalmic treatment prediction model (630 ).

본 개시의 일 실시예에서, 의료 정보는, 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 포함할 수 있다.In an embodiment of the present disclosure, the medical information may include at least one of medical treatment data and medical treatment result data.

본 개시의 일 실시예에서, 환자의 안과 진료 데이터 처리를 통해 저렴한 비용으로 진료 데이터를 활용하여 환자에게 최적화된 의료 서비스를 제공하여 병원의 매출 증대를 기대할 수 있다. 나아가 머신 러닝을 통해 환자에게 최적화된 의료서비스를 제공하여 안과 뿐만 아니라 치과, 산부인과, 내과, 정형외과 등 고객 관리가 필요한 모든 과에 대해 본 개시를 확장할 수 있다.In an embodiment of the present disclosure, it is possible to expect an increase in sales of a hospital by providing an optimized medical service to a patient by utilizing medical treatment data at low cost through processing of the patient's ophthalmic treatment data. Furthermore, by providing optimized medical services to patients through machine learning, the present disclosure can be extended not only to ophthalmology, but also to all departments requiring customer management, such as dentistry, obstetrics and gynecology, internal medicine, and orthopedics.

도 8은 본 개시의 일 실시예에 따라 안과 진료 데이터 처리하기 위한 모듈을 도시한 블록 구성도이다.8 is a block diagram showing a module for processing ophthalmic treatment data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따라 안과 진료 데이터 처리는 다음과 같은 모듈에 의해 구현될 수 있다. According to an embodiment of the present disclosure, processing of eye care data may be implemented by the following modules.

본 개시의 일 실시예에 따라 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하기 위한 모듈(710); 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키기 위한 모듈(720); 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하기 위한 모듈(730)에 의하여 구현될 수 있다.A module 710 for generating a learning data set based on past medical records according to an embodiment of the present disclosure; A module 720 for learning an ophthalmic care prediction model using the learning data set; It may be implemented by the module 730 for generating medical information from medical treatment data using the learned ophthalmic treatment prediction model.

안과 진료 데이터 처리의 대안적 실시예에서, 과거 진료 기록에 기초하여 학습 데이터 세트를 생성하기 위한 모듈(710)은 학습 데이터 세트의 항목을 사전 결정된 기준에 따라 우선 순위를 정하여, 적어도 하나 이상의 상기 학습 데이터 세트의 항목을 결정하기 위한 모듈을 포함할 수 있다.In an alternative embodiment of processing ophthalmic care data, the module 710 for generating a learning data set based on past medical records prioritizes the items of the learning data set according to a predetermined criterion, and at least one of the learning It may contain a module for determining items in the data set.

안과 진료 데이터 처리의 대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 안과 진료 예측 모델을 학습시키기 위한 모듈(720)은 의료 처치 결과 데이터를 예측하기 위한 회귀(Regression) 트리; 및 의료 처치 데이터를 예측하기 위한 분류(Classification) 트리 중 적어도 하나를 학습시키기 위한 모듈을 포함할 수 있다. 또한 상기 학습 데이터 세트에 포함된 학습 입력 데이터 및 학습 입력 데이터의 라벨이 되는 학습 출력 데이터를 이용하여 교사 학습(supervised learning)된 모델을 학습 시키기 위한 모듈을 포함할 수 있다.In an alternative embodiment of processing ophthalmic care data, the module 720 for training an ophthalmic care prediction model using the learning data set includes: a regression tree for predicting medical treatment outcome data; And it may include a module for learning at least one of the classification (Classification) tree for predicting medical treatment data. In addition, it may include a module for training a supervised learning model by using training input data included in the training data set and training output data serving as a label of the training input data.

안과 진료 데이터 처리의 대안적 실시예에서, 학습된 상기 안과 진료 예측 모델을 이용하여, 진료 데이터로부터 의료 정보를 생성하기 위한 모듈(730)은 의료 처치 데이터 및 의료 처치 결과 데이터 중 적어도 하나를 생성하기 위한 모듈을 포함할 수 있다. In an alternative embodiment of processing ophthalmic care data, the module 730 for generating medical information from medical treatment data using the learned ophthalmic treatment prediction model generates at least one of medical treatment data and medical treatment result data. It may include a module for.

본 개시의 일 실시예에 따르면 안과 진료 데이터 처리하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.According to an embodiment of the present disclosure, a module for processing eye care data may be implemented by means, circuits, or logic for implementing a computing device. Those of skill in the art would further describe the various illustrative logical blocks, configurations, modules, circuits, means, logics and algorithm steps described in connection with the embodiments disclosed herein, in electronic hardware, computer software, or combinations of both. It should be recognized that it can be implemented as To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or as software depends on the specific application and design restrictions imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.9 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.

본 개시가 일반적으로　컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has been described above as generally being able to be implemented by the computing device 100, those skilled in the art will find that the present disclosure is combined with computer-executable instructions and/or other program modules that can be executed on one or more computers, It will be appreciated that it can be implemented as a combination of software and software.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Generally, program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. Further, to those skilled in the art, the method of the present disclosure is not limited to single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable household appliances, and the like (each of which It will be appreciated that other computer system configurations may be implemented, including one or more associated devices).

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.The described embodiments of the present disclosure may also be practiced in a distributed computing environment where certain tasks are performed by remote processing devices that are connected through a communication network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer-readable media. Computer-readable media can be any computer-readable media, including volatile and non-volatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media. By way of example, and not limitation, computer-readable media may include computer-readable storage media and computer-readable transmission media. Computer-readable storage media include volatile and nonvolatile media, transitory and non-transitory media, removable and non-removable media implemented in any method or technology for storing information such as computer-readable instructions, data structures, program modules or other data. Includes the medium. Computer-readable storage media include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk storage, or other magnetic storage. Devices, or any other medium that can be accessed by a computer and used to store desired information.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.Computer-readable transmission media typically implement computer-readable instructions, data structures, program modules, or other data on a modulated data signal such as a carrier wave or other transport mechanism. Includes all information delivery media. The term modulated data signal refers to a signal in which one or more of the characteristics of the signal is set or changed to encode information in the signal. By way of example, and not limitation, computer-readable transmission media include wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above-described media are also intended to be included within the scope of computer-readable transmission media.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An exemplary environment 1100 is shown that implements various aspects of the present disclosure, including a computer 1102, which includes a processing device 1104, a system memory 1106, and a system bus 1108. do. System bus 1108 couples system components, including but not limited to, system memory 1106 to processing device 1104. The processing unit 1104 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing unit 1104.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.The system bus 1108 may be any of several types of bus structures that may be additionally interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures. System memory 1106 includes read-only memory (ROM) 1110 and random access memory (RAM) 1112. The basic input/output system (BIOS) is stored in non-volatile memory 1110 such as ROM, EPROM, EEPROM, etc. This BIOS is a basic input/output system that helps transfer information between components in the computer 1102, such as during startup. Includes routines. RAM 1112 may also include high speed RAM such as static RAM for caching data.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.The computer 1102 also includes an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA)—this internal hard disk drive 1114 can also be configured for external use within a suitable chassis (not shown). Yes—, magnetic floppy disk drive (FDD) 1116 (for example, to read from or write to removable diskette 1118), and optical disk drive 1120 (for example, CD-ROM For reading the disk 1122 or reading from or writing to other high-capacity optical media such as DVD). The hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are each connected to the system bus 1108 by a hard disk drive interface 1124, a magnetic disk drive interface 1126, and an optical drive interface 1128. ) Can be connected. The interface 1124 for implementing an external drive includes at least one or both of USB (Universal Serial Bus) and IEEE 1394 interface technologies.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like. In the case of computer 1102, drives and media correspond to storing any data in a suitable digital format. Although the description of the computer-readable medium above refers to a removable optical medium such as a HDD, a removable magnetic disk, and a CD or DVD, those skilled in the art may use a zip drive, a magnetic cassette, a flash memory card, a cartridge, etc. It will be appreciated that other types of computer-readable media, such as the like, may also be used in the exemplary operating environment, and that any such media may contain computer-executable instructions for performing the methods of the present disclosure.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules, including the operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136, may be stored in the drive and RAM 1112. All or part of the operating system, applications, modules, and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented on a number of commercially available operating systems or combinations of operating systems.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.A user may input commands and information to the computer 1102 through one or more wired/wireless input devices, for example, a pointing device such as a keyboard 1138 and a mouse 1140. Other input devices (not shown) may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like. These and other input devices are often connected to the processing unit 1104 through the input device interface 1142, which is connected to the system bus 1108, but the parallel port, IEEE 1394 serial port, game port, USB port, IR interface, It can be connected by other interfaces such as etc.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.A monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146. In addition to the monitor 1144, the computer generally includes other peripheral output devices (not shown) such as speakers, printers, etc.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communication. The remote computer(s) 1148 may be a workstation, a computing device computer, a router, a personal computer, a portable computer, a microprocessor-based entertainment device, a peer device, or other common network node, and is generally connected to the computer 1102. Although it includes many or all of the components described for simplicity, only memory storage device 1150 is shown. The logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or to a larger network, eg, a wide area network (WAN) 1154. Such LAN and WAN networking environments are common in offices and companies, and facilitate an enterprise-wide computer network such as an intranet, all of which can be connected to a worldwide computer network, for example the Internet.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment, the computer 1102 is connected to the local network 1152 via a wired and/or wireless communication network interface or adapter 1156. Adapter 1156 may facilitate wired or wireless communication to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156. When used in a WAN networking environment, the computer 1102 may include a modem 1158, connected to a communications computing device on the WAN 1154, or through the Internet, to establish communications over the WAN 1154. Have other means. Modem 1158, which may be an internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142. In a networked environment, program modules described for the computer 1102 or portions thereof may be stored in the remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing communication links between computers may be used.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.Computer 1102 is associated with any wireless device or entity deployed and operated in wireless communication, e.g., a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communication satellite, wireless detectable tag. It operates to communicate with any equipment or place and phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network, or may simply be ad hoc communication between at least two devices.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) allows you to connect to the Internet, etc. without wires. Wi-Fi is a wireless technology such as a cell phone that allows such devices, for example computers, to transmit and receive data indoors and outdoors, ie anywhere within the coverage area of a base station. Wi-Fi networks use a wireless technology called IEEE 802.11 (a, b, g, etc.) to provide a secure, reliable and high-speed wireless connection. Wi-Fi can be used to connect computers to each other, to the Internet, and to a wired network (using IEEE 802.3 or Ethernet). Wi-Fi networks can operate in unlicensed 2.4 and 5 GHz radio bands, for example, at a data rate of 11 Mbps (802.11a) or 54 Mbps (802.11b), or in products that include both bands (dual band). .

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.Those of ordinary skill in the art of this disclosure will understand that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, bits, symbols and chips that may be referenced in the above description are voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields. Or particles, or any combination thereof.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.A person of ordinary skill in the art of the present disclosure includes various exemplary logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein, electronic hardware, (convenience). For the sake of clarity, it will be appreciated that it may be implemented by various types of programs or design code or a combination of both (referred to herein as software). To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the particular application and design constraints imposed on the overall system. A person of ordinary skill in the art of the present disclosure may implement the described functions in various ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.The various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques. The term article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device. For example, computer-readable storage media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CD, DVD, etc.), smart cards, and flash Memory devices (eg, EEPROMs, cards, sticks, key drives, etc.), but are not limited thereto. In addition, the various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is to be understood that the specific order or hierarchy of steps in the presented processes is an example of exemplary approaches. Based on the design priorities, it is to be understood that within the scope of the present disclosure a specific order or hierarchy of steps in processes may be rearranged. The appended method claims provide elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be apparent to those of ordinary skill in the art, and general principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure is not limited to the embodiments presented herein, but is to be interpreted in the widest scope consistent with the principles and novel features presented herein.

Claims

A computer program stored in a computer-readable storage medium and comprising instructions for causing a computer to perform the following operations, the operations;
Generating a learning data set based on past medical records;
Learning an ophthalmic care prediction model using the learning data set; And
Generating medical information from medical treatment data by using the learned ophthalmic treatment prediction model;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 1,
The training data set,
Including at least one of patient information and patient diagnosis data as learning input data, and including at least one of medical treatment data and medical treatment result data as learning result data,
A computer program stored on a computer-readable storage medium.

The method of claim 1,
The operation of generating a learning data set based on the past medical record,
Determining at least one item of the training data set by prioritizing the items of the training data set according to a predetermined criterion;
Containing,
A computer program stored on a computer-readable storage medium.

The method of claim 3,
The predetermined criteria are:
It is a criterion determined based on the correlation between items in the training data set,
The correlation between the items is a result calculated using at least one of a regression analysis and a classification analysis,
A computer program stored on a computer-readable storage medium.

The method of claim 4,
The regression analysis,
It is an analysis calculated based on the residual sum of squares (RSS) representing the error variance of misclassified training data,
The classification (Classification) analysis,
An analysis calculated based on impurity indicating the degree of misclassification and uniform distribution of the training data set,
A computer program stored on a computer-readable storage medium.

The method of claim 1,
The ophthalmic care prediction model,
A regression tree for predicting medical treatment outcome data; And
Including at least one of the classification (Classification) tree for predicting medical treatment data,
A computer program stored on a computer-readable storage medium.

The method of claim 1,
The ophthalmic care prediction model,
Includes at least one classification model-the classification model is composed of a decision tree,
The decision tree is learned by determining a branching criterion of nodes in a direction in which the second classification model decreases the number of misclassified training data by increasing the weight of the misclassified training data generated in the first classification model,
A computer program stored on a computer-readable storage medium.

The method of claim 7,
The operation of learning an ophthalmic care prediction model using the learning data set,
Generating nodes of the classification model in parallel to shorten the learning time of the ophthalmic care prediction model to complete a tree structure;
Containing,
A computer program stored on a computer-readable storage medium.

The method of claim 7,
The ophthalmic care prediction model,
By summing the weights of the misclassification training data generated from at least one classification model, the ophthalmic care prediction model determines and learns a branching criterion of nodes in a direction in which the number of misclassification training data is reduced,
A computer program stored on a computer-readable storage medium.

The method of claim 1,
The ophthalmic care prediction model,
A model that is supervised learning using learning input data included in the learning data set and learning output data that is a label of the learning input data,
A computer program stored on a computer-readable storage medium.

The method of claim 10,
The ophthalmic care prediction model,
A feature extractor for extracting a feature of the training input data based on the training data set; And
An output generator configured to generate training output data based on the extracted features of the training input data;
Including,
The output generator,
A first output generator for classifying medical treatment data; And
A second output generator for classifying medical treatment result data;
Containing,
A computer program stored on a computer-readable storage medium.

The method of claim 10,
The ophthalmic care prediction model,
A first sub-model for extracting features of the training input data and classifying medical treatment data of the training input data; And
A second sub-model for extracting features of medical treatment result data and classifying medical treatment result data,
A model comprising a,
A computer program stored on a computer-readable storage medium.

The method of claim 1,
The medical information,
Including at least one of medical treatment data and medical treatment outcome data,
A computer program stored on a computer-readable storage medium.

In the method of generating medical information,
Generating a learning data set based on past medical records;
Learning an ophthalmic care prediction model using the learning data set; And
Generating medical information from medical treatment data using the learned ophthalmic treatment prediction model;
Containing,
A method for generating medical information.

A computing device for generating medical information, comprising:
One or more processors; And
A memory storing instructions executable in the one or more processors;
Including,
The one or more processors,
Create a training data set based on past medical records,
Using the training data set to train an ophthalmic care prediction model, and
Generating medical information from medical treatment data by using the learned ophthalmic treatment prediction model,
Computing device for generating medical information.