KR20220004476A - 진단 결과를 제공하기 위한 방법 및 장치 - Google Patents

진단 결과를 제공하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR20220004476A
KR20220004476A KR1020200082359A KR20200082359A KR20220004476A KR 20220004476 A KR20220004476 A KR 20220004476A KR 1020200082359 A KR1020200082359 A KR 1020200082359A KR 20200082359 A KR20200082359 A KR 20200082359A KR 20220004476 A KR20220004476 A KR 20220004476A
Authority
KR
South Korea
Prior art keywords
diagnostic
information
medical data
network
data
Prior art date
Application number
KR1020200082359A
Other languages
English (en)
Other versions
KR102460257B1 (ko
Inventor
손재민
Original Assignee
주식회사 뷰노
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 뷰노 filed Critical 주식회사 뷰노
Priority to KR1020200082359A priority Critical patent/KR102460257B1/ko
Priority to PCT/KR2021/007853 priority patent/WO2022005090A1/ko
Priority to EP21833328.4A priority patent/EP4177901A1/en
Priority to JP2022569520A priority patent/JP2023527136A/ja
Priority to US17/361,103 priority patent/US20220005604A1/en
Publication of KR20220004476A publication Critical patent/KR20220004476A/ko
Application granted granted Critical
Publication of KR102460257B1 publication Critical patent/KR102460257B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 방법이 개시된다. 상기 방법은: 상기 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 단계; 상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산되는 단계; 및 상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중 일 부분에 기초하여, 상기 입력 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는 단계를 포함할 수 있다.

Description

진단 결과를 제공하기 위한 방법 및 장치{METHOD OR APPARATUS FOR PROVIDING DIAGNOSTIC RESULTS}
본 발명은 진단 결과를 제공하기 위한 방법에 관련된 것으로서, 보다 구체적으로 의료 데이터에 대한 진단 관련 정보 및 진단 정보 사이의 상관 관계를 제공하는 방법에 관한 것이다.
인공 신경망은 빠른 처리 속도와 큰 저장 공간을 이용해 입력 데이터로부터 출력 데이터를 추출하는 방법을 학습한 후 새로운 입력 데이터로부터 상기 학습된 방법을 적용하여 출력 데이터를 도출한다. 다만 인공 신경망은 마치 블랙 박스와 같아서 사용자는 인공 신경망이 주어진 입력에서 어떻게 출력에 도달하는지 상세히 알 수 없는 문제점이 당업계에 존재해 왔다. 다시 말해 중간 과정을 상세히 알 수 없어 인간이 판단하기도 애매한 문제에 대해 인공 신경망이 답을 출력한 경우 인공 신경망의 오류도 무시할 수 없으므로 그 답을 믿어야 하는지 딜레마에 빠지게 된다. 이러한 문제는 의료 및 법률 분야와 같이 인공 신경망에서 도출된 값이 사용자에게 큰 영향을 미칠 경우 더욱 부각되게 된다. 따라서 당업계는 입력에 대한 출력이 해석 가능한, 다시 말해 투명성(transparency)이 높은 결과를 제공하는 방법 또는 장치에 관해 지속적인 요구가 존재해 왔다. 한국등록특허 "KR10-2018-0123198"은 자궁경부 자동판독 및 임상의사결정지원시스템 기반의 원격 자궁경부암 검진 시스템을 개시하여 딥 러닝 기반 자동 판독 알고리즘이 자궁경부암을 판독하고 해당 판독 결과에 대해 리뷰여부를 판단하는 내용을 개시하고 있다.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 의료 데이터에 대한 진단 관련 정보 및 진단 정보 사이의 상관 관계를 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 방법이 개시된다. 상기 방법은: 상기 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 단계; 상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산되는 단계; 및 상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중 일 부분에 기초하여, 상기 입력 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는 단계를 포함할 수 있다.
대안적인 실시예에서, 프로세서가 상기 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 단계는, 상기 제 1 진단 네트워크에서 상기 입력 의료 데이터에 관한 특징 벡터를 연산하는 단계; 및 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 1 진단 정보를 연산하는 단계를 더 포함할 수 있다.
대안적인 실시예에서, 상기 특징 벡터는, 상기 제 1 진단 네트워크의 연산에 포함된 특징맵(feature map)에 전역 풀링(Global Pooling) 방법을 수행한 결과에 기초하여 연산될 수 있다.
대안적인 실시예에서, 상기 제 1 진단 네트워크는 서로 다른 종류의 소견을 포함하는 제 1 진단 정보를 연산하는 상이한 둘 이상의 서브 제 1 진단 네트워크를 포함할 수 있다.
대안적인 실시예에서, 상기 상관 관계 정보는 상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를 포함할 수 있다.
대안적인 실시예에서, 상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도는 상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터, 상기 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터 또는 상기 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터 중 적어도 어느 하나에 기초하여 산출될 수 있다.
대안적인 실시예에서, 상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도는, 제 1 부분 기여도 또는 제 2 부분 기여도 중 적어도 하나에 기초하여 산출될 수 있다.
대안적인 실시예에서, 상기 제 1 부분 기여도는, 상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 전체 소견의 오즈(odds)에 기초할 수 있다.
대안적인 실시예에서, 상기 제 2 부분 기여도는, 상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 상기 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈(counterfactual-odds)에 기초하되, 상기 가상 오즈는: 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견이 반드시 존재하는 상황의 확률에 따른 오즈; 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견이 절대로 존재하지 않는 상황의 확률에 따른 오즈; 및 제 2 진단 정보에 포함된 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 사전 결정된 존재 확률에 따른 오즈; 중 적어도 하나를 포함할 수 있다.
대안적인 실시예에서, 상기 상관 관계 정보를 출력하는 단계는, 클래스 활성화 맵(Class Activation Map)에 적어도 일부 기초하여 상기 제 1 진단 정보를 상기 입력 의료 데이터에 표시하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 상관 관계 정보를 출력하는 단계는, 상기 입력 의료 데이터에 관한 특징 벡터, 상기 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터 또는 상기 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터 중 적어도 어느 하나에 기초하여 클래스 활성화 맵(Class Activation Map)을 생성하는 단계; 및 상기 클래스 활성화 맵에 기초하여 상기 제 1 진단 정보를 상기 입력 의료 데이터에 표시하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 상기 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 동작; 상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산하는 동작; 및 상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중 일 부분에 기초하여, 상기 입력된 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 장치가 개시된다. 상기 장치는 프로세서; 및 적어도 하나의 네트워크 함수가 저장되는 메모리를 포함하고, 상기 메모리는 상기 프로세서가 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하고, 상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산되고, 그리고 상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중일 부분에 기초하여, 상기 입력 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하기 위한 적어도 하나의 컴퓨터 실행 가능한 명령어를 저장할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 사용자 단말에 포함된 하나 이상의 프로세서에서 실행되는 경우, 의료 데이터에 대한 진단 관련 정보를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는: 입력 의료 데이터에 대한 제 1 진단 정보 및 상기 입력 의료 데이터에 대한 제 2 진단 정보를 포함하는 상관 관계 정보를 포함하고, 그리고 상기 상관 관계 정보는 제 1 진단 네트워크를 이용한 제 1 진단 정보의 연산 과정 및 제 2 진단 모듈을 이용한 제 2 진단 정보의 연산 과정 중 일 부분에 기초하여 사용자 단말 또는 서버에서 생성될 수 있다.
대안적인 실시예에서, 상기 상관 관계 정보는 상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 상기 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를 포함하는 오즈비 매트릭스(odds ratio matrix)를 포함할 수 있다.
본 개시는 의료 데이터에 대한 진단 관련 정보 및 진단 정보 사이의 상관 관계를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 의료 데이터에 대한 진단 관련 정보를 제공하기 위해 사용되는 네트워크 함수를 나타낸 개략도이다.
도 3은 의료 데이터에 대한 진단 관련 정보를 제공하는 본 개시의 일 실시예에 따라 입력 의료 데이터로부터 제 1 진단 정보 및 제 2 진단 정보를 출력하기 위한 전체 모델의 학습 과정에 대한 흐름도이다.
도 4는 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 본 개시의 일 실시예에 따라 제 2 진단 모듈을 학습하기 위한 흐름도이다.
도 5은 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 본 개시의 일 실시예에 따라 입력 의료 데이터에 대한 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 시각화한 일 예시도이다.
도 6는 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 본 개시의 일 실시예에 따라 입력 의료 데이터에 대한 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 표시하는 사용자 인터페이스에 관한 예시도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
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.
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.
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.
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.
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.
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.
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.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.
예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 안저 영상, 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템에 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
본 발명의 명세서에서 “제 1 진단 정보” 및 “제 2 진단 정보”는, 네트워크 함수가 입력 의료 데이터로부터 최종 진단을 위해 연산하는 중간 데이터 중에서 그 연산 또는 출력되는 순서에 따라 호칭되는 진단 정보의 종류를 의미할 수 있다. 프로세서(110)는 전체 모델에 포함된 제 1 진단 네트워크를 통해 입력 의료 데이터로부터 제 1 진단 정보를 출력할 수 있다. 프로세서(110)는 상기 제 1 진단 정보에 적어도 일부 기초하여 전체 모델에 포함된 제 2 진단 모듈을 통해 제 2 진단 정보를 출력할 수 있다. 보다 구체적으로, 프로세서(110)는 상기 제 1 진단 정보를 연산하기 위한 특징 벡터에 기초하여 제 2 진단 모듈을 통해 제 2 진단 정보를 출력할 수 있다. 제 1 진단 정보는 입력 의료 데이터에 대해 최종 진단 결과를 생성하기 위한 중간 진단 정보를 포함할 수 있다. 제 2 진단 정보는 입력 의료 데이터에 대한 최종 진단 결과를 포함할 수 있다.
본 명세서에서 제 1 진단 정보는 적어도 하나 이상의 소견에 관한 정보를 포함할 수 있다. 본 명세서에 걸쳐 소견에 관한 정보와 소견 정보는 상호 교환되어 동일한 의미로 사용될 수 있다. 소견 정보는 입력 데이터에 존재하는 특정 소견의 존재 확률, 종류, 위치 등을 포함할 수 있다. 본 명세서에서 제 2 진단 정보는 적어도 하나 이상의 질병에 관한 정보를 포함할 수 있다. 본 명세서에 걸쳐 질병에 관한 정보와 질병 정보는 상호 교환되어 동일한 의미로 사용될 수 있다. 질병 정보는 입력 데이터에 존재하는 특정 질병의 존재 확률, 종류 등을 포함할 수 있다. 제 1 진단 정보는 입력 의료 데이터에 대한 임상적 소견에 관련된 데이터들을 포함할 수 있다. 본 명세서에 걸쳐 소견(finding) 정보는 최종 질병의 판단에 근거가 되는 자료, 병변 또는 해당 병변의 영역에 관한 정보를 포함하는 의미로 사용될 수 있다. 제 2 진단 정보는 질병의 존재 유무에 대한 판단을 포함할 수 있다. 제 2 진단 정보에 포함된 하나의 질병의 존재 유무를 판단하는 데 있어서 하나 이상의 소견 정보가 관여할 수 있다. 제 2 진단 정보에 포함된 서로 다른 둘 이상의 질병의 존재 유무를 판단하는데 있어서 하나의 소견 정보가 관여할 수 있다.
일반적으로 특정 질병에 대한 진단은 적어도 하나 이상의 특정 소견의 존재에 기초하여 이뤄진다. 예를 들어, 폐암이라는 질병을 진단하는데 있어서 양쪽 폐 밑 부위에서 흡기 시 수포음이 청진된다는 제 1 소견 및 흉부 CT에서 폐 아래 부위에 망상음영이 보인다는 제 2 소견을 종합하여 최종 진단을 내릴 수 있다. 또 다른 예를 들어, 녹내장이라는 질병의 진단에 있어서 망막신경섬유층의 손상 정도에 따른 제 1 소견 및 시신경 유두 주변 및 황반부의 혈관 변화에 따른 제 2 소견이 관여할 수 있다. 이와 같이 본 명세서에 걸쳐 하나 이상의 소견에 대한 소견 정보는 질병을 유발하는 독립변수로 이해될 수 있고, 상기 하나 이상의 소견에 관한 정보에 기초하여 진단된 하나 이상의 질병의 존재 확률을 포함하는 제 2 진단 정보는 그러한 독립변수에 따른 종속변수로 이해될 수 있다. 전술한 질병의 종류 및 소견은 일 예시에 불과하여 본 개시를 제한하지 않으며 독립변수의 변화가 종속변수의 결과에 어떠한 영향을 미치는지 정량화하기 위한 본 발명에 있어서 질병 및 소견의 실시예가 제한될 필요는 없다는 것은 통상의 기술자에게 자명할 것이다.
도 1은 본 개시의 일 실시예에 따른 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도이다.
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.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 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 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 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.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 있어서 프로세서(110)는 진단 관련 정보를 제공하기 위해 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대한 제 1 진단 정보를 연산할 수 있다.
본 발명의 명세서에서 의료 데이터는 영상 데이터, 음성 데이터 및 시계열 데이터 중 적어도 하나를 포함할 수 있다. 즉, 의료업에 종사하는 자 또는 진단을 위한 장치 등에 의해 데이터 내에 질병의 존재 유무를 판단할 수 있는 임의의 형태의 데이터가 본 개시에 의한 의료 데이터에 포함될 수 있다. 영상 데이터는 환자의 환부를 검사 장비를 통해 촬영 또는 측정하여 전기 신호화 한 후 출력되는 모든 영상 데이터를 포함한다. 상기 영상 데이터는 의료 영상 촬영기기로부터 시간에 따라 연속하여 촬영된 동영상에서 동영상의 각 프레임을 구성하는 영상 데이터를 포함할 수 있다 예를 들어, 초음파 검사 영상 데이터, MRI 장치에 의한 영상 데이터, CT 단층 촬영 영상 데이터, X-ray 촬영 영상 데이터 등을 포함한다. 나아가, 음성 데이터를 전기 신호로 변환하여 그래프 형태의 이미지로 출력하거나 시계열 데이터를 그래프 등의 시각화된 자료로 나타낸 경우 해당 이미지 또는 자료는 상기 영상 데이터에 포함될 수 있다. 의료 데이터에 관한 전술한 예시는 일 예시에 불과할 뿐, 본 개시를 제한하지 않는다.
도 2는 본 개시의 일 실시예에 따라 의료 데이터에 대한 진단 관련 정보를 제공하기 위해 사용되는 네트워크 함수를 나타낸 개략도이다. 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.
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.
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.
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.
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.
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 노드들이 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.
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.
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.
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 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링 되어 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 라벨을 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.
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.
제 1 진단 네트워크는 예를 들어, 단일 모델 구조로 형성되어 입력 의료 데이터에 대해 적어도 하나 이상의 소견에 관한 정보를 포함하는 제 1 진단 정보를 생성할 수 있다. 제 1 진단 네트워크는 입력 의료 데이터로부터 제 1 소견 또는 제 2 소견에 관한 정보를 각각 포함하는 복수의 서로 다른 제 1 진단 정보를 출력할 수도 있다. 제 1 진단 네트워크는 입력 의료 데이터로부터 적어도 하나 이상의 특징맵(feature map)을 추출하고, 특징맵에 기초하여 특징 벡터를 연산한 후, 그러한 특징 벡터에 기초하여 적어도 하나 이상의 소견 정보를 포함하는 제 1 진단 정보를 연산할 수 있다. 제 1 진단 네트워크의 학습 방법 및 추론 방법에 대해서는 후술하여 자세히 설명한다.
제 1 진단 정보에 포함된 적어도 하나 이상의 각 소견 정보는 입력 의료 데이터에 존재하는 소견의 종류를 포함할 수 있다. 소견 정보는 소견의 존재 확률(confidence score), 소견의 위치, 소견의 영역 중 적어도 하나의 정보를 포함할 수 있다.
소견 정보에 포함된 소견의 종류는 딥 러닝 학습 방법을 통한 분류(Classification) 결과 일 수 있다. 상기 분류는 입력 의료 데이터와 소견에 대한 일대일(one to one) 분류 또는 일대다(one to many) 분류를 모두 포함한다. 일 실시예로서 상기 분류(Classification)는 입력 의료 데이터를 특정 소견으로 매칭하기 위한 일대다 분류일 수 있다. 즉, 분류될 수 있는 소견의 수가 N개 존재하는 경우, 프로세서(110)는 N개의 분류 클래스 중 어느 하나의 클래스로 분류되도록 입력 데이터를 분류할 수 있다. 상기 분류 클래스에는 소견이 없다는 의미를 갖는 클래스가 포함될 수 있다. 상기 분류의 결과에는 소견의 종류 및 소견의 존재 확률(Confidence Score)이 포함될 수 있다. 다른 실시예로서 상기 분류(Classification)는 입력 의료 데이터에 대하여 학습된 모든 종류의 소견에 관한 존재여부를 판단하는 일대일 분류일 수 있다. 즉, 프로세서(110)는 제 1 진단 네트워크를 이용하여 분류될 수 있는 소견의 수가 N개 존재하는 경우 입력 의료 데이터에 대해서 모든 소견에 대한 개별 존재 확률 또는 모든 소견에 대한 존재 여부를 연산할 수 있다. 이러한 경우 입력 의료 데이터에 대한 제 1 진단 정보는 최대 N개의 소견에 관한 정보를 포함할 수 있다. 프로세서(110)는 입력 의료 데이터에 대해 제 1 소견의 존재 확률, 제 2 소견의 존재 확률, ..., 제 N 소견의 존재 확률을 각각 연산할 수 있다. 상기 분류는 존재 확률에 따른 분류 구간을 설정하여 다차원 분류로 이루어질 수 있다. 상기 분류는 사전 결정된 임계값과 존재 확률의 비교를 통한 이진(binary) 분류일 수도 있다. 상기 분류를 위해 제 1 진단 네트워크는 여러 서브 제 1 진단 네트워크를 포함할 수 있다.
소견 정보에 포함된 소견의 위치는 딥 러닝 기반 제 1 진단 네트워크에 의한 디텍션(detection)의 결과 일 수 있다. 즉, 프로세서(110)가 입력 의료 데이터로부터 학습된 소견의 종류 중 특정 소견이 존재한다고 판단한 경우, 해당 부위를 표시할 수 있다. 상기 존재 판단은 네트워크 함수에 의해 도출되는 확률 값 및 사전 결정된 임계값에 기초하여 수행될 수 있다. 상기 해당 부위의 표시는 사전 결정된 모양의 bounding box에 의해 수행될 수 있다.
소견 정보에 포함되는 소견의 영역에 관한 정보는 딥 러닝 기반 제 1 진단 네트워크의 학습 결과, 네트워크를 통한 세그멘테이션(Segmentation)의 결과일 수 있다. 즉, 프로세서(110)가 입력 의료 데이터에서 소견 정보를 출력하는 경우, 해당 소견에 관한 병변 영역을 포함하는 픽셀을 다른 픽셀과 상이하게 표시하여 소견 정보를 출력할 수 있다.
본 개시의 일 실시예에 있어서 프로세서(110)는 제 1 진단 네트워크에서 입력 의료 데이터에 관한 특징 벡터를 연산하고, 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 1 진단 정보를 연산할 수 있다. 즉, 프로세서(110)는 제 1 진단 네트워크의 연산 과정에서 도출된 특징맵(feature map)을 기초로 특징 벡터(feature vector)를 연산하고 이에 기초하여 제 1 진단 정보를 출력할 수 있다. 상기 제 1 진단 네트워크의 연산 결과는 제 1 진단 네트워크를 통한 내부 연산 과정에서 각 레이어로부터 도출되는 입력 의료 데이터에 대한 특징맵(feature map) 및 특징 벡터(feature vector)를 포함할 수 있다.
프로세서(110)는 제 1 진단 네트워크 연산 결과로써 그 내부 연산과정에서 생성되는 특징맵(feature map)에 적어도 부분적으로 기초하여 입력 의료 데이터에 관한 특징 벡터를 연산할 수 있다. 상기 특징 벡터 생성의 기초가 되는 특징맵(feature map)은 제 1 진단 네트워크에 포함된 각 레이어로부터 출력된 적어도 하나 이상의 내부 출력 데이터 중 하나일 수 있다. 제 1 진단 네트워크에 포함된 각 레이어는 제 1 진단 네트워크 내부에 존재하는 합성곱(Convolutional) 레이어, 풀링(Pooling) 레이어, 완전연결(Fully Connected) 레이어 등을 포함한다. 전술한 레이어의 예시는 일 예시에 불과하며 의료 데이터로부터 소견 정보를 생성하기 위한 제 1 진단 네트워크 구조 내부의 모든 레이어를 제한없이 포함한다.
제 1 진단 네트워크 내부에서 마지막 레이어에 가까워질수록 입력 의료 데이터로부터 추상화가 더 많이 진행된 내부 출력 데이터가 연산 될 수 있다. 또한 마지막 레이어에 가까워질수록 내부 출력 데이터는 최종 소견 정보를 생성하는데 필요한 정보만 포함할 수 있다. 따라서 입력 의료 데이터에 관한 특징 벡터는 제 1 진단 네트워크 내부에 존재하는 적어도 하나 이상의 내부 출력 데이터 중 가장 마지막에 도출된 특징맵에 기초하여 생성될 수 있다. 입력 의료 데이터에 관한 특징 벡터 생성의 기초가 되는 특징맵은 제 1 진단 네트워크에서 입력 의료 데이터로부터 소견의 최종 분류를 위한 완전연결(Fully Connected) 레이어에 입력되는 특징맵일 수 있다. 다만, 제 1 진단 네트워크 내부에서 마지막 레이어에 가까워질수록 입력 의료 데이터로부터 데이터 손실이 일어날 수 있으므로, 입력 의료 데이터에 관한 특징 벡터는 제 1 진단 네트워크 내부에 존재하는 적어도 하나 이상의 내부 출력 데이터 중 사전 결정된 위치의 특징맵에 기초하여 생성될 수도 있다.
제 1 진단 네트워크의 연산 결과에 포함된 적어도 하나 이상의 특징맵은 사전 결정된 채널 수(C), 사전 결정된 높이(H) 및 사전 결정된 너비(W)의 크기를 갖는 배열로 표현될 수 있다. 특징맵이 배열로 표현될 경우, 추론 과정에서 최초 입력 데이터에 관해 위치 정보 등을 포함하는 주요 정보를 잃지 않을 수 있다. 이때 상기 특징맵에 기초하여 생성된 특징 벡터 또한 사전 결정된 채널 수(C'), 사전 결정된 높이(H') 및 사전 결정된 너비(W')를 갖는 배열일 수 있다. 이 때 특징 벡터의 사전 결정된 높이(H') 및 사전 결정된 너비(W')는 각각 1로써 특징 벡터의 차원은 사전 결정된 채널 수(C')의 크기와 동일할 수 있다.
프로세서(110)는 특징맵에 기초하여 특징 벡터를 생성하기 위해 플래튼(Flatten) 레이어를 사용하여 데이터 평탄화(Flatten) 작업을 수행할 수 있다. 이 때 프로세서(110)는 3차원의 배열 데이터 타입인 상기 특징맵을 인공 신경망 마지막에 존재하는 완전 연결 뉴럴 네트워크(Fully Connected Neural Network)에 입력하기 위해 특징맵 내부 원소들을 사전 결정된 순서에 따라 일렬로 나열하여 1차원 배열로 변환하는 작업을 수행할 수 있다. 즉 3차원의 데이터 자료가 1차원 데이터로 변환되게 된다. 프로세서(110)는 상기 변환된 1차원 데이터를 특징 벡터로 사용할 수 있다. 다른 실시예로서 프로세서(110)는 상기 특징맵에 기초하여 특징 벡터를 생성하기 위해 특징맵에 대하여 별도의 풀링(Pooling) 방법을 수행한 후 차원이 축소된 특징맵에 기초하여 입력 의료 데이터에 관한 특징 벡터를 생성할 수도 있다. 구체적으로 프로세서(110)는 전역 풀링(Global Pooling) 방법을 이용하여 특징맵으로부터 차원을 축소한 뒤 입력 의료 데이터에 관한 특징 벡터를 추출할 수 있다.
본 개시의 일 실시예에 따라 프로세서(110)는 제 1 진단 네트워크의 연산에 포함된 특징맵(feature map)에 전역 풀링(Global Pooling) 방법을 수행한 결과에 기초하여 적어도 하나 이상의 입력 의료 데이터에 관한 특징 벡터를 연산할 수 있다.
전역 풀링 방법은 전역 평균 풀링(Global Average Pooling) 방법, 전역 최대 풀링(Global Average Pooling) 방법을 포함한다. 전역 풀링 방법은 각 채널에 존재하는 여러 파라미터 값들로부터 채널을 대표하는 하나의 대표값을 생성하는 방법을 의미한다. 전역 평균 풀링은 하나의 채널 내에 존재하는 파라미터 값들의 평균값을 대표값으로 변환할 수 있다. 전역 최대 풀링은 하나의 채널 내에 존재하는 파라미터 값들의 최대값을 대표값으로 변환할 수 있다. 예를 들어 제 1 진단 네트워크 내부에 중간 데이터로서 존재하는 특징맵 중 가장 마지막에 도출된 특징맵의 크기가 512(C)x5(H)x5(W)인 경우, 이 특징맵에 대해 전역 풀링을 적용한 경우 도출되는 특징 벡터는 512(C')x1(H')x1(W')의 크기를 가질 수 있다. 프로세서(110)는 전역 풀링 방법을 사용하여 입력 의료 데이터에 관한 특징 벡터를 추출하고 이에 기초하여 제 1 진단 정보를 출력할 수 있다. 프로세서(110)는 전역 풀링 방법을 사용함으로써 각 특징맵으로부터 채널별로 의미 있는 값을 계산할 수 있다. 프로세서(110)는 전역 풀링 방법을 사용함으로써 3차원의 크기를 갖는 배열 형태의 특징맵을 완전연결(FC) 레이어에 연결하기 위한 데이터 평탄화(flatten) 작업을 생략할 수 있다. 프로세서(110)는 특징맵의 차원을 전역 풀링 방법을 통해 축소함으로써 제 1 진단 정보 출력을 위한 가중치(weight), 편향(bias) 등을 포함하는 파라미터 개수를 감소하고, 파라미터 저장을 위한 메모리 공간을 절약할 수 있다. 예를 들어, 특징맵의 크기가 5x5x5 인 경우, 데이터 평탄화 작업에 의해 특징 벡터를 추출하면 특징 벡터의 크기는 125가 된다. 반면, 전역 풀링 방법을 통해 특징 벡터를 생성할 경우 특징 벡터의 크기는 5가 된다. 이는 메모리 공간을 절약할 수 있을 뿐만 아니라 입력 데이터에 대한 네트워크 함수의 데이터 과적합(overfitting) 문제를 방지하는 효과를 갖는다.
본 개시의 일 실시예에 따라 프로세서(110)는 서로 다른 종류의 소견을 포함하는 제 1 진단 정보를 연산하는 상이한 둘 이상의 서브 제 1 진단 네트워크를 포함할 수 있다. 예를 들어, A 소견에 관한 서브 제 1 진단 네트워크는 A 소견이 라벨링된 학습 데이터 세트를 통해 학습되고 B 소견에 관한 서브 제 1 진단 네트워크는 B 소견이 라벨링된 학습 데이터 세트를 통해 학습될 수 있다. 각 서브 제 1 진단 네트워크는 해당하는 소견의 유무에 관한 이진 분류, 소견의 위치, 영역에 대한 분류 등을 수행할 수 있다. 각 서브 제 1 진단 네트워크가 연산할 수 있는 소견의 개수는 하나 이상이며 상한 개수에는 제한이 없다.
서브 제 1 진단 네트워크는 프로세서(110)가 제 1 진단 네트워크를 통해 입력 의료 데이터에서 확인하고자 하는 소견의 개수만큼 존재할 수 있다. 이 경우 각 서브 제 1 진단 네트워크가 연산하는 제 1 진단 정보는 각각 하나의 소견의 존재 확률을 포함할 수 있다. 다른 실시예에서 서브 제 1 진단 네트워크는 소견의 개수보다 더 적은 수로 존재할 수 있다. 이 경우 각 서브 제 1 진단 네트워크가 연산하는 제 1 진단 정보는 둘 이상의 소견에 관한 정보를 포함할 수 있다. 또한, 서브 제 1 진단 네트워크는 소견의 개수보다 더 많은 수로 존재하여 적어도 하나 이상의 서브 제 1 진단 네트워크가 앙상블(ensemble)되어 하나의 소견 정보를 포함하는 제 1 진단 정보를 생성할 수도 있다. 전술한 서브 제 1 진단 네트워크의 개수는 일 예시에 불과하며 서브 네트워크 개수에 따른 효율과 제 1 진단 정보의 정확성을 비교하여 사용자에 의해 선택될 수 있는 모든 개수를 포함한다.
제 1 진단 네트워크는 보편적 특징을 추출하거나 전처리 동작을 수행하기 위해 범용 특징 추출 네트워크를 포함할 수 있다. 범용 특징 추출 네트워크는 입력된 의료 데이터에서 특정 소견과 관계없이 존재하는 일반적 특징을 추출한 후 입력 데이터에 대해 전처리 동작을 수행할 수 있다. 범용 특징 추출 네트워크가 일반적 특징을 추출하는 전처리 동작은, 예를 들어 하나 이상의 모든 소견에 관한 서브 제 1 진단 네트워크가 입력 데이터 내에서 혈관을 포함하는 영역에 관해서만 제 1 진단 정보를 생성하는 경우 혈관을 포함하는 영역을 크롭(crop)하는 동작을 포함할 수 있다. 다른 예로써 하나 이상의 모든 소견에 관한 서브 제 1 진단 네트워크가 공통적으로 관심 없는 영역을 입력 데이터로부터 제거하는 동작 등을 포함할 수 있다. 범용 특징 추출 네트워크는 입력 의료 데이터에 존재하는 노이즈를 제거할 수도 있다. 또한, 범용 특징 추출 네트워크는 최초 입력 의료 데이터를 개별 소견에 대한 서브 제 1 진단 네트워크에 입력하기에 앞서 입력 의료 데이터를 잠재 공간에 매핑(mapping)할 수 있다. 예를 들어, RGB값을 갖는 입력 이미지 데이터의 크기가 512x512x3인 경우, 범용 특징 추출 네트워크는 선의 굵기, 선의 종류, 이미지의 질감 등을 포함하는 보편적 특징을 추출하기 위해 상기 입력 이미지 데이터를 512x512x1024의 크기를 갖는 잠재 공간 상의 다차원 배열로 매핑(mapping)할 수 있다. 프로세서(110)가 이러한 보편적 특징을 범용 특징 추출 네트워크를 통해 추출할 경우 최초 입력에 대한 동일한 작업을 각 서브 제 1 진단 네트워크가 모두 수행할 필요가 없게 되고, 개별 서브 네트워크는 각 소견에 필요한 특징 추출에 집중하여 컴퓨팅 자원을 집중하게 되므로 전체 네트워크의 성능이 증가하게 된다. 프로세서(110)는 소견 각각에 대응하는 서브 제 1 진단 네트워크들을 전술한 범용 특징 추출 네트워크에 병렬적으로 연결하여 서로 다른 하나 이상의 입력 의료 데이터에 관한 특징 벡터를 소견 별로 추출하고 각 소견 정보를 포함하는 제 1 진단 정보를 출력할 수 있다. 소견 각각에 대응하는 서브 제 1 진단 네트워크는 학습시키고자 하는 데이터에 따라 학습 데이터에 라벨링된 소견의 개수만큼 존재할 수 있다. 전술한 제 1 진단 네트워크의 구조에 관한 예시는 일 예시에 불과하며 본 개시를 제한하지 않는다. 본 개시에 있어서 제 1 진단 네트워크는 최종적으로 입력 의료 데이터에 대해 적어도 하나 이상의 소견 정보를 포함하는 제 1 진단 정보를 연산할 수 있는 모든 구조를 제한없이 포함한다.
본 개시의 일 실시예에 있어서 프로세서(110)는 제 1 진단 네트워크에서 연산된 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 입력 의료 데이터에 대해 제 2 진단 정보를 연산할 수 있다. 제 2 진단 정보는, 입력 의료 데이터에 대한 최종 진단 결과를 포함할 수 있다. 제 2 진단 정보는 입력 의료 데이터에 대한 질병의 종류, 질병의 존재 유무, 질병의 존재에 대한 확률 등을 포함할 수 있다.
본 개시의 일 실시예에 있어서 프로세서(110)는 의료 데이터에 대한 진단 관련 정보를 제공하기 위해 적어도 하나 이상의 소견 정보가 라벨링된 의료 데이터 세트(즉, 제 1 학습 데이터 세트) 및 적어도 하나 이상의 질병 정보가 라벨링된 의료 데이터 세트(즉, 제 2 학습 데이터 세트)를 획득할 수 있다. 본 개시에 있어서 의료 데이터는 병변의 위치를 확인하거나 질병의 진단을 내리는데 그 근거 또는 보조가 될 수 있는 모든 종류의 의료 데이터를 포함한다.
프로세서(110)는 컴퓨팅 장치 내부 메모리(130), 외부 메모리 또는 외부 엔티티로부터 상기 두 종류의 학습 데이터 세트를 획득할 수 있다. 프로세서(110)가 획득하는 제 1 학습 데이터 세트 및 제 2 학습 데이터 세트는 적어도 하나 이상의 동일한 의료 데이터에 대해 적어도 하나 이상의 소견 정보 및 적어도 하나 이상의 질병 정보가 라벨링된 데이터를 포함할 수 있다. 상기 적어도 하나 이상의 의료 데이터에 대해 소견 정보 및 질병 정보가 모두 라벨링된 데이터 세트로부터 학습 데이터 세트를 획득하는 경우, 프로세서(110)는 소견 정보가 라벨링된 제 1 의료 데이터를 제 1 학습 데이터 세트로 획득하고, 질병 정보가 라벨링된 제 1 의료 데이터를 제 2 학습 데이터 세트로 획득할 수 있다. 프로세서(110)는 적어도 하나 이상의 상이한 의료 데이터를 포함하는 제 1 의료 데이터 및 제 2 의료 데이터에 대해 각각 소견 정보 및 질병 정보가 라벨링된 제 1 학습 데이터 세트 및 제 2 학습 데이터 세트를 획득할 수도 있다.
본 개시에 따른 일 실시예에 있어서 프로세서(110)는 제 1 학습 데이터에 포함된 의료 데이터를 입력으로 하여 적어도 하나 이상의 소견 정보를 포함하는 제 1 진단 정보를 출력하도록 제 1 진단 네트워크를 학습시킬 수 있다. 즉, 프로세서(110)는 딥러닝 기반 제 1 진단 네트워크로 하여금 제 1 학습 데이터를 입력하여 적어도 하나 이상의 소견에 대한 소견 정보를 출력하도록 학습시킬 수 있다. 본 개시의 일 실시예의 소견 정보는 해당 학습 데이터에 대한 의학적 판단의 근거가 될 수 있는 정보를 포함할 수 있으며, 예를 들어, 해당 학습 데이터에 대한 소견의 존재 여부에 대한 정보, 소견의 존재 위치에 대한 정보 또는 소견의 영역에 대한 정보 중 적어도 하나를 포함할 수 있다.
본 개시에 따른 일 실시예에 있어서 프로세서(110)는 제 2 학습 데이터에 포함된 의료 데이터를 기 학습된 상기 제 1 진단 네트워크에 입력하여 입력 의료 데이터에 관한 특징 벡터를 연산할 수 있다. 나아가, 프로세서(110)는 상기 입력 의료 데이터에 관한 특징 벡터를 제 2 진단 모듈에 입력하여 적어도 하나 이상의 질병의 진단 확률을 포함하는 제 2 진단 정보를 출력하도록 제 2 진단 모듈에 포함된 파라미터들을 학습시킬 수 있다.
프로세서(110)는 제 2 학습 데이터에 포함된 의료 데이터를 상기 딥 러닝 기반 제 1 진단 네트워크에 입력하여 적어도 하나 이상의 소견과 관련되는 입력 의료 데이터에 관한 특징 벡터를 연산하고, 상기 연산된 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 제 2 진단 모듈을 학습시킬 수 있다. 즉, 제 2 진단 모듈의 학습 시 제 1 진단 네트워크는 이미 학습이 완료되어 내부 파라미터 및 모델이 고정된 상태로 제 2 진단 모듈의 학습에 제공될 수 있다.
이하에서는 프로세서(110)가 제 1 진단 네트워크 및 제 2 진단 모듈에 포함된 내부 파라미터들을 갱신 또는 학습시키는 방법을 수식을 통해 구체적으로 서술한다. 제 1 진단 네트워크는 수학식 1에 따라서 그 최종 출력인 제 1 진단 정보에 포함된 적어도 하나 이상의 소견의 존재 확률을 연산 할 수 있다.
[수학식 1]
Figure pat00001
Figure pat00002
Figure pat00003
는 입력 의료 데이터,
Figure pat00004
는 입력 의료 데이터에 대한 제 1 진단 네트워크의 출력인 제 1 진단 정보에 포함된 특정 소견(
Figure pat00005
)의 존재 확률을 나타낸다.
Figure pat00006
는
Figure pat00007
로 표현되는 소견 집합의 원소로서 개별 소견을 의미한다.
Figure pat00008
는 제 1 진단 네트워크에 입력된 입력 데이터로부터 연산된 입력 의료 데이터에 관한 특징 벡터를 나타낸다.
Figure pat00009
는 개별 소견 가중치 벡터를
Figure pat00010
는 개별 소견 편향값을 나타낸다.
Figure pat00011
는 활성화 함수를 나타낸다.
상기 입력 의료 데이터에 관한 특징 벡터(
Figure pat00012
)는 특정 소견(
Figure pat00013
)마다 존재할 수 있다. 상기 입력 의료 데이터에 관한 특징 벡터는 적어도 둘 이상의 소견의 존재 확률을 계산하기 위한 특징 벡터일 수 있다. 본 실시예에서는 개별 소견마다 입력 의료 데이터에 관한 특징 벡터(
Figure pat00014
)를 생성하는 것으로 가정한다. 입력 의료 데이터에 관한 특징 벡터는 임의의 자연수
Figure pat00015
차원을 갖는 실수벡터로 표현될 수 있다.
제 1 진단 네트워크는 입력 의료 데이터에 기초하여 하나 이상의 소견 정보를 포함하는 제 1 진단 정보를 생성하기 위해 각 소견마다 개별 소견 가중치 벡터(
Figure pat00016
)및 개별 소견 편향값(
Figure pat00017
)을 포함할 수 있다. 제 1 진단 네트워크는 입력 의료 데이터에 관한 특징 벡터에 개별 소견 가중치 벡터(
Figure pat00018
)를 전치(
Figure pat00019
)하여 곱한 뒤 개별 소견 편향값(
Figure pat00020
)을 더하고 이를 활성화 함수(activation function,
Figure pat00021
)에 입력하여 제 1 진단 정보에 포함된 적어도 하나 이상의 소견의 존재 확률을 계산할 수 있다. 제 1 진단 네트워크는 상기 활성화 함수에 기초한 최종 분류 함수를 포함할 수 있다. 상기 개별 소견 가중치 벡터(
Figure pat00022
)및 개별 소견 편향값(
Figure pat00023
)은 제 1 진단 네트워크가 특징 벡터로부터 특정 소견(
Figure pat00024
)의 존재 확률을 도출하기 위해 사용되는 파라미터일 수 있다. 상기 개별 소견 가중치 벡터(
Figure pat00025
) 및 개별 소견 편향값(
Figure pat00026
)은 소견마다 존재하는 고유 파라미터일 수 있다. 상기 파라미터는 학습을 통해 갱신 또는 훈련될 수 있다.
상기한 예시와 같이 프로세서(110)는 입력 의료 데이터에 기초하여 적어도 하나 이상의 소견 정보를 포함하는 제 1 진단 정보를 출력하기 위해, 제 1 진단 네트워크에 포함된 각 개별 소견 가중치 벡터(
Figure pat00027
) 및 제 1 진단 네트워크에 포함된 개별 소견 편향값(
Figure pat00028
)을 학습시킬 수 있다. 또한 그에 따른 역전파 과정에서 프로세서(110)는 입력 데이터(
Figure pat00029
)에 대해서 입력 의료 데이터에 관한 특징 벡터(
Figure pat00030
)를 연산하기 위해 제 1 진단 네트워크의 내부 파라미터를 학습, 갱신할 수 있다. 전술한 제 1 진단 네트워크의 학습 방법에 관한 예시에 있어서 활성 함수의 종류는 예시에 불과하며, 본 개시를 제한하지 않는다.
본 개시의 일 예시에 따라 프로세서(110)는 전술한 바와 같이 딥 러닝 기반 제 1 진단 네트워크를 학습한 후, 학습된 제 1 진단 네트워크에 포함된 내부 파라미터 값을 고정하고 사전 결정된
Figure pat00031
개의 질병에 대해서 제 2 진단 모듈을 학습할 수 있다. 프로세서(110)는 하나 이상의 질병에 관한 정보가 라벨링된 의료 데이터, 즉 제 2 학습 데이터 세트를 상기 딥 러닝 기반 제 1 진단 네트워크에 입력하여 적어도 하나 이상의 입력 의료 데이터에 관한 특징 벡터를 연산할 수 있다. 프로세서(110)는 상기 연산된 입력 의료 데이터에 관한 특징 벡터를 제 2 진단 모듈에 입력하여 적어도 하나 이상의 질병 정보를 포함하는 제 2 진단 정보를 획득할 수 있다. 구체적인 예시로써 제 2 진단 모듈이 제 2 진단 정보를 출력하기 위해 학습하는 목적 함수의 구체적 수식은 수학식 2와 같다.
[수학식 2]
Figure pat00032
Figure pat00033
Figure pat00034
는 입력 의료 데이터,
Figure pat00035
는 제 2 진단 모듈의 입력 의료 데이터에 대한 출력인 제 2 진단 정보에 포함된 특정 질병(
Figure pat00036
)의 진단 확률을 의미한다.
Figure pat00037
는 사전 결정된
Figure pat00038
개의 질병으로 이루어진 집합의 원소로서 개별 질병을 나타낸다.
Figure pat00039
는 적어도 하나 이상의 개별 소견을 나타낸다.
Figure pat00040
는 프로세서(110)가 입력 의료 데이터(
Figure pat00041
)를 제 1 진단 네트워크에 입력한 후, 제 1 진단 네트워크에서 연산 된 입력 의료 데이터에 관한 특징 벡터를 나타낸다. 입력 의료 데이터에 관한 특징 벡터(
Figure pat00042
)는 둘 이상의 소견의 각 존재 확률을 계산하기 위한 특징 벡터일 수 있다.
Figure pat00043
는 질병-소견 가중치 벡터를 나타낸다.
Figure pat00044
는 질병에 따른 편향값을 나타낸다.
Figure pat00045
는 활성화 함수를 나타낸다.
제 2 진단 모듈은 하나 이상의 소견과 관련되는 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 생성하기 위해 모든 질병(
Figure pat00046
)-소견(
Figure pat00047
) 쌍마다 질병(
Figure pat00048
)-소견(
Figure pat00049
) 가중치 벡터(
Figure pat00050
) 및 모든 질병 마다 질병에 따른 편향값(
Figure pat00051
)을 포함할 수 있다.
제 2 진단 모듈은 상기 입력 의료 데이터에 관한 특징 벡터(
Figure pat00052
)에 질병-소견 가중치 벡터(
Figure pat00053
)를 각 소견(
Figure pat00054
)마다 곱할 수 있다. 제 2 진단 모듈은 상기 입력 의료 데이터에 관한 특징 벡터(
Figure pat00055
)에 질병-소견 가중치 벡터(
Figure pat00056
)를 전치(
Figure pat00057
)하여 각 소견(
Figure pat00058
)에 따라 곱한 뒤 합산(∑)하고, 해당 질병에 따른 편향값(
Figure pat00059
)을 더하고 이를 활성화 함수(activation function,
Figure pat00060
)에 입력하여 제 2 진단 정보를 출력할 수 있다. 제 2 진단 모듈은 상기 활성화 함수에 기초한 최종 분류 함수를 포함할 수 있다. 제 2 진단 정보는 적어도 하나 이상의 질병(
Figure pat00061
)의 진단 확률을 포함할 수 있다. 상기 질병-소견 가중치 벡터(
Figure pat00062
) 및 질병에 따른 편향값(
Figure pat00063
)은 제 1 진단 네트워크에 의해 최초 입력 의료 데이터로부터 추출된 입력 의료 데이터에 관한 특징 벡터(
Figure pat00064
)를 제 2 진단 모듈이 다시 입력받아 최종 진단 결과를 도출하기 위해 사용되는 파라미터일 수 있다. 질병-소견 가중치 벡터(
Figure pat00065
)는 질병-소견 쌍마다 존재하는 고유의 파라미터일 수 있다. 질병에 따른 편향값(
Figure pat00066
)은 질병마다 존재하는 고유 파라미터일 수 있다. 상기 파라미터는 학습을 통해 갱신 또는 훈련될 수 있다. 프로세서(110)는 학습된 제 1 진단 네트워크를 획득하여 제 1 진단 네트워크 모델 내부 파라미터를 고정한 뒤, 최초 의료 데이터를 제 1 진단 네트워크에 입력한 후, 제 1 진단 네트워크로부터 연산되는 입력 의료 데이터에 관한 특징 벡터(
Figure pat00067
)에 기초하여 제 2 진단 모듈을 학습할 수 있다.
전술한 바와 같이 프로세서(110)가 제 2 진단 모듈을 학습할 때, 제 1 진단 네트워크를 먼저 학습시키고 기 학습된 제 1 진단 네트워크에서 입력 의료 데이터에 관한 특징 벡터를 추출하고 이에 기초하여 제 2 진단 모듈을 학습하는 본 개시에 따르면 다음과 같은 장점이 있다. 첫째, 입력 의료 데이터에 관한 특징 벡터는 차원을 갖는 배열로 표현되어 소견을 표현하는데 요구되는 병변의 위치 정보를 잃지 않는다. 다시 말해, 상기 특징 벡터는 최초 입력된 의료 데이터에 존재하는 소견 유무만 확인할 수 있을 뿐만 아니라 존재하는 소견의 위치, 소견의 영역 및 제 1 진단 네트워크가 소견을 판단한 근거 데이터 등을 내부 파라미터 값으로 유지하므로 이를 모두 제 2 진단 모듈에 제공하게 되면 단순히 소견 유무의 최종 확률을 전달하는 것보다 많은 양의 정보를 손실없이 전달할 수 있다. 따라서 제 2 진단 모듈이 질병과 소견 간의 관계를 추론하는데 있어서 양질의 입력 데이터를 제공받게 되므로 추론 성능이 향상된다. 둘째, 입력 의료 데이터에 관한 특징 벡터를 제 1 진단 네트워크 및 제 2 진단 모듈이 공유함으로써, 프로세서(110)가 제 2 진단 모듈의 출력을 통해 진단된 질병에 대한 적어도 하나 이상의 소견의 기여도를 산출할 수 있게 된다. 이는 전체 의료 진단 모델이 단순히 질병에 관하여 제 2 진단 정보만 생성하는 것이 아닌 그 질병에 관한 진단의 판단 근거를 제시할 수 있는 효과가 있다.
본 개시의 일 실시예에 있어서, 프로세서(110)는 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중 일 부분에 기초하여, 상기 입력 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력할 수 있다. 상기 상관 관계 정보는 입력 의료 데이터에 대해 연산된 제 1 진단 정보, 입력 의료 데이터에 대해 연산된 제 2 진단 정보, 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도, 상기 기여도를 시각화한 데이터, 오즈비(odds ratio), 오즈비에 관한 매트릭스(odds ratio matrix), 제 1 진단 정보 또는 제 2 진단 정보를 입력 의료 데이터에 표시한 클래스 활성화 맵(Class Activation Map) 등을 포함할 수 있다.
본 개시의 일 실시예에 있어서, 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보는, 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견 정보의 기여도를 포함할 수 있다. 프로세서(110)는 기여도를 산출함으로써, 입력 의료 데이터로부터 제 2 진단 정보에 포함된 특정 질병이 출력됨에 있어서, 개별 소견의 존재 확률을 포함하는 제 1 진단 정보가 미치는 영향을 정량화 할 수 있다. 즉, 단순히 제 2 진단 정보의 근거가 되는 제 1 진단 정보 또는 소견 정보를 제공할 뿐만 아니라 제 1 진단 정보에 포함된 하나 이상의 소견의 존재가 각각 제 2 진단 정보에 미치는 영향의 크기를 비교할 수 있도록 그 정도를 수치로써 제공할 수 있다.
프로세서(110)는 제 1 진단 네트워크에서 연산된 입력 의료 데이터에 관한 특징 벡터, 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터 또는 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터 중 적어도 어느 하나에 기초하여 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견 정보의 기여도를 산출할 수 있다. 제 1 진단 네트워크에 포함된 최종 분류 함수 또는 제 2 진단 모듈에 포함된 최종 분류 함수는 시그모이드(sigmoid) 함수, Leaky ReLU 함수 등 역함수가 존재하는 선형 분류 함수를 제한없이 포함한다. 상기 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터는 제 1 진단 네트워크에 포함된 개별 소견 가중치 벡터(
Figure pat00068
)및 개별 소견 편향값(
Figure pat00069
)을 포함할 수 있다. 상기 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터는 질병(
Figure pat00070
)-소견(
Figure pat00071
) 가중치 벡터(
Figure pat00072
) 및 질병에 따른 편향값(
Figure pat00073
)을 포함할 수 있다. 프로세서(110)는 학습된 제 1 진단 네트워크 또는 제 2 진단 모듈 내부에 존재하는 선형 분류 함수의 파라미터 값들에 적어도 일부 기초하여 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견 정보의 기여도를 산출하기 때문에, 기여도를 산출하기 위한 별도의 학습 데이터 세트 또는 별도의 네트워크 함수를 추가적으로 요구하지 않는다. 또한 본 발명이 개시하는 바와 같이 기여도를 산출하면 입력 의료 데이터로부터 제 1 진단 정보 또는 제 2 진단 정보를 출력함과 동시에 양 진단 정보의 상관 관계 정보를 알 수 있다.
이하에서는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견 정보의 기여도를 산출하는 방법에 대해 서술한다.
본 개시의 일 실시예에 따라 프로세서(110)는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견 정보의 기여도를 오즈(odds)에 기초하여 산출할 수 있다. 본 명세서에서 오즈(odds)는 수학식 3과 같은 의미로 상호 교환되어 사용될 수 있다.
[수학식 3]
Figure pat00074
상기 수학식 3에서 P는 특정 사건이 일어날 확률을 의미할 수 있다. 즉, 본 명세서에 걸쳐 오즈는 “사건이 일어날 확률과 사건이 일어나지 않을 확률의 비”를 의미할 수 있다. 예를 들어, 안과 장비를 통해 안구를 촬영한 영상 이미지에 대해 인공 신경망이 녹내장으로 판단될 확률이 80%인 경우, 녹내장이 아닐 확률이 20%이므로, 녹내장이라는 진단 정보에 대한 입력 데이터의 오즈는 0.8/(1 - 0.8) = 0.8/0.2 = 4로 표현될 수 있다.
본 개시의 일 실시예에 있어서 프로세서(110)는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를, 제 1 부분 기여도 또는 제 2 부분 기여도 중 적어도 하나에 기초하여 산출할 수 있다. 제 1 부분 기여도는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 전체 소견에 의한 영향을 나타내는 값을 의미할 수 있다. 제 2 부분 기여도는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견에 의한 영향을 나타내는 값을 의미할 수 있다.
프로세서(110)는 제 1 부분 기여도를 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 전체 소견의 오즈(odds)에 기초하여 산출할 수 있다. 본 명세서에서 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 전체 소견의 오즈(odds)는, 입력 의료 데이터에 있어서 특정 질병(
Figure pat00075
)이 존재할 오즈(odds)와 같은 의미로 사용될 수 있다. 제 1 부분 기여도는 입력된 의료 데이터에 특정 질병(
Figure pat00076
)이 존재할 확률과 존재하지 않을 확률의 비로 표현될 수 있다. 본 개시에 있어서 프로세서(110)가 제 1 부분 기여도를 산출하는 방법은 일 예시로써 아래와 같은 수학식 4에 기초할 수 있다.
[수학식 4]
Figure pat00077
이와 같이, 프로세서(110)에 의해 산출되는 제 1 부분 기여도는, 질병(
Figure pat00078
)에 관한 정보에 대한 입력 의료 데이터(
Figure pat00079
)의 오즈(
Figure pat00080
)로 표현될 수 있다. 즉, 프로세서(110)는 학습된 제 1 진단 네트워크 및 학습된 제 2 진단 모듈을 포함하는 의료 진단 모델이 출력하는, 적어도 하나의 질병(
Figure pat00081
)에 관한 존재 확률(
Figure pat00082
)을 포함하는 제 2 진단 정보에 기초하여 제 1 부분 기여도를 계산할 수 있다. 그리고 수학식 4의 마지막 등호 오른쪽 수식은, 활성 함수로 시그모이드 함수(
Figure pat00083
)를 사용할 경우에 수학식 5 및 수학식 6으로부터 유도될 수 있다.
[수학식 5]
Figure pat00084
[수학식 6]
Figure pat00085
따라서, 수학식 4 내지 수학식 6을 참조하여, 프로세서(110)는 학습된 제 1 진단 네트워크 및 학습된 제 2 진단 모듈을 포함하는 의료 진단 모델에 의료 데이터를 입력하여, 제 1 진단 네트워크에서 추출되는 적어도 하나 이상의 소견(
Figure pat00086
)과 관련되는 입력 의료 데이터에 관한 특징 벡터(
Figure pat00087
), 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터로써 질병-소견 가중치 벡터(
Figure pat00088
) 및 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터로써 질병에 따른 편향값(
Figure pat00089
) 중 적어도 하나에 기초하여 제 1 부분 기여도를 산출할 수 있다.
상기한 바와 같이 프로세서(110)는 별도의 외부 장치 또는 추가 입력 없이 입력된 의료 데이터에 대해 질병의 존재를 추론하는 동작 외에, 입력된 의료 데이터에 질병이 존재할 오즈에 기초한 제 1 부분 기여도를 산출하는 동작을 내부 파라미터 값들을 이용한 연산에 기초하여 추가적으로 수행할 수 있다.
다음으로, 프로세서(110)가 제 2 부분 기여도를 산출하는 방법을 설명한다. 제 2 부분 기여도는 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견에 의한 영향을 나타내는 값을 의미할 수 있다. 본 개시의 일 실시예에 있어서 프로세서(110)는 제 2 부분 기여도를 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈(counterfactual-odds)에 기초하여 산출할 수 있다.
본 명세서에서 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈(counterfactual-odds)는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 존재 확률에 따른 오즈(odds)와 같은 의미로 상호 교환되어 사용될 수 있다. 상기 가상 오즈는 입력 데이터로부터 특정 종류의 질병을 포함하는 제 2 진단 정보가 연산된 경우, 그러한 제 2 진단 정보의 연산에 기여한 제 1 진단 정보에 포함된 각 소견의 가상 존재 확률에 따른 오즈를 의미할 수 있다.
예를 들어, 입력 의료 데이터에 대한 제 2 진단 정보로서 당뇨성 망막병증(DR, Diabetic Retinopathy)이 진단된 경우 프로세서(110)가 진단한 그와 같은 제 2 진단 정보는, 망막 출혈(Hmr, Hemorrhage) 및 경성 삼출물(HE, Hard Exudate)을 포함하는 복수의 소견에 대한 존재 확률을 포함하는 제 1 진단 정보에 기초하였을 수 있다. 이 경우 제 2 진단 정보(당뇨성 망막병증)에 대한 제 1 진단 정보(망막 출혈, 경성 삼출물)에 포함된 하나 이상의 소견 정보의 가상 오즈는, 망막 출혈이라는 소견이 100% 존재하는 상황을 가정한 가상 오즈, 망막 출혈이라는 소견이 0% 존재하는 상황을 가정한 가상 오즈, 망막 출혈이라는 소견이 사전 결정된 p% 존재하는 상황의 가상 오즈를 포함할 수 있다. 또한 제 2 진단 정보(당뇨성 망막병증, DR)에 대한 제 1 진단 정보(망막 출혈, 경성 삼출물)에 포함된 하나 이상의 소견 정보의 가상 오즈는, 망막 출혈이라는 소견이 100% 존재하고 경성 삼출물이라는 소견이 0% 존재하는 상황의 가상 오즈를 포함할 수 있다. 즉, 본 명세서에 있어서 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈는 프로세서(110)에 의해 입력 데이터로부터 제 2 진단 정보가 연산될 때 그 기초가 되는 제 1 진단 정보에 포함된 적어도 하나 이상의 소견의 존재 확률을 가정적으로 설정하여 그에 따른 제 2 진단 정보가 도출될 오즈를 의미할 수 있다.
이하에서는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈(counterfactual-odds)를 계산하는 방법을 서술한다. 이하에서는 본 개시의 일 예시로서 제 1 진단 정보에 포함된 하나의 소견에 관한 존재 확률을 조절하고 그에 따른 가상 오즈를 계산하는 방법을 서술하나, 이는 일 예시에 불과하며 본 개시는 제 2 진단 정보에 대해 제 1 진단 정보에 포함된 복수의 소견의 존재 확률을 조절하고 그에 따른 가상 오즈를 계산하는 방법까지 제한없이 포함한다.
프로세서(110)는 상기 가상 오즈 (counterfactual-odds)를 연산하기 위해 제 1 진단 네트워크에서 연산되는 입력 의료 데이터에 관한 특징 벡터에서 특정 소견의 영향을 조절할 수 있다. 프로세서(110)는 상기 특징 벡터를 두 방향의 서로 다른 벡터로 분해하는 연산에 기초하여 입력 의료 데이터에 관한 특징 벡터에서 특정 소견의 영향을 조절할 수 있다. 프로세서(110)는 상기 특징 벡터를 개별 소견 가중치 벡터(
Figure pat00090
)와 평행한 방향의 제 1 벡터 그리고 나머지 방향의 제 2 벡터로 분해하여 입력 의료 데이터에 관한 특징 벡터에서 특정 소견의 영향을 조절할 수 있다. 상기 나머지 방향의 제 2 벡터는 개별 소견 가중치 벡터(
Figure pat00091
)와 직교하는 방향의 벡터를 포함할 수 있다. 프로세서(110)가 특징 벡터를 서로 다른 두 방향으로 분해하는 과정은 수학식 7에 기초하여 이루어질 수 있다.
[수학식 7]
Figure pat00092
수학식 7에서 첫번째 등호의 오른쪽 수식은 입력 의료 데이터에 관한 특징벡터(
Figure pat00093
)를 개별 소견 가중치 벡터(
Figure pat00094
)와 평행한 방향의 제 1 벡터(
Figure pat00095
) 및 나머지 방향의 제 2 벡터(
Figure pat00096
)로 분해한 것을 나타낸다. 상기 수학식 7에서 마지막 등호의 오른쪽 수식 첫번째 항은 전술한 수학식 1에서 활성 함수로 사용된 시그모이드 함수의 역함수(
Figure pat00097
)를 양변에 취하고 각 항을 이항함으로써 도출될 수 있다. 즉, 수학식 7에서 마지막 등호 오른쪽 수식의 첫번째 항은 특징 벡터(
Figure pat00098
)에 있어서 개별 소견 가중치 벡터(
Figure pat00099
)와 평행한 방향의 제 1 벡터를 의미할 수 있다. 이처럼 개별 소견 가중치 벡터(
Figure pat00100
)와 평행하는 제 1 벡터는 프로세서(110)가 입력 의료 데이터를 제 1 진단 네트워크에 입력한 후, 네트워크 함수에 의해 도출되는 특징 벡터 및 출력되는 제 1 진단 정보에 포함된 개별 소견의 존재 확률(
Figure pat00101
)에 기초하여 계산될 수 있다. 그리고 수학식 7에서 마지막 등호의 오른쪽 수식 두번째 항(
Figure pat00102
)은 특징 벡터에서 있어서 상기 나머지 방향의 제 2 벡터를 의미할 수 있다. 상기 제 2 벡터는 개별 소견 가중치 벡터(
Figure pat00103
)와 직교하는 성분 벡터를 의미할 수 있다. 상기 제 2 벡터는 상기 특징 벡터(
Figure pat00104
) 그리고 상기 제 1 벡터의 차이에 기초하여 계산될 수 있다.
본 개시의 일 실시예에 따라 프로세서(110)가 제 2 진단 정보에 대해 복수의 소견의 존재 확률을 조절하고 그에 따른 가상 오즈를 계산하는 경우, 프로세서(110)는 특징 벡터를 서로 다른 복수의 방향으로 분해할 수 있다. 구체적으로
Figure pat00105
,
Figure pat00106
로 표현되는 두 개의 소견의 존재 확률을 조절하고 그에 따른 가상 오즈를 계산하기 위해 프로세서(110)는 입력 의료 데이터에 관한 특징 벡터(
Figure pat00107
)를 세 방향으로 분해할 수 있다. 구체적으로, 프로세서(110)는 입력 의료 데이터에 관한 특징 벡터(
Figure pat00108
)를
Figure pat00109
과 평행한 방향의 제 3 벡터,
Figure pat00110
와 평행한 방향의 제 4 벡터 그리고 나머지 방향의 제 5 벡터로 분해할 수 있다. 상기 제 3 벡터는
Figure pat00111
와 같이 계산될 수 있고, 상기 제 4 벡터는
Figure pat00112
와 같이 계산될 수 있다. 나머지 제 5 벡터는 상기 특징 벡터(
Figure pat00113
)와 제 3 벡터 및 제 4 벡터의 차이에 의해 계산될 수 있다.
프로세서(110)는 전술한 특징 벡터의 분해 방법에 기초하여 제 1 진단 정보에 포함된 소견(
Figure pat00114
)의 존재 확률(
Figure pat00115
)을 변경함으로써 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈를 산출할 수 있다. 프로세서(110)는 제 1 진단 네트워크에서 추출된 입력 의료 데이터에 관한 특징 벡터(
Figure pat00116
)를 분해한 뒤 제 1 진단 네트워크의 출력인 제 1 진단 정보에 포함된 특정 소견의 존재 확률(
Figure pat00117
)을 다른 확률값(
Figure pat00118
)으로 치환하여 그 변경된 확률값에 따른 제 2 진단 정보의 오즈(odds)를 계산할 수 있다. 프로세서(110)는 특징 벡터 내에서 특정 소견의 영향을 제거하거나 조절할 수 있다. 예를 들어, 특정 소견(
Figure pat00119
)의 존재 확률이 0으로 치환되어 소견의 영향이 제거된 특징 벡터(
Figure pat00120
)는 수학식 8로 표현될 수 있다.
[수학식 8]
Figure pat00121
즉, 프로세서(110)는 특징 벡터를 서로 다른 두 방향으로 분해한 후 활성 함수의 역함수(
Figure pat00122
)에 입력되는 특정 소견의 존재 확률(
Figure pat00123
)을 다른 확률값(
Figure pat00124
)인 0으로 치환하는 것에 기초하여 특징 벡터로부터 특정 소견의 영향을 제거할 수 있다. 또 다른 실시예로서, 활성 함수의 역함수(
Figure pat00125
)에 입력되는 특정 소견의 존재 확률(
Figure pat00126
)을 확률값(
Figure pat00127
) 1로 치환할 경우 특정 소견이 반드시 존재하는 상황의 존재 확률에 따른 특징 벡터를 얻을 수 있다. 나아가, 활성 함수의 역함수(
Figure pat00128
)에 입력되는 특정 소견의 존재 확률(
Figure pat00129
)을 임의의 사전 결정된 확률값(
Figure pat00130
)으로 설정할 경우, 그러한 소견의 존재 확률에 따른 특징 벡터를 얻을 수 있다. 이와 같이 특징 벡터로부터 특정 소견의 영향은 프로세서(110)의 네트워크 내부 함수 및 파라미터를 이용한 연산에 의해 조절된다.
이하에서는 특정 소견의 각 존재 확률에 따른 특징 벡터로부터 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈를 계산하는 방법에 대해 서술한다.
본 명세서에 걸쳐, 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈(Counterfactual-odds)는, 입력 의료 데이터(
Figure pat00131
)에 대해 특정 질병(
Figure pat00132
)의 정보를 포함하는 제 2 진단 정보에 대한 제 1 진단 정보에 포함된 개별 소견(
Figure pat00133
)의 가상 존재 확률(
Figure pat00134
)에 따른 오즈(
Figure pat00135
)와 같은 의미로 상호 교환되어 호칭될 수 있다. 프로세서(110)는 기여도 산출의 기초가 되는 제 2 부분 기여도 산출을 위해 상기 가상 오즈를 이용할 수 있다. 개별 소견의 가상 존재 확률(
Figure pat00136
)은 0 또는 1일 수 있고, 0.5, 0.7 등 0 과 1 사이의 임의의 값일 수 있다. 프로세서(110)가 제 2 부분 기여도의 산출을 위해 기초하는 제 2 진단 정보에 포함된 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈는, 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견이 반드시 존재하는 상황의 확률(
Figure pat00137
)에 따른 오즈, 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견이 절대로 존재하지 않는 상황의 확률(
Figure pat00138
)에 따른 오즈 또는 제 2 진단 정보에 포함된 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 사전 결정된 존재 확률(
Figure pat00139
)에 따른 오즈 중 적어도 하나를 포함할 수 있다. 상기 제 1 진단 정보는 복수의 소견에 관한 가상 존재 확률을 포함할 수 있다. 특정 소견의 영향이 제거된 경우의 제 2 부분 기여도, 다시 말해, 입력 의료 데이터(
Figure pat00140
)에 대해 특정 질병(
Figure pat00141
)의 정보를 포함하는 제 2 진단 정보에 대한 제 1 진단 정보에 포함된 개별 소견(
Figure pat00142
)의 가상 존재 확률(
Figure pat00143
)에 따른 오즈(
Figure pat00144
)는 수학식 9와 같이 계산될 수 있다.
[수학식 9]
Figure pat00145
수학식 9는 전술한 수학식 4를 참조하여 설명될 수 있다. 수학식 9는 상기
Figure pat00146
항을
Figure pat00147
인 경우 각 소견에 따른 값을 순차적으로 더하다가
Figure pat00148
가 특정 소견일 경우(
Figure pat00149
)에만 그 소견의 영향이 제거(된 항(
Figure pat00150
)을 더하는 것으로 유도될 수 있다. 상기한 바와 같이 본 개시의 일 실시예에 따라 프로세서(110)가 계산하는 가상 오즈(
Figure pat00151
)는, 벡터간 연산에 의해 입력 의료 데이터(
Figure pat00152
)에서 특정 소견(
Figure pat00153
)의 영향이 제거(
Figure pat00154
)된 경우에 특정 질병(
Figure pat00155
)으로 진단될 확률과 특정 질병이 존재하지 않는 것으로 진단될 확률의 비율을 포함할 수 있다. 전술한 확률값(
Figure pat00156
)에 관한 예시는 일 예시에 불과할 뿐 가상 오즈는 개별 소견의 사전 결정된 존재 확률에 따라 계산될 수 있다.
프로세서(110)는 적어도 하나의 네트워크 함수를 포함하는 제 1 진단 네트워크 또는 제 2 진단 모듈에 기초하여 제 1 진단 정보 및 제 2 진단 정보를 출력하는 과정에서 제 1 진단 네트워크 또는 제 2 진단 모듈에 포함된 학습된 파라미터를 이용할 수 있다. 제 1 진단 네트워크 또는 제 2 진단 모듈에 포함된 파라미터는 입력 의료 데이터에 관한 벡터(
Figure pat00157
), 개별 소견 가중치 벡터(
Figure pat00158
), 개별 소견 편향값(
Figure pat00159
) 또는 질병-소견 가중치 벡터(
Figure pat00160
) 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 상기 학습된 파라미터를 활용하여 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈를 계산함으로써, 제 2 진단 정보에 대한 제 1 진단 정보에 포함된 하나 이상의 소견에 의한 영향을 정량화 할 수 있다. 이는 의료 진단 모델이 단순히 질병 유무 또는 질병 존재 확률을 제공하는 것 외에 어떠한 소견에 근거하여 인공 신경망이 그와 같은 결론에 이르렀는지 사용자로 하여금 해석을 가능하게 한다.
프로세서(110)는 제 2 진단 정보에 포함된 적어도 하나의 질병(
Figure pat00161
)에 대한 제 1 진단 정보에 포함된 하나 이상의 소견(
Figure pat00162
)의 기여도를 오즈비(odds ratio)에 기초하여 표현할 수 있다. 본 명세서에서 오즈비(odds ratio)는 교차비 또는 승산비와 동일한 의미로 사용될 수 있다. 상기 오즈비(odds ratio)는 상이한 가정 하에서 도출된 두 오즈(odds)의 비율을 의미할 수 있다. 상기 오즈비 산출의 기초가 되는 오즈는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 전체 소견의 오즈일 수 있다. 상기 오즈비 산출의 기초가 되는 오즈는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈일 수 있다.
본 명세서에서는 "특정 질병(
Figure pat00163
)에 관한 제 2 진단 정보에 대해서 제 1 진단 정보에 포함된 특정 소견(
Figure pat00164
)이 미치는 영향에 관한 오즈비"와 "가상 오즈비(counterfactual-odds-ratio,
Figure pat00165
)"가 상호 교환되어 동일한 의미로 사용될 수 있다.
본 개시에 있어서 프로세서(110)는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를 제 1 부분 기여도 그리고 제 2 부분 기여도의 비율로 나타낼 수 있다. 구체적 일 예시로서 입력 의료 데이터(
Figure pat00166
)에 특정 질병(
Figure pat00167
)이 존재한다고 진단되었고 그때 특정 소견(
Figure pat00168
)의 가상 존재 확률(
Figure pat00169
)이 0일 때와 관련한 가상 오즈비에 관한 수식은 수학식 10으로 표현될 수 있다.
[수학식 10]
Figure pat00170
상기 가상 오즈비를 나타내는 수학식 10은 특정 소견과 질병 사이에 양의 상관관계가 있을 경우 1보다 큰 값을 가질 수 있다. 구체적으로, 의료 진단 모델에 의해 입력 의료 데이터에서 질병(
Figure pat00171
)이 존재한다고 판단되었을 때, 프로세서(110)가 해당 질병이 존재한다고 진단하는데 유의미한 영향을 미치는 특정 소견(
Figure pat00172
)의 영향을 제거하는 경우, 질병이 발생할 확률이 작아지게 되고 결과적으로 가상 오즈(
Figure pat00173
)값이 작아져 가상 오즈비(
Figure pat00174
)의 분모가 작아진다. 그러므로 특정 소견(
Figure pat00175
)의 질병(
Figure pat00176
)에 대한 영향력을 의미하는 가상 오즈비(
Figure pat00177
)는 그 값이 클수록, 입력 의료 데이터(
Figure pat00178
)에 존재하는 소견(
Figure pat00179
)이 제 2 진단 모듈로 하여금 해당 질병(
Figure pat00180
)에 관한 제 2 진단 정보를 생성하는데 기여한 정도가 크다는 것을 의미할 수 있다.
프로세서(110)에 의해 연산되어 상관 관계 정보에 포함되는 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도는, 제 2 진단 정보에 포함된 하나 이상의 질병(
Figure pat00181
)에 대한 제 1 진단 정보에 포함된 하나 이상의 소견(
Figure pat00182
)의 발견 중요도(
Figure pat00183
)를 포함할 수 있다. 프로세서(110)는 상기 발견 중요도(
Figure pat00184
)를 계산하기 위해 전술한 제 2 부분 기여도에 적어도 부분적으로 기초할 수 있다. 발견 중요도(
Figure pat00185
)는 제 2 진단 정보에 포함된 하나 이상의 질병(
Figure pat00186
)에 대해 제 1 진단 정보에 포함된 특정 소견(
Figure pat00187
)이 반드시 존재하는 상황의 확률에 따른 오즈(
Figure pat00188
)에 기초하여 연산될 수 있다. 발견 중요도(
Figure pat00189
)는 제 2 진단 정보에 포함된 하나 이상의 질병(
Figure pat00190
)에 대해 제 1 진단 정보에 포함된 특정 소견(
Figure pat00191
)이 절대로 존재하지 않는 상황의 확률에 따른 오즈(
Figure pat00192
)에 기초하여 연산될 수 있다. 일 예시로, 발견 중요도는 상기 두 오즈(
Figure pat00193
,
Figure pat00194
)사이의 비율에 기초하여 계산될 수 있다. 수식은 아래의 수학식 11과 같다.
[수학식 11]
Figure pat00195
수학식 11과 같이 프로세서(110)는 제 2 부분 기여도에 기초하여 제 2 진단 정보에 포함된 하나 이상의 질병(
Figure pat00196
)에 대한 제 1 진단 정보에 포함된 하나 이상의 소견(
Figure pat00197
)의 발견 중요도(
Figure pat00198
)를 계산함으로써 입력 의료 데이터에서 해당 소견을 발견하는 것이 다른 소견과의 관계에서 질병을 진단하는데 미치는 중요성을 정량화 할 수 있다.
전술한 수식들은 본 개시에 있어서 기여도 산출 방식을 설명하기 위해 활성화 함수로써 시그모이드(Sigmoid) 함수를 사용하였다. 그러나 상기 활성 함수는 tanh 함수, Leaky ReLU 함수 등을 포함하여 역함수를 취할 수 있는 모든 활성 함수를 제한없이 포함한다. 나아가 상기 치환되는 확률값 또한 제한없이 임의의 사전 결정된 값으로 변경 및 계산될 수 있다. 즉 전술한 예시는 본 개시를 제한하지 않으며, 단순 값의 변경 또는 함수의 변경을 통해서도 본 개시가 달성하고자 하는 목적 및 효과가 달성될 수 있음은 통상의 기술자에게 자명할 것이다.
일반적으로 인공 신경망은 최초 입력 데이터에 대해 무수히 많은 노드들 간의 연산과정을 거쳐 최종 출력을 도출한다. 따라서 인공 신경망을 통해 출력을 얻을 수 있을지라도 사용자는 인공 신경망이 입력 데이터의 어떠한 정보에 근거하여 그러한 결과를 도출했는지 쉽게 알 수 없다. 반면 본 개시의 프로세서(110)는 최종적으로 출력된 제 1 진단 정보와 제 2 진단 정보 사이의 상관 관계 정보를 통해 제 1 진단 정보가 제 2 진단 정보에 미치는 영향을 정량적으로 도출할 수 있다. 이를 통해 여러 독립 변수가 관여하여 종속 변수가 결정되는 인과관계에서 독립 변수를 제어함으로써 독립 변수와 종속 변수의 상관관계를 확인할 수 있다. 그 결과 본 개시는 딥 러닝 기반 네트워크 함수의 높은 투명성(transparency) 및 신뢰도 높은 결과를 제공할 수 있다. 즉, 의료계 등을 포함하는 산업계에 있어서 인공 신경망의 최종 판단에 대한 근거의 제출 및 높은 신뢰도가 요구되는 경우 인공 신경망의 신뢰도를 정량적으로 제공할 수 있는 효과를 갖는다.
본 개시의 일 실시예에 따라 프로세서(110)는 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력할 때 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를 시각화하여 제공할 수 있다. 프로세서(110)는 입력 의료 데이터에 대한 질병의 유무 또는 질병의 존재 확률을 포함하는 제 2 진단 정보, 해당 제 2 진단 정보에 기여하는 하나 이상의 소견 정보를 포함하는 제 1 진단 정보 또는 제 1 진단 정보의 기여도 등을 값으로써 출력할 수 있다. 프로세서(110)는 사용자의 가독성을 위해 상기한 값들을 시각화하여 제공할 수 있다. 상기 시각화 동작에는 각 제 1 진단 정보의 기여도 분포를 그래프로 표현하여 소견 사이의 기여도 차이를 그래프에 따른 표현 인자 사이의 크기 차이로 나타내는 동작, 입력 데이터에 기여도가 큰 소견의 병변 영역을 표시하는 동작 또는 제 2 진단 정보에 대한 제 1 진단 정보에 포함된 소견 정보의 기여도를 그 정도에 따라 색의 진하기에 차이를 두어 2차원 매트릭스(matrix)로 표현하는 동작 등이 포함될 수 있다.
프로세서(110)가 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는데 있어서 클래스 활성화 맵(Class Activation Map)에 적어도 일부 기초하여 제 1 진단 정보를 입력 의료 데이터에 표시하여 출력할 수 있다. 프로세서(110)는 클래스 활성화 맵을 통해 의료 진단 모델의 최종 진단 결과인 제 2 진단 정보가 입력 의료 데이터의 어떤 픽셀 영역에 의해 출력된 것인지 표현할 수 있다. 프로세서(110)는 입력 의료 데이터에 관한 특징 벡터(
Figure pat00199
)에 기초하여 클래스 활성화 맵을 생성할 수 있다. 본 개시의 일 실시예에 있어서 특징 벡터(
Figure pat00200
)가 전역 평균 풀링(Global Average Pooling) 방법에 의해 추출된 경우, 프로세서(110)는 특징 벡터(
Figure pat00201
)가 전역 평균 풀링 되기 직전의 특징맵(
Figure pat00202
)에 기초하여 클래스 활성화 맵을 생성할 수 있다. 그 수식은 수학식 12와 같다.
[수학식 12]
Figure pat00203
프로세서(110)는 제 2 진단 모듈이 제 2 진단 정보를 생성하기 위해 입력 의료 데이터에 관한 특징 벡터에 대해 소견별로 곱하는 파라미터인, 질병-소견 가중치 벡터(
Figure pat00204
)에 적어도 부분적으로 기초하여 클래스 활성화 맵을 생성할 수 있다. 구체적으로, 프로세서(110)는 클래스 활성화 맵을 생성하기 위해 특징맵(
Figure pat00205
)의 각 채널에 곱해지는 가중치 값을 질병-소견 가중치 벡터(
Figure pat00206
)에 기초하여 결정할 수 있다.
본 개시의 일 예시에 따라 프로세서(110)는 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는데 있어서, 입력 의료 데이터에 관한 특징 벡터, 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터 또는 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터 중 적어도 어느 하나에 기초하여 클래스 활성화 맵(Class Activation Map)을 생성하고, 상기 클래스 활성화 맵에 기초하여 상기 제 1 진단 정보를 상기 입력 의료 데이터에 표시하여 출력할 수 있다. 프로세서(110)는 제 1 진단 네트워크의 연산 과정 중 전역 평균 풀링 방법에 의해 입력 의료 데이터에 관한 특징 벡터(
Figure pat00207
)가 추출되기 직전의 데이터인 특징맵(
Figure pat00208
)을 제 1 진단 네트워크의 연산 결과에서 획득할 수 있다. 상기 수학식 12에 나타난 바와 같이, 프로세서(110)는 제 1 진단 네트워크의 최종 분류 함수에 포함된 개별 소견 가중치 벡터(
Figure pat00209
)와 평행한 방향의 성분 벡터, 제 2 진단 모듈의 최종 분류 함수에 포함된 질병-소견 가중치 벡터(
Figure pat00210
)를, 상기 특징맵(
Figure pat00211
)에 각 채널별로 곱한 후 합산함으로써 이에 기초하여 클래스 활성화 맵을 생성할 수 있다. 상기 클래스 활성화 맵을 통해 프로세서(110)는 입력 의료 데이터에서 제 2 진단 정보의 출력에 영향을 미치는 제 1 진단 정보에 포함된 하나 이상의 소견 정보와 관련된 병변 지역을 표시할 수 있다.
이하에서는 도 3을 참조하여 설명한다. 도 3은 의료 데이터에 대한 진단 관련 정보를 제공하는 본 개시의 일 실시예에 따라 입력 의료 데이터로부터 제 1 진단 정보 및 제 2 진단 정보를 출력하기 위한 전체 모델의 학습 과정에 대한 흐름도이다. 프로세서(110)는 적어도 하나 이상의 소견 정보가 라벨링된 의료 데이터를 포함하는 제 1 학습 데이터 세트를 획득(210)할 수 있다. 상기 제 1 진단 정보는 의료 데이터에 대한 소견 유무, 소견의 위치, 소견에 대한 확률 등을 포함할 수 있다. 프로세서(110)는 제 1 학습 데이터에 포함된 의료 데이터를 입력으로 하여 적어도 하나 이상의 소견 정보를 출력하도록 제 1 진단 네트워크를 학습(230)시킬 수 있다. 프로세서(110)는 적어도 하나 이상의 질병 정보가 라벨링된 의료 데이터를 포함하는 제 2 학습 데이터 세트를 획득(250)할 수 있다. 이때 제 2 학습 데이터 세트를 획득(250)하는 단계는 제 1 진단 네트워크를 학습(230)시키는 단계와 서로 그 순서가 바뀔 수도 있다. 프로세서(110)는 제 2 학습 데이터에 포함된 의료 데이터를 제 1 진단 네트워크에 입력하여 입력 의료 데이터에 관한 특징 벡터를 연산(270)할 수 있다. 입력 의료 데이터에 관한 특징 벡터는 입력 의료 데이터에 대해 제 1 진단 네트워크가 제 1 진단 정보를 출력하기 위한 중간 연산 과정 상에 연산되는 데이터를 포함할 수 있다. 프로세서(110)는 입력 의료 데이터에 관한 특징 벡터를 입력으로 하여 적어도 하나 이상의 질병 정보를 포함하는 제 2 진단 정보를 출력하도록 제 2 진단 모듈을 학습할 수 있다. 제 2 진단 정보는 질병의 이름, 질병의 존재 유무, 질병의 근거 소견, 근거 소견의 병변 영역 등이 포함될 수 있다. 제 2 진단 모듈은 입력 의료 데이터에 관한 특징 벡터로부터 제 2 진단 정보를 산출하기 위해 네트워크 함수로 이루어질 수 있을 뿐만 아니라 결정 트리(decision tree)로 이루어질 수도 있다. 프로세서(110)는 학습된 제 1 진단 네트워크 및 학습된 제 2 진단 모듈을 포함하는 의료 진단 모델에 의료 데이터를 입력하여 출력된 하나 이상의 제 2 진단 정보에 대해 제 1 진단 정보의 기여도 산출할 수 있다.
도 4는 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 본 개시의 일 실시예에 따라 제 2 진단 모듈을 학습하기 위한 흐름도이다. 프로세서(110)는 학습이 완료된 딥 러닝 기반 제 1 진단 네트워크를 획득(281)할 수 있다. 학습이 완료되었다는 것은 상기 딥 러닝 기반 제 1 진단 네트워크 내부에 포함된 파라미터 값은 더 이상 학습 또는 갱신하지 않는다는 의미를 포함한다. 상기 딥 러닝 기반 제 1 진단 네트워크의 모델을 고정한 후 프로세서(110)는 제 2 학습 데이터에 포함된 의료 데이터를 제 1 진단 네트워크에 입력하여 적어도 하나 이상의 입력 의료 데이터에 관한 특징 벡터 연산(283)할 수 있다. 그 후 프로세서(110)는 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 의료 데이터에 대한 제 2 진단 정보를 출력하도록 제 2 진단 모듈을 학습(285)할 수 있다. 제 1 진단 네트워크의 최종 분류 결과가 아닌 제 1 진단 네트워크 내부 연산 과정 상의 특징 벡터를 바탕으로 제 2 학습 모듈이 학습된다는 것은 단순 값만 포함하는 수치보다 많은 정보를 담고 있는 벡터 형태를 제 2 학습 모듈의 학습 데이터로 제공한다는 것을 의미한다. 따라서 제 2 학습 모듈이 제 2 진단 정보와 제 1 진단 정보의 상관관계를 더욱 정확히 학습 및 추론할 수 있다.
전술한 바와 같이 프로세서(110)가 전체 의료 진단 모델에 포함된 제 1 진단 네트워크 및 제 2 진단 모듈을 단계별로 나누어 순차적으로 학습함으로써 제 2 진단 모듈은 제 1 진단 네트워크가 연산하는 사전 결정된 특정 차원을 갖는 벡터 형태의 중간 데이터를 바탕으로 학습할 수 있다. 만약 제 1 진단 네트워크와 제 2 진단 모듈을 동시에 학습한다면 제 1 진단 네트워크 및 제 2 진단 모듈의 조합은 전체로서 하나의 단일한 네트워크와 다를 바가 없게 된다. 또한 제 1 진단 네트워크와 제 2 진단 모듈을 동시에 학습하면 학습 과정에 있어서 입력 의료 데이터에 관한 특징 벡터는 계속 수정 및 갱신을 거듭하므로, 제 2 진단 모듈은 제 1 진단 네트워크로부터 연산되는 입력 의료 데이터에 관한 특징 벡터를 학습 데이터로 제공받을 수 없다. 따라서 전체를 하나의 네트워크처럼 학습할 경우에는 입력 의료 데이터에 관한 특징 벡터와 제 2 진단 정보의 관계를 학습할 수 없고 결국 제 2 진단 정보와 제 1 진단 정보 사이의 상관 관계 정보를 출력할 수 없다. 반면 본 개시는 제 1 진단 네트워크의 학습을 먼저 진행한 후, 제 1 진단 네트워크의 연산 결과를 이용해 제 2 진단 모듈을 학습함으로써 개별 소견의 특정 질병에 대한 영향을 고려한 의료 진단 모델을 학습할 수 있다. 다시 말해 특정 진단에 기여하는 소견을 정량적으로 확인할 수 있게 된다.
도 5은 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 본 개시의 일 실시예에 따라 입력 의료 데이터에 대한 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 시각화한 일 예시도이다. 도 5의 막대 그래프(510)는 제 2 진단 정보에 기여하는 제 1 진단 정보를 그 기여도 크기에 따라 표현한 그래프이다. 도 5의 실시예에서 제 2 진단 정보는 하나의 질병에 관한 정보만 포함하는 제 2 진단 정보일 수 있다. 제 1 진단 정보에 포함된 하나 이상의 소견에 관한 막대의 크기는 각 소견이 질병에 영향을 미치는 정도의 비율과 비례할 수 있다. 프로세서(110)는 각 소견의 질병에 대한 기여도 크기에 따라 전체 소견 중 기여도가 가장 큰 제 1 소견(511), 기여도가 두번째로 큰 제 2 소견(513), 기여도가 세번째로 큰 제 3 소견(515)을 선택할 수 있다.
프로세서(110)는 클래스 활성화 맵에 기초하여 하나 이상의 소견에 관한 정보를 포함하는 제 1 진단 정보를 입력 의료 데이터에 표시할 수 있다. 프로세서(110)는 원본 의료 데이터(530)에 대해 제 1 소견에 관한 병변(551)을 표시하는 제 1 의료 데이터(550), 제 2 소견에 관한 병변(571)을 표시하는 제 2 의료 데이터(570), 제 3 소견에 관한 병변(591)을 표시하는 제 3 의료 데이터(590)를 생성할 수 있다. 전술한 세 개의 소견은 전체 소견을 포함하는 제 1 진단 정보 중 프로세서(110)에 의해 연산된 기여도 크기에 따라 상위 세 개로 구성된 소견일 수 있다. 프로세서(110)에 의해 선택되는 소견의 개수는 예시에 불과하여 본 개시를 제한하지 않는다. 프로세서(110)는 특정 질병에 대한 제 1 진단 정보에 포함된 소견의 기여도 크기를 막대 그래프(510)로 출력할 수 있으므로 진단 결과의 원인을 한 눈에 사용자에게 전달할 수 있고, 또한 각 소견에 대한 병변 영역을 전술한 바와 같이 원본 의료 데이터(530)에 표시할 수 있으므로, 사용자에게 소견의 위치를 빠르게 파악할 수 있는 자료를 제공할 수 있다.
본 개시의 일 실시예에 따라 의료 데이터에 대한 진단 관련 정보를 제공하는 뉴럴 네트워크의 연산과 관련된 데이터를 저장하는 데이터 구조를 저장한 컴퓨터 판독가능한 기록 매체가 개시된다. 의료 데이터에 대한 진단 관련 정보를 제공하는 뉴럴 네트워크의 연산과 관련된 데이터는 다음과 같은 프로세서(110)의 동작에 의해 획득될 수 있다. 프로세서(110)는 적어도 하나 이상의 소견 정보가 라벨링된 의료 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 제 1 진단 네트워크를 학습한 후, 적어도 하나 이상의 질병 정보가 라벨링된 의료 데이터를 포함하는 제 2 학습 데이터 세트를 제 1 진단 네트워크에 입력으로 하여 연산된 제 2 학습 데이터 세트에 포함된 의료 데이터에 관한 특징 벡터에 적어도 부분적으로 기초하여 제 2 진단 모듈을 학습하고, 제 1 진단 네트워크의 학습 결과 및 제 2 진단 모듈의 학습 결과에 적어도 부분적으로 기초하여 제 1 학습 데이터 세트에 대한 제 1 진단 정보 세트와 제 2 학습 데이터 세트에 포함된 제 2 진단 정보 세트의 상관 관계 정보를 산출할 수 있다. 즉, 프로세서(110)는 제 1 진단 네트워크와 제 2 진단 모듈의 학습을 통해 새로운 의료 데이터에 대해 제 1 진단 정보, 제 2 진단 정보 또는 각 진단 정보의 상관 관계 정보를 추론할 수 있을 뿐만 아니라, 학습 과정에서 획득된 파라미터 값을 통해 학습 데이터 세트로부터 산출된 전체 제 2 진단 정보와 전체 제 1 진단 정보 사이의 상관관계를 시각화하여 출력할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 디스플레이부(미도시)를 더 포함할 수 있다. 상기 디스플레이부는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다. 전술한 디스플레이부의 종류는 예시에 불과할 뿐 본 개시의 컴퓨팅 장치는 디스플레이를 위한 모든 형태의 디스플레이 장치를 포함할 수 있다.
프로세서(110)는 상기 디스플레이부를 통해 입력 의료 데이터에 대한 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 표시할 수 있다. 상기 상관 관계 정보는 입력 의료 데이터에 대해 연산된 제 1 진단 정보, 입력 의료 데이터에 대해 연산된 제 2 진단 정보, 제 2 진단 정보에 대한 제 1 진단 정보의 기여도, 상기 기여도를 시각화한 데이터, 오즈비(odds ratio), 오즈비에 관한 매트릭스(odds ratio matrix), 제 1 진단 정보 또는 제 2 진단 정보를 입력 의료 데이터에 표시한 클래스 활성화 맵(Class Activation Map) 등을 포함할 수 있다.
프로세서(110)는 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 표시함에 있어서, 상관 관계 정보를 제 2 진단 정보에 대한 제 1 진단 정보의 기여도를 포함하는 오즈비 매트릭스(odds ratio matrix)로 표시할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)의 프로세서(110)는 네트워크부(150)를 통해 입력 의료 데이터에 대한 제 1 진단 정보 및 상기 입력 의료 데이터에 대한 제 2 진단 정보를 포함하는 상관 관계 정보를 사용자 단말로 전송할 수 있다. 사용자 단말은 도 1에 도시된 컴퓨팅 장치에 포함된 각 구성 중 적어도 하나를 포함할 수 있다. 사용자 단말은 네트워크부를 이용하여 외부 서버로부터 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 수신하거나 사용자 단말에 포함된 프로세서를 이용하여 전술한 방법들에 따라 의료 데이터를 입력 받고 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 생성할 수도 있다. 사용자 단말은 의료 데이터에 대한 진단 관련 정보를 표시하는 사용자 인터페이스(User Interface)를 제공할 수 있다. 사용자 단말은 출력부를 통해 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 포함하는 사용자 인터페이스를 제공할 수 있다. 사용자 단말은 도 6에 도시된 바와 같은 화면 구성을 적어도 일부 포함하는 사용자 인터페이스를 표시할 수 있다. 이하에서는 도 6를 참조하여 상관 관계 정보를 오즈비 매트릭스(odds ratio matrix)에 기초하여 표시하는 방법을 서술한다.
도 6는 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 본 개시의 일 실시예에 따라 입력 의료 데이터에 대한 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 표시하는 사용자 인터페이스에 관한 예시도이다. 프로세서(110)에 의해 학습된 네트워크 함수는 네트워크 함수에 포함된 파라미터 값에 기반하여 제 1 진단 정보와 제 2 진단 정보의 상관 관계를 표시할 수 있다. 도 6의 오즈비 매트릭스(310)에 포함된 개별 격자는 제 2 진단 정보에 포함된 적어도 하나 이상의 질병 각각에 대해 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도 크기를 개별적으로 나타낼 수 있다. 오즈비 매트릭스(310)에 포함된 개별 격자는 각 소견의 기여도 크기를 전술한 가상 오즈비(odds ratio)에 기초하여 표현할 수 있다. 상기 오즈비(odds-ratio) 표현은 절대적 크기 차이 또는 상대적 크기 차이를 구분하는 색상에 관한 표현일 수 있다. 프로세서(110)는 특정 질병에 영향을 미치는 개별 소견의 기여도를 그 기여도 크기에 따라 서로 다른 색으로 오즈비 매트릭스(310)에 표현할 수 있다. 예를 들어, 입력 의료 데이터에 대해 출력된 제 2 진단 정보에 포함된 D1이라는 질병(311)에 대하여 제 1 진단 정보에 포함된 개별 소견의 격자는 그 기여도 크기에 따라 서로 다른 색으로 표현할 수 있다. 도 6에서, 질병 D1에 대한 소견 F1(313)의 기여도는 소견 F2를 제외한 나머지 소견에 비해서 크다는 것을 D1-F1 쌍에 대한 격자(315) 내부의 색상으로 알 수 있다. 오즈비 매트릭스(310)의 세로축은 제 2 진단 정보에 포함된 적어도 하나의 질병을 포함할 수 있다. 오즈비 매트릭스(310)의 가로축은 제 1 진단 정보에 포함된 하나 이상의 소견을 포함할 수 있다. 도 6의 색상 막대(330)는 프로세서(110)가 산출한 기여도의 최소값과 최대값의 분포에 대응되는 색상을 나타낼 수 있다. 상기 색상 막대(330)의 최소값과 최대값은 전체 기여도 분포로부터 추출될 수도 있고, 임의의 값으로 사전 선택될 수도 있다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 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.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망에 입력되거나, 신경망에서 출력되는 데이터를 포함할 수 있다. 신경망에 입력되거나, 출력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체에 저장된 데이터 구조는 신경망의 추론 과정에서 입력되는 데이터, 또는 신경망의 추론 결과 출력되는 출력 데이터를 포함할 수 있다. 또한, 데이터 구조는 특정한 데이터 가공 방법에 의하여 가공되는 데이터를 포함할 수 있으므로, 가공 전 후의 데이터를 포함할 수 있다. 따라서, 데이터 구조는 가공의 대상이 되는 데이터 및 데이터 가공 방법을 통해 가공된 데이터를 포함할 수 있다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다. 본 개시가 일반적으로 컴퓨팅 장치에 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.

Claims (15)

  1. 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 의료 데이터에 대한 진단 관련 정보를 제공하는 방법으로서,
    상기 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 단계;
    상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산되는 단계; 및
    상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중 일 부분에 기초하여, 상기 입력 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는 단계;
    를 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  2. 제 1 항에 있어서,
    프로세서가 상기 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 단계는,
    상기 제 1 진단 네트워크에서 상기 입력 의료 데이터에 관한 특징 벡터를 연산하는 단계; 및
    상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 1 진단 정보를 연산하는 단계;
    를 더 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  3. 제 1 항에 있어서,
    상기 특징 벡터는,
    상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 전역 풀링(Global Pooling) 방법을 수행한 결과에 기초하여 연산되는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  4. 제 1 항에 있어서,
    상기 제 1 진단 네트워크는,
    서로 다른 종류의 소견을 포함하는 제 1 진단 정보를 연산하는 상이한 둘 이상의 서브 제 1 진단 네트워크를 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  5. 제 1 항에 있어서,
    상기 상관 관계 정보는,
    상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  6. 제 5 항에 있어서,
    상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도는,
    상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터, 상기 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터 또는 상기 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터 중 적어도 어느 하나에 기초하여 산출되는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  7. 제 5 항에 있어서,
    상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도는,
    제 1 부분 기여도 또는 제 2 부분 기여도 중 적어도 하나에 기초하여 산출되는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  8. 제 7 항에 있어서,
    상기 제 1 부분 기여도는,
    상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 전체 소견의 오즈(odds)에 기초하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  9. 제 7 항에 있어서,
    상기 제 2 부분 기여도는,
    상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 상기 제 1 진단 정보에 포함된 하나 이상의 소견의 가상 오즈(counterfactual-odds)에 기초하되,
    상기 가상 오즈는:
    제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견이 반드시 존재하는 상황의 확률에 따른 오즈;
    제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견이 절대로 존재하지 않는 상황의 확률에 따른 오즈; 및
    제 2 진단 정보에 포함된 하나의 질병에 대한 제 1 진단 정보에 포함된 하나 이상의 소견의 사전 결정된 존재 확률에 따른 오즈;
    중 적어도 하나를 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  10. 제 1 항에 있어서,
    상기 상관 관계 정보를 출력하는 단계는,
    클래스 활성화 맵(Class Activation Map)에 적어도 일부 기초하여 상기 제 1 진단 정보를 상기 입력 의료 데이터에 표시하는 단계를 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  11. 제 1 항에 있어서,
    상기 상관 관계 정보를 출력하는 단계는,
    상기 입력 의료 데이터에 관한 특징 벡터, 상기 제 1 진단 네트워크에 포함된 최종 분류 함수의 파라미터 또는 상기 제 2 진단 모듈에 포함된 최종 분류 함수의 파라미터 중 적어도 어느 하나에 기초하여 클래스 활성화 맵(Class Activation Map)을 생성하는 단계; 및
    상기 클래스 활성화 맵에 기초하여 상기 제 1 진단 정보를 상기 입력 의료 데이터에 표시하는 단계;
    를 포함하는,
    의료 데이터에 대한 진단 관련 정보를 제공하는 방법.
  12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 데이터에 대한 진단 관련 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    상기 의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하는 동작;
    상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산하는 동작; 및
    상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중 일 부분에 기초하여, 상기 입력된 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하는 동작을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  13. 프로세서; 및
    적어도 하나의 네트워크 함수가 저장되는 메모리를 포함하고,
    상기 메모리는 상기 프로세서가
    의료 데이터에 기초하여 제 1 진단 정보를 출력하도록 학습된 제 1 진단 네트워크를 이용하여, 입력 의료 데이터에 대해 제 1 진단 정보를 연산하고,
    상기 제 1 진단 네트워크에서 연산된 상기 입력 의료 데이터에 관한 특징 벡터에 기초하여 제 2 진단 정보를 출력하도록 학습된 제 2 진단 모듈을 이용하여, 상기 입력 의료 데이터에 대해 제 2 진단 정보를 연산하고, 상기 특징 벡터는 상기 제 1 진단 네트워크의 연산 결과에 포함된 특징맵(feature map)에 기초하여 연산되고, 그리고
    상기 제 1 진단 네트워크의 연산 단계 또는 제 2 진단 모듈의 연산 단계 중일 부분에 기초하여, 상기 입력 의료 데이터에 대해 연산된 상기 제 1 진단 정보 및 제 2 진단 정보를 포함하는 상관 관계 정보를 출력하기 위한 적어도 하나의 컴퓨터 실행 가능한 명령어를 저장하는,
    의료 데이터에 대한 진단 관련 정보를 제공하기 위한 장치.
  14. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 사용자 단말에 포함된 하나 이상의 프로세서에서 실행되는 경우, 의료 데이터에 대한 진단 관련 정보를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는:
    입력 의료 데이터에 대한 제 1 진단 정보 및 상기 입력 의료 데이터에 대한 제 2 진단 정보를 포함하는 상관 관계 정보;
    를 포함하고, 그리고
    상기 상관 관계 정보는 제 1 진단 네트워크를 이용한 제 1 진단 정보의 연산 과정 및 제 2 진단 모듈을 이용한 제 2 진단 정보의 연산 과정 중 일 부분에 기초하여 사용자 단말 또는 서버에서 생성되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  15. 제 14 항에 있어서,
    상기 상관 관계 정보는,
    상기 제 2 진단 정보에 포함된 적어도 하나의 질병에 대한 상기 제 1 진단 정보에 포함된 하나 이상의 소견의 기여도를 포함하는 오즈비 매트릭스(odds ratio matrix);
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
KR1020200082359A 2020-07-03 2020-07-03 진단 결과를 제공하기 위한 방법 및 장치 KR102460257B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200082359A KR102460257B1 (ko) 2020-07-03 2020-07-03 진단 결과를 제공하기 위한 방법 및 장치
PCT/KR2021/007853 WO2022005090A1 (ko) 2020-07-03 2021-06-23 진단 결과를 제공하기 위한 방법 및 장치
EP21833328.4A EP4177901A1 (en) 2020-07-03 2021-06-23 Method and apparatus for providing diagnosis result
JP2022569520A JP2023527136A (ja) 2020-07-03 2021-06-23 診断結果を提供するための方法及び装置（ｍｅｔｈｏｄ ａｎｄ ａｐｐａｒａｔｕｓ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔ）
US17/361,103 US20220005604A1 (en) 2020-07-03 2021-06-28 Method or apparatus for providing diagnostic results

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200082359A KR102460257B1 (ko) 2020-07-03 2020-07-03 진단 결과를 제공하기 위한 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220004476A true KR20220004476A (ko) 2022-01-11
KR102460257B1 KR102460257B1 (ko) 2022-10-28

Family

ID=79167828

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200082359A KR102460257B1 (ko) 2020-07-03 2020-07-03 진단 결과를 제공하기 위한 방법 및 장치

Country Status (5)

Country Link
US (1) US20220005604A1 (ko)
EP (1) EP4177901A1 (ko)
JP (1) JP2023527136A (ko)
KR (1) KR102460257B1 (ko)
WO (1) WO2022005090A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102523555B1 (ko) * 2022-05-26 2023-04-20 가천대학교 산학협력단 갈비뼈 분할 및 순서 결정 방법 및 이를 이용한 장치
WO2023239151A1 (ko) * 2022-06-07 2023-12-14 서울대학교병원 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
WO2024025326A1 (ko) * 2022-07-29 2024-02-01 주식회사 메디컬에이아이 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치
WO2024034984A1 (ko) * 2022-08-12 2024-02-15 가톨릭대학교 산학협력단 투석 중 저혈압 발생 예측 방법 및 그 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220129794A1 (en) * 2020-10-27 2022-04-28 Accenture Global Solutions Limited Generation of counterfactual explanations using artificial intelligence and machine learning techniques

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150098119A (ko) * 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법
KR20180021635A (ko) * 2016-08-22 2018-03-05 한국과학기술원 3차원 의료 영상에서 깊이 방향 재귀 학습을 이용하는 병변 특징 표현 분석 방법 및 시스템
KR20180027887A (ko) * 2016-09-07 2018-03-15 삼성전자주식회사 뉴럴 네트워크에 기초한 인식 장치 및 뉴럴 네트워크의 트레이닝 방법
KR20180076504A (ko) * 2016-12-28 2018-07-06 아주대학교산학협력단 신경망을 이용한 간 경변 예측 장치 및 방법
KR101889722B1 (ko) * 2017-02-10 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR20180138107A (ko) * 2017-06-19 2018-12-28 한국과학기술원 진단 이유 설명이 생성되는 cad 시스템 및 그 방법
KR20200020079A (ko) * 2018-08-16 2020-02-26 한국과학기술원 안저 사진에서 녹내장 진단을 위해 cam에서 추출된 roi를 중간 입력자로 사용하는 2단계 랭킹 컨볼루셔널 뉴럴 네트워크

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11200483B2 (en) * 2016-08-30 2021-12-14 Lunit Inc. Machine learning method and apparatus based on weakly supervised learning
US11328412B2 (en) * 2017-02-08 2022-05-10 Siemens Healthcare Gmbh Hierarchical learning of weights of a neural network for performing multiple analyses
EP3612981A1 (en) * 2017-04-19 2020-02-26 Siemens Healthcare GmbH Target detection in latent space
KR101939306B1 (ko) 2017-05-04 2019-01-17 주식회사 데이타게이트코리아 양식장용 수중카메라
CN113627458A (zh) * 2017-10-16 2021-11-09 因美纳有限公司 基于循环神经网络的变体致病性分类器
KR101889725B1 (ko) * 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
US11556746B1 (en) * 2018-10-26 2023-01-17 Amazon Technologies, Inc. Fast annotation of samples for machine learning model development
US10790056B1 (en) * 2019-04-16 2020-09-29 International Medical Solutions, Inc. Methods and systems for syncing medical images across one or more networks and devices

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150098119A (ko) * 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법
KR20180021635A (ko) * 2016-08-22 2018-03-05 한국과학기술원 3차원 의료 영상에서 깊이 방향 재귀 학습을 이용하는 병변 특징 표현 분석 방법 및 시스템
KR20180027887A (ko) * 2016-09-07 2018-03-15 삼성전자주식회사 뉴럴 네트워크에 기초한 인식 장치 및 뉴럴 네트워크의 트레이닝 방법
KR20180076504A (ko) * 2016-12-28 2018-07-06 아주대학교산학협력단 신경망을 이용한 간 경변 예측 장치 및 방법
KR101889722B1 (ko) * 2017-02-10 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR20180138107A (ko) * 2017-06-19 2018-12-28 한국과학기술원 진단 이유 설명이 생성되는 cad 시스템 및 그 방법
KR20200020079A (ko) * 2018-08-16 2020-02-26 한국과학기술원 안저 사진에서 녹내장 진단을 위해 cam에서 추출된 roi를 중간 입력자로 사용하는 2단계 랭킹 컨볼루셔널 뉴럴 네트워크

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jonathan G. Richens 외, Counterfactual diagnosis, arXiv, 2020.03.13., pp.1-32.* *
Stephen R. Pfohl 외, Counterfactual Reasoning for Fair Clinical Risk Prediction, arXiv, 2019.07.14., pp.1-33. *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102523555B1 (ko) * 2022-05-26 2023-04-20 가천대학교 산학협력단 갈비뼈 분할 및 순서 결정 방법 및 이를 이용한 장치
WO2023239151A1 (ko) * 2022-06-07 2023-12-14 서울대학교병원 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
WO2024025326A1 (ko) * 2022-07-29 2024-02-01 주식회사 메디컬에이아이 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치
WO2024034984A1 (ko) * 2022-08-12 2024-02-15 가톨릭대학교 산학협력단 투석 중 저혈압 발생 예측 방법 및 그 시스템

Also Published As

Publication number Publication date
JP2023527136A (ja) 2023-06-27
WO2022005090A1 (ko) 2022-01-06
US20220005604A1 (en) 2022-01-06
EP4177901A1 (en) 2023-05-10
KR102460257B1 (ko) 2022-10-28

Similar Documents

Publication Publication Date Title
KR102460257B1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
TWI814154B (zh) 基於醫學影像的疾病預測方法
KR102450409B1 (ko) 의료 영상 기반의 세그먼테이션 방법
KR102455875B1 (ko) 골 연령 판독 방법 및 장치
KR20220074442A (ko) 질병을 판정하기 위한 정보를 제공하는 방법
KR20220099409A (ko) 딥러닝 모델을 사용한 분류 방법
WO2022114600A1 (ko) 의료 영상 기반의 뇌백질 병변 탐지 방법
KR102554181B1 (ko) 골 영상으로부터 골 연령을 판독하는 방법
KR102588116B1 (ko) 엑스레이 영상에서 골절을 검출하는 방법
JP2024500470A (ja) 医療画像における病変分析方法
KR102375786B1 (ko) 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법
KR102622660B1 (ko) 의료 영상에 대한 연속 절편 검출 방법
KR102569976B1 (ko) 의료 영상 처리 방법
KR102317857B1 (ko) 병변 판독 방법
KR102653257B1 (ko) 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법
KR102454742B1 (ko) 뇌 피질 영역의 두께를 분석하는 방법
TWI836394B (zh) 醫療影像處理之方法、裝置及電腦程式
US20220237777A1 (en) Method for measuring lesion of medical image
US20240144474A1 (en) Medical-image-based lesion analysis method
KR20230126083A (ko) 의료 영상을 분석하기 위한 방법
KR20230056174A (ko) 딥러닝 기반의 의료 영상 분석 방법
KR20220124483A (ko) 질병 예측 방법
KR20220107940A (ko) 의료 영상의 병변 평가 방법
KR20220165111A (ko) 의료 영상의 분류 방법
KR20230046516A (ko) 테스트 시간 혼합 증강 기반 불확실성 추정 방법, 장치 및 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant