KR20210120490A - Deep learning-based development platform system for medical ai model - Google Patents
Deep learning-based development platform system for medical ai model Download PDFInfo
- Publication number
- KR20210120490A KR20210120490A KR1020200037261A KR20200037261A KR20210120490A KR 20210120490 A KR20210120490 A KR 20210120490A KR 1020200037261 A KR1020200037261 A KR 1020200037261A KR 20200037261 A KR20200037261 A KR 20200037261A KR 20210120490 A KR20210120490 A KR 20210120490A
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- model
- medical
- unit
- platform
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000011161 development Methods 0.000 title claims description 55
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000013500 data storage Methods 0.000 claims description 13
- 230000003902 lesion Effects 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 description 84
- 238000000034 method Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 6
- 238000013503 de-identification Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000004185 liver Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 2
- 206010019708 Hepatic steatosis Diseases 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010003246 arthritis Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- 208000010706 fatty liver disease Diseases 0.000 description 2
- 210000002429 large intestine Anatomy 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 231100000240 steatosis hepatitis Toxicity 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
본 발명은 딥러닝 기반의 의료용 AI 모델 개발 플랫폼에 관한 것으로서, 보다 상세하게는 개인 정보 보호 영역에 포함되는 의료 영상을 효과적으로 활용할 수 있도록 하는 딥러닝 기반의 의료용 AI 모델 개발 플랫폼에 관한 것이다.The present invention relates to a deep learning-based medical AI model development platform, and more particularly, to a deep learning-based medical AI model development platform that enables effective use of medical images included in the personal information protection area.
컴퓨터 보조 진단(Computer-Aided Diagnosis, CAD) 시스템이란 초음파 영상, X-선 영상, CT 영상, MRI 영상, MRA 영상과 같은 의료영상을 컴퓨터를 이용하여 분석하고 그 분석 결과에 따라 의료 영상에 병변과 같은 이상 부위를 표시하는 등의 방법으로 의사의 진단에 도움을 주는 시스템을 말한다. 이러한 CAD의 개념은 1960년대에 폐암 환자의 일년 후 생존 가능성을 예측하는 시스템에서 제안되었으나 당시에는 영상을 스캔하여 디지털화하는 기술과 컴퓨팅 기술이 없어 예측 변수들을 사람이 직접 추출하였다. 이후 1970년대 이후 의료영상을 스캔하여 디지털화된 영상을 컴퓨터를 이용하여 처리하는 시스템이 개발되기 시작했다.A Computer-Aided Diagnosis (CAD) system analyzes medical images such as ultrasound images, X-ray images, CT images, MRI images, and MRA images using a computer. It refers to a system that helps the doctor in diagnosis by marking the same abnormal area, etc. The concept of CAD was proposed in the 1960s in a system for predicting the survival potential of lung cancer patients after one year, but at that time, there was no technology to scan and digitize images and there was no computing technology, so the predictors were directly extracted by humans. Since the 1970s, a system that scans medical images and processes digitized images using a computer began to be developed.
이후 CAD 시스템은 컴퓨터를 이용한 진단 자동화보다 진단을 보조하는 개념으로 자리 잡으며 발전을 거듭하다 패턴 인식 등의 인공 지능 기술을 이용하여 혈관 영상, 흉부 X선 촬영 영상, 유방 촬영 영상 분석 분야에서 활용되었다.Since then, the CAD system has been established as a concept that aids diagnosis rather than automating diagnosis using a computer, and has been developed.
최근 들어 보조 진단 기술은 딥러닝을 기반으로 하는 인공지능(AI) 기술의 눈비신 절전으로 문제에 따라 중요한 특징들을 직접 추출하던 방식에서 데이터로부터 문제 해결에 최적화된 특징들을 시스템이 학습하는 방식으로 변화하며 정확도 등에 크게 발전하였다. 특히, 영상에서 특징을 추출하여 문제를 해결하는 데 특화된 컨볼루션 신경망(Convolution Neural Networks, CNN)이 이 분야에 많이 활용되고 있다.Recently, the assistive diagnosis technology has changed from the method of directly extracting important features according to the problem with the blinding power saving of artificial intelligence (AI) technology based on deep learning to the method in which the system learns the features optimized for problem solving from data and the accuracy has been greatly improved. In particular, convolutional neural networks (CNNs) specialized in solving problems by extracting features from images are widely used in this field.
딥러닝 기반의 AI 모델들은 다수의 학습 데이터의 학습을 통해 생성되는데, 학습 데이터의 정확도와 양, 그리고 AI 모델의 설계에 따라 생성된 AI 모델의 정확도가 달라질 수 있다.Deep learning-based AI models are created through the learning of a large number of training data, and the accuracy of the generated AI model may vary depending on the accuracy and amount of the training data and the design of the AI model.
학습 데이터는 의료 영상과 해당 의료 영상에 대한 병변 정보를 포함하는 레이블 정보로 구성된다. 레이블 정보는 해당 의료 영상의 양성 및 음성 여부, 병변의 위치 등과 같은 정보를 포함하는데, 의사에 의해 의료 영상이 진단되어 기록되는 것이 일반적이다.The training data consists of a medical image and label information including lesion information on the medical image. The label information includes information such as whether the corresponding medical image is positive or negative, the location of a lesion, etc. It is common for a medical image to be diagnosed and recorded by a doctor.
이와 같이 레이블링된 다수의 의료 영상을 AI 모델을 통해 학습시키는 과정에서 최적화된 가중치 값(Weight value)이 도출되어 진단 정확도를 높이게 되며, 근래에 특정 의료 영상이나 병변의 진단에 있어, 93% 이상의 정확도를 보일 정도로 그 진단 정확도가 향상될 뿐만 아니라, 암의 경우 초기 단계에서도 그 진단 정확도가 높아, 진단 보조 시스템으로 그 발전 가능성이 높게 평가되고 있다.In the process of learning a number of labeled medical images through the AI model, an optimized weight value is derived to increase the diagnosis accuracy. In addition to improving the diagnosis accuracy to the extent that it shows a cancer, the diagnosis accuracy is high even in the early stages of cancer, and the potential for its development as a diagnostic assistance system is highly evaluated.
그러나, 앞서 설명한 바와 같이, AI 모델을 생성하는데 있어 레이블링된 다수의 학습 데이터가 필요하지만, 학습 데이터에 포함되는 의료 영상의 경우 개인 정보를 포함하고 있어, 그 사용에 제도적으로 큰 제약을 받게 된다.However, as described above, although a large number of labeled training data is required to generate an AI model, medical images included in the training data contain personal information, so their use is institutionally severely restricted.
한국의 경우에도 의료 영상은 개인정보보호법에 제약을 받는 개인정보에 해당하고, 이는 개인의 동의없이 외부 유출이나 사용에 제약을 받기 때문에, AI 모델을 개발하는 과정에서 개발사에서 의료 영상을 수집하는데에는 큰 어려움이 있다.Even in Korea, medical images are personal information restricted by the Personal Information Protection Act, which is restricted from leakage or use without the consent of the individual. There is great difficulty.
특히, 2020년 2월 4일자 개정 개인정보보호법은 의료 영상의 예외적 사용과 관련된 규정 중 "통계작성 및 학술연구 등의 목적을 위하여 필요한 경우로서 특정 개인을 알아볼 수 없는 형태로 개인정보를 제공하는 경우(개정전 제18조제2항제4호)"를 삭제하여, 개발사들이 통계 작성이나 학술 연구 등의 목적으로 활용하였던 의료 영상의 사용까지 제한하고 있다.In particular, the Personal Information Protection Act amended on February 4, 2020, among the regulations related to the exceptional use of medical images, states, "When personal information is provided in a form that cannot identify a specific individual as it is necessary for the purpose of statistical preparation and academic research, etc. (Article 18 (2, 4) before the revision)” was deleted to limit the use of medical images that developers used for purposes such as statistical preparation or academic research.
따라서, 의료용 AI 모델의 개발에 있어 필수적인 의료 영상으로의 접근이 현실적으로 어려워지고 있어, 이를 해소하기 위한 방안이 필요한 시점이다.Therefore, access to medical images, which is essential for the development of medical AI models, is becoming difficult in reality.
일부 개발사들은 특정 병원과의 협약을 통해 특정 병원 내에서 해당 병원의 의료 영상을 이용하여 의료용 AI 모델을 개발하고 있으나, 해당 병원의 의료 영상 만을 이용하여 개발되었다는 한계로 인해, 다른 병원들의 의료 영상을 판독할 때 그 정확도가 떨어지는 경우가 있어, 개발된 의료용 AI 모델을 범용적으로 사용하는데 한계가 있다.Some developers are developing medical AI models using medical images of a specific hospital within a specific hospital through an agreement with a specific hospital. There are cases where the accuracy of reading is low, so there is a limit to the general use of the developed medical AI model.
이에, 본 발명은 상기와 같은 문제점을 해소하기 위해 안출된 것으로서, 법률적인 제약을 준수하면사도 많은 양의 의료 영상을 이용하여 의료용 AI 모델의 개발이 가능하여, 판독 정확도가 높은 의료용 AI 모델의 개발이 가능한 딥러닝 기반의 의료용 AI 모델 개발 플랫폼을 제공하는데 그 목적이 있다.Accordingly, the present invention has been devised to solve the above problems, and if legal restrictions are complied with, it is possible to develop a medical AI model using a large amount of medical images, and the development of a medical AI model with high reading accuracy The purpose of this is to provide a platform for developing medical AI models based on deep learning.
상기 목적은 본 발명에 따라, 딥러닝 기반의 의료용 AI 모델 개발 플랫폼에 있어서, 학습에 사용될 의료용 학습 데이터가 저장된 데이터 저장부와, 학습 모델로 상기 데이터 저장부에 저장된 상기 의료용 학습 데이터를 학습하여, 상기 의료용 AI 모델을 생성하는 모델 학습부와, 상기 모델 학습부에 의해 생성되는 상기 의료용 AI 모델로부터 학습 결과값을 생성하는 학습 결과 생성부와, 상기 학습 결과 생성부에 의해 생성된 상기 학습 결과값을 상기 통신망을 통해 개발사 단말기로 전송하는 플랫폼 제어부를 포함하며; 상기 학습 결과값은 상기 모델 학습부에 의해 생성된 상기 의료용 AI 모델의 파라미터 정보를 포함하는 것을 특징으로 하는 의료용 AI 모델 개발 지원 시스템에 의해서 달성된다.According to the present invention, in a deep learning-based medical AI model development platform, a data storage unit storing medical learning data to be used for learning, and learning the medical learning data stored in the data storage unit as a learning model, A model learning unit generating the medical AI model, a learning result generating unit generating a learning result value from the medical AI model generated by the model learning unit, and the learning result generating unit generating the learning result value and a platform control unit for transmitting to the developer's terminal through the communication network; The learning result value is achieved by the medical AI model development support system, characterized in that it includes parameter information of the medical AI model generated by the model learning unit.
여기서, 상기 파라미터 정보는 상기 의료용 AI 모델의 생성을 위한 학습에서 도출되는 가중치 값(Weight value)을 포함할 수 있다.Here, the parameter information may include a weight value derived from learning for generating the medical AI model.
또한, 상기 플랫폼 제어부는 상기 학습 결과값과 함께 상기 학습 모델에 대한 정보를 상기 개발사 단말기로 전송할 수 있다.Also, the platform control unit may transmit information on the learning model together with the learning result value to the developer terminal.
그리고, 상기 데이터 저장부는 신체의 부위별, 촬영 영상의 유형별, 병변의 종류별로 상기 의료용 학습 데이터가 구별되어 저장되는 복수의 데이터베이스를 포함하며; 상기 플랫폼 제어부는 각각의 상기 데이터베이스에 저장된 상기 의료용 학습 데이터 중 학습 대상이 되는 신체의 부위, 촬영 영상의 유형, 병변의 종류를 선택하기 위한 DB 선택용 그래픽 유저 인터페이스를 상기 개발사 단말기로 제공할 수 있다.The data storage unit includes a plurality of databases in which the medical learning data is stored separately for each body part, each type of image taken, and each type of lesion; The platform control unit may provide a DB selection graphic user interface for selecting a body part to be a learning target, a type of a photographed image, and a type of a lesion among the medical learning data stored in each of the databases to the developer terminal. .
그리고, 상기 개발사 단말기가 접속하여 학습 모델을 생성하기 위한 모델 생성 플랫폼을 제공하는 학습 모델 생성부를 더 포함하며; 상기 학습 모델 생성부에 의해 생성된 학습 모델이 상기 모델 학습부의 학습에 적용될 수 있다.and a learning model generator that provides a model creation platform for generating a learning model by accessing the developer terminal; The learning model generated by the learning model generating unit may be applied to the learning of the model learning unit.
상기와 같은 구성에 따라, 본 발명에 따르면 공공기관과 같이, 의료 영상의 수집이 법률적으로 인정되는 기관에서 의료 영상을 수집하고, 해당 공공기관이 제공하는 플랫폼 내에서만 AI 모델을 개발하도록 하여, 일반 개발사에게는 개인 정보인 의료 영상의 전송이나 열람 등이 차단된 상태에서 다양하면서도 많은 양의 의료 영상을 이용하여 AI 모델을 개발하여, 의료 영상의 효과적인 활용이 가능하고, 높은 판독 정확도를 갖는 AI 모델의 개발이 가능한 딥러닝 기반의 의료용 AI 모델 개발 플랫폼이 제공된다.According to the above configuration, according to the present invention, medical images are collected from institutions that are legally recognized for collection of medical images, such as public institutions, and AI models are developed only within the platform provided by the public institutions, For general developers, AI models are developed using various and large amounts of medical images while transmission or viewing of personal information, such as medical images, is blocked, enabling effective use of medical images and high reading accuracy. A deep learning-based medical AI model development platform capable of developing
도 1은 본 발명의 실시예에 따른 의료용 AI 모델 개발 지원 시스템의 구성을 나타낸 도면이고,
도 2는 본 발명의 실시예에 따른 딥러닝 기반의 의료용 AI 모델 개발 플랫폼의 구성을 나타낸 도면이고,
도 3은 본 발명의 실시예에 따른 딥러닝 기반의 의료용 AI 모델 개발 플랫폼을 이용하여 의료용 AI 모델을 제작하는 과정을 설명하기 위한 도면이고,
도 4 및 도 5는 본 발명의 실시예에 따른 딥러닝 기반의 의료용 AI 모델 개발 플랫폼이 제공하는 DB 선택용 그래픽 유저 인터페이스의 예를 나타낸 도면이고,
도 6은 본 발명의 실시예에 따른 딥러닝 기반의 의료용 AI 모델 개발 플랫폼의 모델 학습부의 구성의 예를 나타낸 도면이고,
도 7은 도 6의 GPU 스케줄러가 제공하는 스케줄 선택용 그래픽 유저 인터페이스 화면의 예를 나타낸 도면이고,
도 8은 본 발명의 실시예에 따른 데이터 수집 서버의 구성의 예를 나타낸 도면이다. 1 is a diagram showing the configuration of a medical AI model development support system according to an embodiment of the present invention;
2 is a diagram showing the configuration of a deep learning-based medical AI model development platform according to an embodiment of the present invention;
3 is a diagram for explaining a process of producing a medical AI model using a deep learning-based medical AI model development platform according to an embodiment of the present invention;
4 and 5 are diagrams showing an example of a graphic user interface for DB selection provided by a deep learning-based medical AI model development platform according to an embodiment of the present invention;
6 is a diagram showing an example of the configuration of a model learning unit of a deep learning-based medical AI model development platform according to an embodiment of the present invention;
7 is a diagram showing an example of a graphic user interface screen for schedule selection provided by the GPU scheduler of FIG. 6;
8 is a diagram illustrating an example of the configuration of a data collection server according to an embodiment of the present invention.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the art to which the present invention pertains It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout.
이하에서는 첨부된 도면을 참조하여 본 발명에 따른 실시예들을 상세히 설명한다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시예에 따른 의료용 AI 모델 개발 지원 시스템의 구성을 나타낸 도면이다. 도 1을 참조하여 설명하면, 본 발명의 실시예에 따른 의료용 AI 모델 개발 지원 시스템은 개발 지원 서버(100) 및 적어도 하나의 개발사 단말기(400)를 포함한다.1 is a diagram showing the configuration of a medical AI model development support system according to an embodiment of the present invention. Referring to FIG. 1 , the medical AI model development support system according to an embodiment of the present invention includes a
개발 지원 서버(100)는 의료용 AI 모델의 생성을 지원하는 의료용 AI 모델 개발 플랫폼을 제공한다. 본 발명에서는 개발 지원 서버(100)를 운영하는 기관이 개인 정보인 의료 영상을 적법하게 보유할 수 있는 공공 기관인 것을 예로 한다.The
일 예로, 상술한 바와 같이, 2020년 2월 4일 개정 개인정보보호법에서는 다른 법률에 특별한 규정이 있는 경우(제18조제2항제2호)에는 개인정보를 목적 외의 용도로 이용할 수 있도록 규정하고 있으며, 산업기술혁신 촉진법 제41조에서는 한국산업기술시험원의 사업 수행과 관련하여, 제품의 성능, 안전성 및 신뢰성 등에 대한 시험평가 및 품질인증 지원을 사업의 범위로 정하고 있어, 이러한 사업 범위 내에서의 의료 영상의 수집 및 이용이 가능하며, 사업의 범위 내에서의 사용이 가능하다.For example, as described above, in the Personal Information Protection Act amended on February 4, 2020, if there are special provisions in other laws (Article 18 (2) 2), it is stipulated that personal information may be used for purposes other than the intended purpose. , Article 41 of the Industrial Technology Innovation Promotion Act stipulates that the scope of the project is to support testing and evaluation of product performance, safety and reliability and quality certification in relation to the project performance of the Korea Testing Laboratory. It is possible to collect and use images, and it is possible to use them within the scope of the business.
개발사 단말기(400)는 AI 모델을 개발하는 개발사에서 보유하는 컴퓨터 등의 정보처리장치로, 통신망을 통해 개발 지원 서버(100)에 접속하여, 의료용 AI 모델 개발 플랫폼을 통해 의료용 AI 모델을 제작한다.The
여기서, AI 모델 개발사는 의료용 AI 모델 개발 플랫폼을 통해 제작한 AI 모델을 이용하여 이를 상업적(또는 비상업적)으로 의뢰인(500)의 병변 여부를 보조적으로 진단할 수 있는데, 의뢰인(500)은 개인이나 병원(300)의 의사일 수 있다.Here, the AI model developer can use the AI model produced through the medical AI model development platform to assist in diagnosing the lesion of the
이하에서는 도 2를 참조하여 본 발명의 실시예에 따른 의료용 AI 모델 개발 플랫폼에 대해 상세히 설명한다.Hereinafter, a medical AI model development platform according to an embodiment of the present invention will be described in detail with reference to FIG. 2 .
본 발명에 따른 의료용 AI 모델 개발 플랫폼은 데이터 저장부(120), 모델 학습부(140), 학습 결과 생성부(150) 및 플랫폼 제어부(110)를 포함할 수 있다. 또한, 플랫폼 제어부(110)는 학습 모델 생성부(130) 및 플랫폼 통신부(160)를 포함할 수 있다.The medical AI model development platform according to the present invention may include a
데이터 저장부(120)에는 학습에 사용될 의료용 학습 데이터가 저장된다. 본 발명에서는 데이터 저장부(120)가 복수의 데이터베이스(121)를 포함하는 것을 예로 한다. 각각의 데이터베이스(121)에는 신체의 부위별, 촬영 영상의 유형별, 병변의 종류별로 의료용 학습 데이터가 구별되어 저장되는 것을 예로 한다.The
예를 들어, 신체 부위는 간, 뇌, 유방, 폐, 관절, 대장, 위 등을 포함할 수 있으며, 촬영 영상의 유형은 초음파 영상, X-선 영상, CT 영상, MRI 영상, MRA 영상 등을 포함할 수 있다. 그리고, 병변의 종류는 암, 종양, 관절염, 동일한 신체 부위에 대해서도 다른 질환, 예를 들어, 간의 경우 간암, 지방간, 간경변, 혈관종 등을 포함할 수 있다.For example, the body part may include a liver, brain, breast, lung, joint, large intestine, stomach, etc., and the type of image to be taken is an ultrasound image, an X-ray image, a CT image, an MRI image, an MRA image, etc. may include In addition, the type of lesion may include cancer, tumor, arthritis, and other diseases in the same body part, for example, liver cancer, fatty liver, cirrhosis, hemangioma, and the like in the case of the liver.
각각의 데이터베이스(121)에는 신체의 부위별, 촬영 영상의 유형별, 병변의 종류별로 조합되어 저장될 수 있다. 예를 들어 하나의 데이터베이스(121)에는 간암과 관련된 CT 영상을 포함하는 의료용 학습 데이터가 저장될 수 있고, 다른 하나에는 뇌종양과 관련된 MRI 영상을 포함하는 의료용 학습 데이터가 저장될 수 있다.Each
여기서, 플랫폼 제어부(110)는 각각의 데이터베이스(121)에 저장된 의료용 학습 데이터 중 학습 대상이 되는 신체의 부위, 촬영 영상의 유형, 병변의 종류를 선택하기 위한 DB 선택용 그래픽 유저 인터페이스를 개발사 단말기(400)로 제공할 수 있으며, 이를 통해 개발사 단말기(400)에서는 사용할 데이터베이스(121)를 선택할 수 있게 되는데, 이에 대한 상세한 설명은 후술한다.Here, the
모델 학습부(140)는 학습 모델로 데이터 저장부(120)에 저장된 의료용 학습 데이터를 학습하여, 의료용 AI 모델을 생성한다. 여기서, 모델 학습부(140)의 학습에 사용될 학습 모델의 결정에 대해서는 후술한다.The
학습 결과 생성부(150)는 모델 학습부(140)에 의해 생성되는 의료용 AI 모델로부터 학습 결과값을 생성하고, 플랫폼 제어부(110)는 학습 결과 생성부(150)에 의해 생성된 학습 결과값을 플랫폼 통신부(160)를 통해 개발사 단말기(400)로 전송한다.The learning
여기서, 학습 결과값은 모델 학습부(140)에 의해 생성된 의료용 AI 모델의 파라미터 정보, 예컨대, 의료용 AI 모델의 생성을 위한 학습에서 도출되는 가중치 값(Weight value)을 포함할 수 있으며, 가중치 값 외에 하이퍼 파라미터 정보도 포함할 수 있고, 의료용 AI 모델에 포함된 다른 이름의 파라미터 정보도 포함할 수 있다.Here, the learning result value may include parameter information of the medical AI model generated by the
또한, 플랫폼 제어부(110)는 학습 결과값과 함께 학습 모델에 대한 정보를 개발사 단말기(400)로 전송할 수 있다.In addition, the
상기와 같은 구성을 통해, 법률적으로 적법하게 의료 영상의 수집 및 이용이 가능한 공공기관이 운영하는 개발 지원 서버(100) 내의 의료용 AI 모델 개발 플랫폼애 AI 모델 개발사가 개발사 단말기(400)로 접속하여, 해당 의료용 AI 모델 개발 플랫폼이 제공하는 모든 자원을 이용하여 의료용 AI 모델 개발 플랫폼 내에서 학습을 수행함으로써, 개인 정보는 의료 영상을 개발사 측에 전송하지 않으면서도 개발사 측에서 다양한 의료용 학습 데이터를 이용하여 의료용 AI 모델의 개발이 가능하게 된다.Through the above configuration, the AI model developer connects to the
또한, AI 모델 개발사로는 학습 모델과 그 결과값인 가중치 값과 같은 파라미터 정보 만이 전송되고, AI 모델 개발사로는 의료 영상이나 관련 정보가 전달되거나 AI 모델 개발사가 접근할 수 없어, 개인 정보인 의료 영상을 AI 모델 개발사가 직접적으로 이용하는 구조가 아니므로, 개인정보보호법과 같은 법률적 저촉 없이 활용이 가능하게 된다.In addition, only parameter information such as the learning model and the resultant weight value is transmitted to the AI model developer, and medical images or related information are transmitted to the AI model developer or the AI model developer cannot access it, so Since the video is not directly used by the AI model developer, it can be used without legal conflicts such as the Personal Information Protection Act.
그리고, 개발 지원 서버(100)를 운영하는 주체인 공공 기관이 다수의 병원(300)과의 협약을 통해 다양한 형태의 의료 영상을 수집할 수 있어, 이를 기반으로 하여 개발된 의료용 AI 모델의 진단 정확도를 높일 수 있을 뿐만 아니라 범용적으로 사용이 가능하게 된다.In addition, the public institution that operates the
한편, 학습 모델 생성부(130)는 개발사 단말기(400)가 접속하여 학습 모델을 생성하기 위한 모델 생성 플랫폼을 제공한다. 여기서, 모델 생성 플랫폼은 드래그 앤 드롭 방식 등의 UI를 제공하여 학습 모델을 생성하거나, 파이썬(Python)과 같은 프로그램을 이용하여 학습 모델을 생성하거나, 기 정의된(Pre-defined) 또는 기 학습된(Pre-trained) 모델을 불러와 학습 모델로 적용할 수 있다.Meanwhile, the learning model generating unit 130 provides a model generating platform for generating a learning model by accessing the
이하에서는, 도 3을 참조하여 본 발명의 실시예에 따른 의료용 AI 모델 개발 지원 시스템에서 AI 모델 개발사가 개발 지원 서버(100)가 제공하는 의료용 AI 모델 개발 플랫폼을 이용하여 의료용 AI 모델을 제작하는 과정에 대해 설명한다.Hereinafter, with reference to FIG. 3 , in the medical AI model development support system according to an embodiment of the present invention, an AI model developer produces a medical AI model using the medical AI model development platform provided by the
먼저, AI 모델 개발사는 개발사 단말기(400)를 통해 개발 지원 서버(100)의 의료용 AI 모델 개발 플랫폼에 접속한다(S10). 그런 다음, 자신이 제작할 의료용 AI 모델의 생성에 필요한 의료용 학습 데이터를 선택한 후 이용 승인을 요청한다(S11).First, the AI model developer accesses the medical AI model development platform of the
상술한 바와 같이, 플랫폼 제어부(110)는 의료용 학습 데이터의 선택을 위한 DB 선택용 그래픽 유저 인터페이스를 개발사 단말기(400)로 제공하는데, 도 4는 플랫폼 제어부(110)가 제공하는 DB 선택용 그래픽 유저 인터페이스의 예를 나타내고 있다.As described above, the
도 4에 도시된 바와 같이, 신체의 부위, 촬영 영상의 유형, 병변의 종류를 선택할 수 있는 DB 선택용 그래픽 유저 인터페이스가 제공되는데, 간 CT 영상의 경우, 간암, 지방간, 간경변, 혈관종에 대응하는 데이터베이스(121)의 선택이 가능하도록 마련되고, 뇌종양 MRI 영상, 유방암 Mammo 영상, 폐암 CT 영상, 슬관절염 X-ray 영상, 대장함 CT 영상, 대장암 내시경 영상, 위암 내시경 영상 등을 선택할 수 있도록 구현된다.As shown in FIG. 4 , a graphic user interface for DB selection that can select a body part, a type of a photographed image, and a type of lesion is provided. In the case of a liver CT image, The
또한, 플랫폼 제어부(110)는 도 4에 도시된 DB 선택용 그래픽 유저 인터페이스를 통해 어느 하나가 선택되면, 도 5에 도시된 바와 같이, 해당 영상의 샘플을 화면 상에 표시할 수 있다.Also, when any one is selected through the graphic user interface for DB selection shown in FIG. 4 , the
도 5의 (a)는 간 CT 영상 중 양성(정상) 영상이고, 도 5의 (b)는 간 CT 영상 중 지방간에 해당하는 음성(악성) 영상이다. 도 5에 도시된 바와 같이, 양성 영상의 경우에도 다양한 유형, 예컨대, 촬영 각도나 단면 위치 등 다양한 유형 중 하나 또는 복수를 선택하도록 마련될 수 있다.FIG. 5A is a positive (normal) image of a liver CT image, and FIG. 5B is a negative (malignant) image corresponding to fatty liver among a liver CT image. As shown in FIG. 5 , even in the case of a positive image, it may be provided to select one or a plurality of types from among various types, for example, a photographing angle or a cross-sectional location.
상기와 같이 의료용 학습 데이터의 선택이 완료되면, 상술한 바와 의료용 학습 데이터의 이용 승인 요청이 진행되고, 이에 따라 개발 지원 서버(100) 측에서의 승인 여부를 결정하기 위한 심의 절차가 진행된다(S12). 여기서, 심의 절차는 심의 위원회에 의해 진행될 수 있으며, AI 모델 개발사에서 업로드한 서류의 소프트웨어적인 평가를 통해 진행될 수 있다.When the selection of the medical learning data is completed as described above, a request for approval of use of the medical learning data is processed as described above, and accordingly, a deliberation procedure for determining whether to approve the
심의 결과 이용 승인이 결정되면, 개발 지원 서버(100)는 개발사 단말기(400)로 승인을 통지하게 되고(S13), AI 모델 개발사는 접속을 종료한 상태이면 개발 지원 서버(100)의 의료용 AI 모델 개발 플랫폼에 재접속하여(S14), S11 단계에서 선택한 의료용 학습 데이터를 이용하여 의료용 AI 모듈을 생성하기 위한 과정을 진행한다.When the use approval is determined as a result of the deliberation, the
먼저, 학습 모델을 생성하는 과정(S15)이 진행되고, 엔진 사용 스케줄링 과정이 진행된다(S16). 여기서, 엔진 사용 스케줄링 과정이 먼저 진행된 후 학습 모델 생성을 생성하는 과정이 그 후에 진행되도록 마련될 수 있음은 물론이다.First, a process of generating a learning model (S15) is carried out, and a process of scheduling engine use is carried out (S16). Here, it goes without saying that the engine usage scheduling process may be performed first, and then the learning model generation process may be performed thereafter.
학습 모델을 생성하는 과정은, 상술한 바와 같이, 학습 모델 생성부(130)에 의해 수행되며, 드래그 앤 드랍 방식 등을 이용한 GUI 기반의 모델 생성 과정, 프로그래밍 언어를 이용한 모델 생성 과정, 또는 기 정의되거나 학습된 모델을 선택하는 방법 중 어느 하나를 선택하여 진행하도록 마련될 수 있다.The process of generating the learning model, as described above, is performed by the learning model generating unit 130, a GUI-based model generating process using a drag-and-drop method, etc., a model generating process using a programming language, or predefined or it may be provided to proceed by selecting any one of the methods of selecting the learned model.
엔진 사용 스케줄링 과정은 본 발명의 실시예에 따른 의료용 AI 모델 개발 지원 시스템은 AI 모델 개발사가 의료용 학습 데이터를 직접적으로 제공받지 않고, 의료용 AI 모델 개발 플랫폼 내부에서 플랫폼이 제공하는 자원을 이용하여 의료용 AI 모델을 생성하는 것을 특징으로 하는 바, 다수의 AI 모델 개발사가 접속하여 진행될 수 있다.In the engine use scheduling process, the medical AI model development support system according to an embodiment of the present invention uses the resources provided by the platform inside the medical AI model development platform, without the AI model developer receiving medical learning data directly. It is characterized in that the model is generated, so a number of AI model developers can connect and proceed.
이에, 도 6에 도시된 바와 같이, 본 발명의 실시예에 따른 모델 학습부(140)는 복수의 GPU 엔진과, GPU 스케줄러를 포함할 수 있다.Accordingly, as shown in FIG. 6 , the
각각의 GPU 엔진은 학습 모델로 데이터 저장부(120)에 저장된 의료용 학습 데이터를 학습하여, 의료용 AI 모델을 생성한다. 학습 모델을 이용한 학습 과정은 다수의 영상 데이터를 처리하는 과정이 복수회가 반복되는 과정으로 하나의 GPU 엔진으로 2 이상의 학습 모델을 동시에 학습시키는 것은 과부하의 원인이 된다. 이에 본 발명에서는 복수의 GPU 엔진이 하나(GPU 엔진의 성능에 따라 둘)의 학습 모델을 학습시키는데 사용되는 것을 예로 한다.Each GPU engine learns medical training data stored in the
GPU 스케줄러는 각각의 개발자 단말기가 접속하여 복수의 GPU 엔진 중 어느 하나를 이용하여 의료용 AI 모델을 생성할 때, 복수의 GPU 인젠의 사용 스케줄을 관리한다.The GPU scheduler manages usage schedules of a plurality of GPUs when each developer terminal accesses and generates a medical AI model using any one of a plurality of GPU engines.
여기서, GPU 스케줄러는 현재 접속한 개발자 단말기의 요청에 따라 스케줄 선택용 그래픽 유저 인터페이스 화면을 해당 개발자 단말기에 제공하게 된다. 도 7은 GPU 스케줄러가 제공하는 스케줄 선택용 그래픽 유저 인터페이스 화면의 예를 나타낸 도면이다.Here, the GPU scheduler provides a graphic user interface screen for schedule selection to the developer terminal according to the request of the currently connected developer terminal. 7 is a diagram illustrating an example of a graphical user interface screen for schedule selection provided by a GPU scheduler.
도 7에 도시된 바와 같이, 스케줄 선택용 그래픽 유저 인터페이스 화면에는 사용 일정의 선택을 위한 일정 선택 항목(141a), 복수의 GPU 엔진 중 어느 하나를 선택하기 위한 선택 항목(141b), 해당 일정에서 각각의 GPU 엔진의 사용 가능 기간이 표시되는 스케줄 바(141c), 그리고 스케줄 바에 대응하는 시간 표시 항목(141d)이 표시될 수 있다.As shown in FIG. 7 , on the graphic user interface screen for schedule selection, a
각각의 스케줄 바(141c)에는 기 등록된 사용 스케줄에 별도의 색상 등의 바로 표시되어, 각각의 GPU 엔진의 사용 가능 일정을 확인 가능하게 된다. 여기서, AI 모듈 개발사의 담당자는 사용 가능 일정에서 GPU 엔진의 사용 일정을 마우스의 드래그 방식 등으로 입력함으로써, 자신이 사용할 GPU 엔진과 사용 일정의 등록이 가능하게 된다.Each
이와 같은 구성을 통해, 다수의 AI 모델 개발사가 본 발명에 따른 의료용 AI 모델 개발 플랫폼을 이용하더라도, 다수의 GPU 엔진을 마련하여 이에 대응할 수 있을 뿐만 아니라 GPU 엔진의 사용 스케줄을 등록함으로써, 효과적인 관리가 가능하게 된다.Through such a configuration, even if a plurality of AI model developers use the medical AI model development platform according to the present invention, it is possible to respond by providing a plurality of GPU engines, and by registering the use schedule of the GPU engines, effective management is possible. it becomes possible
다시 도 3을 참조하여 설명하면, GPU 엔진의 사용 스케줄이 등록된 후 해당 사용 일정이 다가오면, 플랫폼 제어부(110)는 해당 AI 모델 개발사로 GPU 사용 알람을 전송할 수 있으며(S17), AI 모델 개발사는 자신의 개발사 단말기(400)로 다시 의료용 AI 모델 개발 플랫폼에 재접속하게 된다(S18).Referring back to FIG. 3 , when the usage schedule of the GPU engine is registered and the corresponding usage schedule approaches, the
그런 다음, S15 단계에서 생성해둔 학습 모델과, S11 단계에서 선택한 의료용 학습 데이터를 이용하여, 학습 모델이 의료용 학습 데이터를 학습하여 의료용 AI 모델이 생성된다(S19).Then, using the learning model created in step S15 and the medical learning data selected in step S11, the learning model learns the medical learning data to generate a medical AI model (S19).
그리고, 의료용 AI 모델이 생성되면, 학습 결과 생성부(150)가 학습 결과값, 즉 가중치 값을 비롯한 파라미터 정보를 생성하고(S20), 플랫폼 제어부(110)는 학습 모델과 함께 학습 결과값을 개발사 단말기(400)로 전송하게 된다(S21).And, when the medical AI model is generated, the learning
상기와 같은 과정을 통해 학습 모델과 파라미터 정보를 전송받은 AI 모델 개발사는 파리미터 정보를 학습 모델에 적용하는 것으로, 의료용 학습 데이터를 보유하지 않고 의료용 AI 모델 개발 플랫폼에서 생성했던 의료용 AI 모델과 동일한 모델을 자신의 개발사 단말기(400)에서 생성 가능하게 된다.The AI model developer who received the training model and parameter information through the above process applies the parameter information to the learning model. It is possible to create it in the developer's
다시, 도 1을 참조하여 설명하면, 본 발명의 실시예에 따른 의료용 AI 모델 개발 지원 시스템은 복수의 데이터 수집 서버(200)를 더 포함할 수 있다. 각각의 데이터 수집 서버(200)는 병원(300) 등과 같이 의료 영상을 보유한 기관으로부터 의료 영상을 수집하고, 의료용 AI 모델 개발 플랫폼에서 사용 가능한 의료용 학습 데이터로 1차적으로 변환하여 개발 지원 서버(100)로 전송한다.Again, referring to FIG. 1 , the medical AI model development support system according to an embodiment of the present invention may further include a plurality of
도 8은 본 발명의 실시예에 따른 데이터 수집 서버(200)의 구성의 예를 나타낸 도면이다. 도 8에 도시된 바와 같이, 본 발명의 실시예에 따른 데이터 수집 서버(200)는 비식별화 처리부(220), 주석 처리부(230) 및 수집 서버 제어부(210)를 포함할 수 있다. 또한, 데이터 수집 서버(200)는 레이블링 처리부(240), 레이블링 검증부(250) 및 수집 서버 통신부(260)를 더 포함할 수 있다.8 is a diagram showing an example of the configuration of the
비식별화 처리부(220)는 의료용 학습 데이터로 사용될 레이블 정보를 포함한 의료 영상에 기록되어 있는 개인 정보를 비식별화한다. 앞서 설명한 바와 같이, 의료 영상은 개인정보보호법 등과 같은 법률적으로 보호되는 개인 정보를 포함하는데, 비식별화 처리부(220)는 이러한 개인 정보를 비식별화한다.The de-identification processing unit 220 de-identifies personal information recorded in a medical image including label information to be used as medical learning data. As described above, the medical image includes personal information protected by law, such as the Personal Information Protection Act, and the de-identification processing unit 220 de-identifies such personal information.
주석 처리부는 비식별화 처리부(220)에 의해 비식별화된 의료 영상이 기 설정된 주석을 기록한다.The annotation processing unit records a preset annotation for the medical image de-identified by the de-identification processing unit 220 .
수집 서버 제어부(210)는 주석 처리부에 의해 주석이 기록된 의료 영상과, 레이블 정보를 의료용 학습 데이터로 하여 저장하고, 해당 의료용 학습 데이터를 수집 서버 통신부(260)를 통해 개발 지원 서버(100)로 전송한다.The collection
여기서, 수집 서버 제어부(210)는 병원(300) 등으로부터 수집된 의료 영상에 레이블 정보가 포함되지 않은 경우, 레이블링 처리부(240)를 통해 레이블 정보를 기록한다. 그리고, 전문 의료인의 도움으로 레이블링 검증부(250)에서 레이블 정보를 검증하고, 검증이 완료된 의료 영상을 레이블 정보가 포함된 의료 영상으로 하여 비식별화를 진행하게 된다.Here, when the label information is not included in the medical image collected from the
도 1에서는 데이터 수집 서버(200)와 개발 지원 서버(100)가 물리적으로 분리되는 별도의 서버인 것을 예로 하여 도시하고 있으나, 이에 국한되지 않으며, 물리적으로 분리되거나 지역적으로 분리되지 않은 하나 또는 하나의 공간에 배치되는 서버 형태로 마련될 수 있음은 물론이다.In FIG. 1, the
또한, 도 2에서는 데이터 저장부(120)를 구성하는 다수의 데이터베이스(121)가 물리적으로 분리된 형태로 도시하고 있으나, 하나의 물리적인 데이터베이스(121)에 구분되어 저장될 수 있음은 물론이다.In addition, although the plurality of
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical spirit of the present invention, and various modifications and variations will be possible without departing from the essential characteristics of the present invention by those skilled in the art to which the present invention pertains. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.
100 : 개발 지원 서버 110 : 플랫폼 제어부
120 : 데이터 저장부 121 : 데이터베이스
130 : 학습 모델 생성부 140 : 모델 학습부
150 : 학습 결과 생성부 200 : 데이터 수집 서버
210 : 수집 서버 제어부 220 : 비식별화 처리부
230 : 주석 처리부 240 : 레이블링 처리부
250 : 레이블링 검증부 260 : 수집 서버 통신부
300 : 병원 400 : 개발사 단말기
500 : 의뢰인100: development support server 110: platform control unit
120: data storage unit 121: database
130: learning model generation unit 140: model learning unit
150: learning result generation unit 200: data collection server
210: collection server control unit 220: de-identification processing unit
230: annotation processing unit 240: labeling processing unit
250: labeling verification unit 260: collection server communication unit
300: hospital 400: developer terminal
500 : client
Claims (5)
학습에 사용될 의료용 학습 데이터가 저장된 데이터 저장부와,
학습 모델로 상기 데이터 저장부에 저장된 상기 의료용 학습 데이터를 학습하여, 상기 의료용 AI 모델을 생성하는 모델 학습부와,
상기 모델 학습부에 의해 생성되는 상기 의료용 AI 모델로부터 학습 결과값을 생성하는 학습 결과 생성부와,
상기 학습 결과 생성부에 의해 생성된 상기 학습 결과값을 상기 통신망을 통해 개발사 단말기로 전송하는 플랫폼 제어부를 포함하며;
상기 학습 결과값은 상기 모델 학습부에 의해 생성된 상기 의료용 AI 모델의 파라미터 정보를 포함하는 것을 특징으로 하는 딥러닝 기반의 의료용 AI 모델 개발 플랫폼In a deep learning-based medical AI model development platform,
A data storage unit storing medical learning data to be used for learning;
a model learning unit for learning the medical learning data stored in the data storage unit as a learning model, and generating the medical AI model;
a learning result generating unit for generating a learning result value from the medical AI model generated by the model learning unit;
a platform controller for transmitting the learning result generated by the learning result generating unit to a developer terminal through the communication network;
The learning result value is a deep learning-based medical AI model development platform, characterized in that it includes parameter information of the medical AI model generated by the model learning unit.
상기 파라미터 정보는 상기 의료용 AI 모델의 생성을 위한 학습에서 도출되는 가중치 값(Weight value)을 포함하는 것을 특징으로 하는 딥러닝 기반의 의료용 AI 모델 개발 플랫폼.According to claim 1,
The parameter information is a deep learning-based medical AI model development platform, characterized in that it includes a weight value derived from learning for generating the medical AI model.
상기 플랫폼 제어부는 상기 학습 결과값과 함께 상기 학습 모델에 대한 정보를 상기 개발사 단말기로 전송하는 것을 특징으로 하는 딥러닝 기반의 의료용 AI 모델 개발 플랫폼.According to claim 1,
The platform controller is a deep learning-based medical AI model development platform, characterized in that it transmits the information on the learning model together with the learning result value to the developer terminal.
상기 데이터 저장부는 신체의 부위별, 촬영 영상의 유형별, 병변의 종류별로 상기 의료용 학습 데이터가 구별되어 저장되는 복수의 데이터베이스를 포함하며;
상기 플랫폼 제어부는 각각의 상기 데이터베이스에 저장된 상기 의료용 학습 데이터 중 학습 대상이 되는 신체의 부위, 촬영 영상의 유형, 병변의 종류를 선택하기 위한 DB 선택용 그래픽 유저 인터페이스를 상기 개발사 단말기로 제공하는 것을 특징으로 하는 딥러닝 기반의 의료용 AI 모델 개발 플랫폼.According to claim 1,
the data storage unit includes a plurality of databases in which the medical learning data is stored separately for each body part, each type of captured image, and each type of lesion;
The platform control unit provides a DB selection graphic user interface for selecting a body part to be a learning target, a type of a photographed image, and a type of a lesion from among the medical learning data stored in each of the databases to the developer terminal. A deep learning-based medical AI model development platform.
상기 개발사 단말기가 접속하여 학습 모델을 생성하기 위한 모델 생성 플랫폼을 제공하는 학습 모델 생성부를 더 포함하며;
상기 학습 모델 생성부에 의해 생성된 학습 모델이 상기 모델 학습부의 학습에 적용되는 것을 특징으로 하는 딥러닝 기반의 의료용 AI 모델 개발 플랫폼.According to claim 1,
a learning model generating unit that provides a model generating platform for generating a learning model by accessing the developer terminal;
Deep learning-based medical AI model development platform, characterized in that the learning model generated by the learning model generating unit is applied to the learning of the model learning unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200037261A KR20210120490A (en) | 2020-03-27 | 2020-03-27 | Deep learning-based development platform system for medical ai model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200037261A KR20210120490A (en) | 2020-03-27 | 2020-03-27 | Deep learning-based development platform system for medical ai model |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210120490A true KR20210120490A (en) | 2021-10-07 |
Family
ID=78114598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200037261A KR20210120490A (en) | 2020-03-27 | 2020-03-27 | Deep learning-based development platform system for medical ai model |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210120490A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240071256A (en) | 2022-11-15 | 2024-05-22 | 경희대학교 산학협력단 | Apparatus and method for clinical decision support |
-
2020
- 2020-03-27 KR KR1020200037261A patent/KR20210120490A/en unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240071256A (en) | 2022-11-15 | 2024-05-22 | 경희대학교 산학협력단 | Apparatus and method for clinical decision support |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esteva et al. | Deep learning-enabled medical computer vision | |
| Lekadir et al. | FUTURE-AI: guiding principles and consensus recommendations for trustworthy artificial intelligence in medical imaging | |
| Burlina et al. | Assessment of deep generative models for high-resolution synthetic retinal image generation of age-related macular degeneration | |
| Richardson et al. | Noninterpretive uses of artificial intelligence in radiology | |
| KR20050084394A (en) | Medical data analysis method and apparatus incorporating in vitro test data | |
| KR20050085778A (en) | Enhanced computer-assisted medical data processing system and method | |
| JP6503535B1 (en) | A diagnostic method of displaying medical images on an image by symptom level at the judgment of an AI. | |
| Li et al. | Medical image analysis using deep learning algorithms | |
| Blezek et al. | AI integration in the clinical workflow | |
| Babarenda Gamage et al. | An automated computational biomechanics workflow for improving breast cancer diagnosis and treatment | |
| EP4049239A1 (en) | Multi-variable heatmaps for computer-aided diagnostic models | |
| JP6582171B1 (en) | A measurement method for displaying a progress degree on a medical image based on an AI determination. | |
| Roy et al. | Explainable artificial intelligence to increase transparency for revolutionizing healthcare ecosystem and the road ahead | |
| Ciet et al. | The unintended consequences of artificial intelligence in paediatric radiology | |
| Hicks et al. | Visual explanations for polyp detection: How medical doctors assess intrinsic versus extrinsic explanations | |
| KR20210120490A (en) | Deep learning-based development platform system for medical ai model | |
| Alcantara et al. | eRx–A technological advance to speed-up TB diagnostics | |
| Sharma et al. | Explainable AI Driven Applications for Patient Care and Treatment | |
| Liang et al. | Human-centered ai for medical imaging | |
| KR20210117719A (en) | Development support system for medical ai model | |
| KR20210117720A (en) | Development support system for medical ai model | |
| Mumuni et al. | A SWOT analysis of artificial intelligence in diagnostic imaging in the developing world: making a case for a paradigm shift | |
| US11869654B2 (en) | Processing medical images | |
| Lekadir et al. | FUTURE-AI: Guiding principles and consensus recommendations for trustworthy artificial intelligence in future medical imaging | |
| Awotunde et al. | Explainable Machine Learning (XML) for Multimedia-Based Healthcare Systems: Opportunities, Challenges, Ethical and Future Prospects |