KR20220036290A - 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 - Google Patents
전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 Download PDFInfo
- Publication number
- KR20220036290A KR20220036290A KR1020200118663A KR20200118663A KR20220036290A KR 20220036290 A KR20220036290 A KR 20220036290A KR 1020200118663 A KR1020200118663 A KR 1020200118663A KR 20200118663 A KR20200118663 A KR 20200118663A KR 20220036290 A KR20220036290 A KR 20220036290A
- Authority
- KR
- South Korea
- Prior art keywords
- medical record
- electronic medical
- learning data
- vector
- time
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 230000001537 neural effect Effects 0.000 title 1
- 239000013598 vector Substances 0.000 claims abstract description 249
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000003190 augmentative effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000000873 masking effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000004913 activation Effects 0.000 description 14
- 230000035488 systolic blood pressure Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000035487 diastolic blood pressure Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000036387 respiratory rate Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
- G16H50/70—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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법이 개시된다. 개시된 방법은 컴퓨팅 장치가, 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 단계, 상기 컴퓨팅 장치가, 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 단계, 상기 컴퓨팅 장치가, 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 단계 및 상기 컴퓨팅 장치가, 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 포함하되, 상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함할 수 있다.
Description
전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법이 개시된다. 또한, 상기 방법을 수행하는 장치가 개시된다.
의료 분야에서 환자의 의료 이벤트를 예측하는데 전자의료기록이 사용된다. 전자의료기록은 시간의 흐름에 따른 환자의 신체 변화를 기록하는 데이터이며 의사를 포함한 의료인은 전자의료기록으로부터 환자의 병세 변화나 심정지 등의 의료 이벤트를 예측할 수 있다. 하지만, 의료 이벤트를 예측하기 위해 고려해야 할 변수가 상당히 많은 편이며 고려 대상 변수와 의료 이벤트 사이의 상관관계가 아직은 불명확한 수준이다. 또한, 의사마다 임상 경험의 정도가 달라 의사가 가지고 있는 경험에 따라 의료 이벤트의 예측 확률이 달라지고 있다.
이런 배경에서 최근 의료 분야에서도 인공신경망이 활용되고 있다. 인공 신경망을 이용하여 의료 이벤트를 예측하고자 하는 경우, 기존에 존재하는 전자의료기록을 학습데이터로 활용하여 인공 신경망을 학습시킬 수 있다. 학습된 인공 신경망은 환자의 전자의료기록을 입력받아 환자의 의료 이벤트를 예측하도록 훈련될 수 있다.
통상의 경우, 인공 신경망의 학습데이터로 유실이 없는 이상적인 전자의료기록 데이터가 활용된다. 하지만, 일반적인 병원 환경에서는 전자의료기록 데이터를 획득하는 시점 별로 전자의료기록 데이터에서 일부 활력징후 성분이 누락될 수 있다.
따라서, 실제로 인공 신경망이 의료 이벤트를 예측하는 과정에서는 일부 유실이 있는 불완전한 데이터가 입력됨에도 불구하고, 학습 단계에서는 유실이 없는 데이터를 이용하기 때문에 학습 환경이 실제 분석 환경과 다른 점이 있다. 그리고, 학습 환경과 실제 분석 환경 사이의 차이는 인공 신경망의 의료 이벤트 예측 정확도를 떨어뜨리는 문제가 있다.
본 명세서는 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망을 학습시키는 방법 및 장치를 개시한다.
본 명세서는 확률에 따라 인위적으로 학습데이터를 일부 유실시키고 유실된 값을 보정하여 학습데이터를 증강시킴으로써 일반적인 병원 환경에서 수집되는 전자의료기록을 보다 정확하게 분석할 수 있는 인공 신경망의 학습 방법 및 장치를 개시한다.
일 측면에 있어서, 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법이 개시된다.
개시된 방법은 컴퓨팅 장치가, 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 단계; 상기 컴퓨팅 장치가, 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 단계; 상기 컴퓨팅 장치가, 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 단계; 및 상기 컴퓨팅 장치가, 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 포함하되, 상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함할 수 있다.
상기 학습데이터 중 적어도 일부분을 유실시키는 단계는, 소정의 제1 확률 벡터에 기초하여 상기 전자의료기록 벡터의 획득 시점 별로 상기 활력징후 도메인을 마스킹하는 제1 마스크 벡터들을 확률적으로 결정하는 단계; 및 상기 제1 마스크 벡터들을 이용하여 상기 전자의료기록 벡터의 획득 시점 별로 상기 활력징후 도메인을 마스킹하는 단계를 포함할 수 있다.
상기 제1 마스크 벡터들에 의해 상기 활력징후 도메인에서 적어도 일부가 유실된 제1 전자의료기록 벡터보다 이전 시점에 획득된 제2 전자의료기록 벡터를 참조하여 상기 제1 전자의료기록 벡터에서 유실된 부분을 보정할 수 있다.
상기 컴퓨팅 장치는, 상기 제1 전자의료기록 벡터에서 유실된 부분에 대해 유효한 값을 가지되, 상기 제1 전자의료기록 벡터의 획득 시점에서 가장 인접한 이전 시점에 획득된 전자의료기록 벡터를 상기 제2 전자의료기록 벡터로 선택할 수 있다.
상기 학습데이터 중 적어도 일부분을 유실시키는 단계는, 소정의 제2 확률 벡터에 기초하여 상기 시간 도메인을 마스킹하는 제2 마스크 벡터를 확률적으로 결정하는 단계; 및 상기 제2 마스크 벡터를 이용하여 상기 시간 도메인을 마스킹 함으로써 상기 시간 도메인에 포함된 시점들 중 적어도 일부 시점에서 획득된 전자의료기록 벡터를 유실시키는 단계를 포함할 수 있다.
상기 컴퓨팅 장치는 상기 제2 마스크 벡터에 의해 유실된 전자의료기록 벡터의 획득시점보다 이전 시점에 획득된 전자의료기록 벡터들을 상기 시간 도메인 상에서 쉬프트(shift) 시킴으로써 전자의료기록 벡터가 유실된 시점을 보정할 수 있다.
상기 학습데이터 중 적어도 일부분을 유실시키는 단계는, 소정의 제1 확률 벡터에 기초하여 확률적으로 결정된 제1 마스크 벡터들을 이용하여 상기 전자의료기록 벡터의 획득 시점 별로 상기 활력징후 도메인을 마스킹하는 단계; 및 소정의 제2 확률 벡터에 기초하여 확률적으로 결정된 제2 마스크 벡터를 이용하여 상기 시간 도메인을 마스킹 함으로써 상기 시간 도메인에 포함된 시점들 중 적어도 일부 시점에서 획득된 전자의료기록 벡터를 유실시키는 단계를 포함할 수 있다.
상기 학습데이터를 재구성하는 단계는, 상기 제1 마스크 벡터들에 의해 상기 활력징후 도메인에서 적어도 일부가 유실된 제1 전자의료기록 벡터보다 이전 시점에 획득된 제2 전자의료기록 벡터를 참조하여 상기 제1 전자의료기록 벡터에서 유실된 부분을 보정하는 단계; 및 상기 제2 마스크에 의해 유실된 전자의료기록 벡터의 획득시점보다 이전 시점에 획득된 전자의료기록 벡터들을 상기 시간 도메인 상에서 쉬프트(shift) 시킴으로써 전자의료기록 벡터가 유실된 시점을 보정하는 단계를 포함할 수 있다.
다른 측면에 있어서, 매체에 기록된 컴퓨터 프로그램이 개시된다. 개시된 컴퓨터 프로그램은 컴퓨팅 장치로 하여금, 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 단계; 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 단계; 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 단계; 및 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 수행하되, 상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함하도록 구현된 명령어(instructions)를 포함한다.
다른 측면에 있어서 컴퓨팅 장치가 개시된다. 개시된 컴퓨팅 장치는 통신부; 및 상기 통신부와 연결된 프로세서를 포함하되, 상기 프로세서는 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 프로세스; 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 프로세스; 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 프로세스; 및 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 프로세스를 수행하되, 상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함한다.
적어도 하나의 실시예에 따르면, 컴퓨팅 장치가 확률에 기반하여 생성된 마스크 벡터를 이용하여 학습데이터의 일부분을 유실시킴으로써 데이터 유실에 대해 강인성을 가지도록 인공 신경망을 학습시킬 수 있다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치가 학습데이터의 활성징후 도메인에 대한 제1 마스크 벡터를 이용하여 학습데이터를 재구성함으로써 병원 환경에서 전자의료기록 획득 시점마다 일부 활성징후 성분이 누락될 수 있는 가능성을 학습데이터에 반영할 수 있다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치가 학습데이터의 시간 도메인에 대한 제2 마스크 벡터를 이용하여 학습데이터를 재구성함으로써 병원 환경에서 특정 시점의 전자의료기록이 누락될 수 있는 가능성을 학습데이터에 반영할 수 있다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치가 학습데이터의 재구성 과정에서 다른 시점의 전자의료기록 벡터를 참조하여 유실된 부분을 보정함으로써 실제 분석 데이터에서 유실된 부분을 같은 방식으로 보정하더라도 인공 신경망이 효과적으로 작동하도록 할 수 있다. 적어도 하나의 실시예에 따르면, 확률 벡터에 의해 다양한 마스크 벡터가 생성될 수 있으므로 컴퓨팅 장치가 용이하게 학습데이터를 다량 증강시킬 수 있다.
본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야의 통상의 기술자에게 있어서는 별개의 발명에 이르는 노력 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 개시서에서 설명하는 방법들을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 예시적인 실시예에 따른 인공 신경망의 기계 학습 방법을 나타낸 순서도이다.
도 3은 학습데이터의 스키마(schema)를 예시적으로 나타낸 개념도이다.
도 4는 도 2의 S120 단계의 수행과정을 보다 상세히 나타낸 순서도이다.
도 5는 컴퓨팅 장치가 제1 마스크 벡터들을 이용하여 학습데이터(10)의 적어도 일부분을 유실시키는 방식을 나타낸 개념도이다.
도 6은 컴퓨팅 장치가 제1 마스크 벡터들에 의해 학습데이터(10)에서 유실된 부분을 보정하는 방식을 나타낸 개념도이다.
도 7은 도 2의 S120 단계의 수행과정을 보다 상세히 나타낸 순서도이다.
도 8은 컴퓨팅 장치가 제2 마스크 벡터를 이용하여 학습데이터의 적어도 일부분을 유실시키는 방식을 나타낸 개념도이다.
도 9는 컴퓨팅 장치가 제2 마스크 벡터에 의해 학습데이터에서 유실된 부분을 보정하는 방식을 나타낸 개념도이다.
도 10은 컴퓨팅 장치가 제1 마스크 벡터 및 제2 마스크 벡터를 이용하여 학습데이터의 일부분을 유실시키는 것을 나타낸 개념도이다.
도 11은 제1 마스크 벡터 및 제2 마스크 벡터에 의해 유실된 영역을 보정하는 방식을 나타낸 개념도이다.
도 1은 본 개시서에서 설명하는 방법들을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 예시적인 실시예에 따른 인공 신경망의 기계 학습 방법을 나타낸 순서도이다.
도 3은 학습데이터의 스키마(schema)를 예시적으로 나타낸 개념도이다.
도 4는 도 2의 S120 단계의 수행과정을 보다 상세히 나타낸 순서도이다.
도 5는 컴퓨팅 장치가 제1 마스크 벡터들을 이용하여 학습데이터(10)의 적어도 일부분을 유실시키는 방식을 나타낸 개념도이다.
도 6은 컴퓨팅 장치가 제1 마스크 벡터들에 의해 학습데이터(10)에서 유실된 부분을 보정하는 방식을 나타낸 개념도이다.
도 7은 도 2의 S120 단계의 수행과정을 보다 상세히 나타낸 순서도이다.
도 8은 컴퓨팅 장치가 제2 마스크 벡터를 이용하여 학습데이터의 적어도 일부분을 유실시키는 방식을 나타낸 개념도이다.
도 9는 컴퓨팅 장치가 제2 마스크 벡터에 의해 학습데이터에서 유실된 부분을 보정하는 방식을 나타낸 개념도이다.
도 10은 컴퓨팅 장치가 제1 마스크 벡터 및 제2 마스크 벡터를 이용하여 학습데이터의 일부분을 유실시키는 것을 나타낸 개념도이다.
도 11은 제1 마스크 벡터 및 제2 마스크 벡터에 의해 유실된 영역을 보정하는 방식을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
본 개시서의 상세한 설명 및 청구항들에 걸쳐 이용된 전자의료기록은 전자적으로 저장된 환자 또는 기타 사람의 의료정보를 포함한다. 의료정보는 여러 시점들에서 측정된 환자 또는 기타 인구의 심박수, 혈압, 호흡수, 체온 등에 대한 정보를 포함할 수 있다. 본 개시서에서 전자의료기록은 EMR(electronic medical record) 뿐만 아니라 EHR(electronic health record) 등 환자 또는 기타 사람의 생체 정보를 전자적으로 저장한 데이터를 포괄적으로 의미하는 것으로 해석되어야 한다.
그리고 본 개시서의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.
그리고 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, '하나' 또는 '한'은 하나 이상의 의미로 쓰인 것이며, '또 다른'은 적어도 두 번째 이상으로 한정된다.
통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 개시서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.
더욱이 본 발명은 본 개시서에 나타난 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 개시서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 개시서에서 설명하는 방법들을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
예시적인 실시예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스와 같은 포인팅 장치(pointing device), 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.
또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다. 프로세서(120)는 이하에서 설명하는 신경망의 기능을 수행하기 위한 명령어들을 실행할 수 있다.
도 2는 예시적인 실시예에 따른 인공 신경망의 기계 학습 방법을 나타낸 순서도이다.
도 2를 참조하면, S110 단계에서 컴퓨팅 장치(100)는 학습데이터를 획득할 수 있다. 학습데이터는 전자의료기록에 기반하여 생성될 수 있다. 학습데이터는 시계열적으로 획득된 전자의료기록 벡터들을 포함할 수 있다. 즉, 학습데이터는 복수의 서로 다른 시점들에서 획득된 전자의료기록 벡터들을 포함할 수 있다. 전자의료기록 벡터들 각각은 특정 시점에서 획득된 환자 또는 기타 사람의 활성징후 성분들을 포함할 수 있다. 활성징후 성분들은 예시적으로 심박수, 수축기 혈압, 이완기 혈압, 호흡수, 체온 등을 포함할 수 있으나 실시예가 이에 제한되는 것은 아니며 병원 등에서 환자 또는 기타 사람의 생체 정보를 얻기 위해 측정하는 모든 파라미터들이 활성징후 성분들에 포함될 수 있다.
도 3은 학습데이터(10)의 스키마(schema)를 예시적으로 나타낸 개념도이다.
도 3을 참조하면, 학습데이터(10)는 복수의 시점들(t1~t10)에서 획득된 전자의료기록 벡터들(12)을 포함할 수 있다. 전자의료기록 벡터들(12) 각각은 특정 시점에서 획득된 활성징후 성분들을 포함할 수 있다. 따라서, 학습데이터(10)는 시간 도메인(D1)과 활성징후 도메인(D2)을 가질 수 있다. 시간 도메인(D1)은 전자의료기록 벡터들이 획득된 시점들(t1~t10)을 포함할 수 있다. 활성징후 도메인(D2)은 전자의료기록 벡터들(12) 각각에 포함된 활성징후 성분들(예를 들어, 심박수, 수축기 혈압, 이완기 혈압, 호흡수, 체온)을 포함할 수 있다. 예시적으로 도 3에서 나타낸 학습데이터(10)에서 t1 시점에서 획득된 심박수는 a1 값을 가지고, t2 시점에서 획득된 수축기 혈압은 b2 값을 가질 수 있다. 컴퓨팅 장치(100)는 도 3에서 나타낸 바와 같이 학습데이터(10)의 스키마에서 시간 도메인(D1)과 활성징후 도메인(D2)을 정의함으로써 후술하는 마스킹 작업을 용이하게 수행할 수 있다.
다시 도 2를 참조하면, S120 단계에서 컴퓨팅 장치(100)는 마스크 벡터를 이용하여 학습데이터 중 일부분을 유실시킬 수 있다. 마스크 벡터는 학습데이터(10)의 시간 도메인(D1) 중 적어도 일부분을 마스킹하거나 학습데이터(10)의 활성징후 도메인(D2) 중 적어도 일부분을 마스킹할 수 있다. 마스크 벡터는 학습데이터(10)의 시간 도메인(D1) 및 활성징후 도메인(D2) 각각에서 적어도 일부분을 마스킹할 수도 있다. 마스크 벡터가 마스킹하는 성분은 확률적으로 결정될 수 있다. 따라서, 마스크 벡터를 새롭게 생성할 때마다 마스크 벡터가 학습데이터(10)에서 마스킹 하는 부분이 달라질 수 있다.
도 4는 도 2의 S120 단계의 수행과정을 보다 상세히 나타낸 순서도이다.
도 4를 참조하면, S121 단계에서 컴퓨팅 장치(100)는 제1 확률 벡터에 기반하여 전자의료기록 벡터의 획득 시점 별로 확력징후 도메인을 마스킹하는 제1 마스크 벡터들을 확률적으로 결정할 수 있다. 컴퓨팅 장치(100)는 전자의료기록 벡터의 획득 시점 별로 확률 벡터에 기반하여 각 시점에 대응하는 제1 마스크 벡터를 결정할 수 있다. 제1 마스크 벡터는 제1 확률 벡터에 기반하여 확률적으로 결정될 수 있다. 따라서, 전자의료기록 벡터의 획득 시점 별로 제1 마스크 벡터가 마스킹 하는 활성징후 성분의 종류가 달라질 수 있다.
S122 단계에서 컴퓨팅 장치(100)는 전자의료기록 벡터의 획득 시점 별로 활력징후 도메인을 마스킹 할 수 있다. 컴퓨팅 장치(100)는 제1 마스크 벡터들을 이용하여 전자의료기록 벡터의 획득 시점 별로 활력징후 도메인(D2)을 마스킹할 수 있다. 컴퓨팅 장치(100)는 서로 다른 전자의료기록 벡터의 획득 시점에 대해 서로 다른 제1 마스크 벡터를 이용하여 활력징후 도메인(D2)을 마스킹할 수 있다.
도 5는 컴퓨팅 장치(100)가 제1 마스크 벡터들(22)을 이용하여 학습데이터(10)의 적어도 일부분을 유실시키는 방식을 나타낸 개념도이다.
도 5를 참조하면, 컴퓨팅 장치(100)는 제1 확률 벡터(20)를 이용하여 제1 마스크 벡터들(22)을 생성할 수 있다. 제1 확률 벡터의 크기는 학습데이터(10)의 활성징후 도메인(D2)의 크기에 대응할 수 있다. 예를 들어, 도 5에서 나타낸 바와 같이 학습데이터(10)의 활성징후 도메인(D2)이 5개의 활성징후 성분들을 포함하는 경우, 제1 확률 벡터(20)도 5개의 성분들을 포함할 수 있다.
제1 확률 벡터(20)에 포함된 성분들은 학습데이터(10)의 활성징후 도메인(D2)의 활성징후 성분들에 대응할 수 있다. 예를 들어, 제1 확률 벡터(20)의 첫 번째 성분 값은 활성징후 성분들 중 심박수 성분을 보존할 확률일 수 있다. 즉, 컴퓨팅 장치(100)는 제1 확률 벡터(20)를 이용하여 각 시점에서 전자의료기록 벡터의 심박수 성분을 30%의 확률로 유실시키도록 제1 마스크 벡터(22)를 생성해낼 수 있다. 마찬가지로 컴퓨팅 장치(100)는 제1 확률 벡터(20)를 이용하여 각 시점에서 전자의료기록 벡터의 수축기 혈압 성분을 50% 확률로 유실시키도록 제1 마스크 벡터(22)를 생성해낼 수 있다.
제1 마스크 벡터(22)의 각 성분들은 이진화된 값을 가질 수 있다. 제1 마스크 벡터(22)에서 '1' 값은 마스킹 시 해당 부분의 데이터를 보존한다는 것을 나타내고, '0'값은 마스킹 시 해당 부분의 데이터를 유실시킨다는 것을 나타낸다. 도 5에서는 이진화의 표기 방법을 '1'과 '0'으로 나타냈지만 이것은 실시예를 설명하기 위한 하나의 예시에 불과할 뿐 이진화 표기 방법은 다른 방식으로 변경될 수도 있다.
컴퓨팅 장치(100)는 제1 확률 벡터(20)를 이용하여 전자의료기록 벡터들이 획득된 시점들(t1~t10) 각각에서 활성징후 도메인(D2)을 마스킹하는 제1 마스크 벡터들(22)을 획득할 수 있다. 예를 들어, t1 시점에 획득된 전자의료기록 벡터를 마스킹하는 제1 마스크 벡터(22)는 모든 성분들이 '1' 값을 가질 수 있다. 따라서, t1 시점에 획득된 전자의료기록 벡터의 값들은 마스킹이 수행된 후에도 모두 보존될 수 있다. 반면, t2 시점에 획득된 전자의료기록 벡터를 마스킹하는 제1 마스크 벡터(22)는 세 번째 성분과 네 번째 성분이 '0'값을 가질 수 있다. 따라서, t2 시점에 획득된 전자의료기록 벡터에서 이완기 혈압과 호흡수에 대응하는 c2 값 및 d2 값은 마스킹에 의해 유실될 수 있다.
상술한 바와 같이 컴퓨팅 장치(100)가 제1 확률 벡터(20)에 기반하여 각 시점마다 확률적으로 제1 마스크 벡터(22)를 생성하기 때문에 각 시점마다 유실되는 성분의 종류가 확률적으로 변경될 수 있다. 학습데이터(10)의 유실 부분이 전자의료기록 벡터의 획득 시점마다 활성징후 도메인 상에서 확률적으로 결정되기 때문에 실제 병원 환경에서 전자의료기록 획득 시점마다 일부 활성징후 성분이 누락되는 것과 유사한 결과를 발생시킬 수 있다.
다시 도 2를 참조하면, S130 단계에서 컴퓨팅 장치(100)는 학습데이터(10)에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 유실된 부분을 보정할 수 있다. 컴퓨팅 장치(100)는 유실된 부분을 보정함으로써 학습데이터(10)를 재구성할 수 있다.
도 6은 컴퓨팅 장치(100)가 제1 마스크 벡터들(22)에 의해 학습데이터(10)에서 유실된 부분을 보정하는 방식을 나타낸 개념도이다.
도 6을 참조하면, 컴퓨팅 장치(100)는 학습데이터(10)에서 유실된 부분보다 이전 시점에 획득된 전자의료기록 벡터에 기반하여 유실된 부분을 보정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 t2 시점에서 유실된 b2 값 및 c2 값을 t2 시점보다 앞서는 t1 시점에서 획득된 전자의료기록 벡터의 b1 값 및 c1 값을 이용하여 보정할 수 있다. 컴퓨팅 장치(100)는 t1 시점의 수축기 혈압 인 b1 값을 복사하여 t2 시점의 수축기 혈압 값으로 저장할 수 있다. 마찬가지로 컴퓨팅 장치(100)는 t1 시점의 이완기 혈압인 c1 값을 복사하여 t2 시점의 이완기 혈압 값으로 저장할 수 있다.
컴퓨팅 장치(100)는 유실된 부분에 대해서 유효한 값을 가지되 유실된 부분을 포함하는 제1 전자의료기록 벡터의 획득 시점에서 가장 인접한 이전 시점에 획득된 제2 전자의료기록 벡터를 참조하여 유실된 부분을 보정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 t3 시점에서 유실된 심박수 성분에 대해 가장 인접한 t2 시점의 심박수 성분인 a2 값을 복사하여 t3 시점에서 유실된 심박수 성분을 보정할 수 있다. 또한, t3 시점에서 가장 인접한 t2 시점의 수축기 혈압 성분 또한 유실되어 있으므로 t1 시점의 수축기 혈압 성분인 b1 값을 복사하여 t3 시점에서 유실된 수축기 혈압 성분을 보정할 수 있다.
다시 도 2를 참조하면, S140 단계에서 컴퓨팅 장치(100)는 학습데이터(10)에서 유실된 부분을 보정함으로써 재구성된 학습데이터를 기존 학습데이터에 추가함으로써 학습데이터를 증강(augmentation) 시킬 수 있다. 컴퓨팅 장치(100)는 확률적으로 학습데이터를 재구성하고 증강시킴으로써 활성징후 데이터의 누락이 있을 수 있는 병원 환경에서 효과적으로 작동할 수 있는 인공 신경망을 구현할 수 있다. 또한, 컴퓨팅 장치(100)는 학습데이터의 재구성 과정에서 다른 시점의 전자의료기록 벡터를 참조하여 유실된 부분을 보정함으로써 실제 분석 데이터에서 유실된 부분을 같은 방식으로 보정하더라도 인공 신경망이 효과적으로 작동하도록 할 수 있다.
이상에서는 학습데이터의 활성징후 도메인에 대한 제1 마스크 벡터를 이용하여 학습데이터를 재구성하고 증강시키는 예시를 설명하였다. 하지만, 실시예가 이에 제한되는 것은 아니다. 학습데이터의 일부를 유실시키는 방식은 다양하게 변경될 수 있다. 일 예로 컴퓨팅 장치(100)는 학습데이터의 시간도메인에 대한 제2 마스크 벡터를 이용하여 학습데이터의 일부를 유실시킬 수도 있다.
도 7은 도 2의 S120 단계의 수행과정을 보다 상세히 나타낸 순서도이다.
도 7을 참조하면, S123 단계에서 컴퓨팅 장치(100)는 제2 확률 벡터에 기반하여 시간 도메인을 마스킹하는 제2 마스크 벡터를 확률적으로 결정할 수 있다.
S124 단계에서 컴퓨팅 장치(100)는 제2 마스크 벡터를 이용하여 학습데이터(10)의 시간 도메인에 대해 마스킹을 수행할 수 있다. 컴퓨팅 장치(100)는 시간 도메인에 포함된 시점들(t1~t10) 중 적어도 일부에서 획득된 전자의료기록 벡터를 유실시킬 수 있다.
도 8은 컴퓨팅 장치(100)가 제2 마스크 벡터를 이용하여 학습데이터(10)의 적어도 일부분을 유실시키는 방식을 나타낸 개념도이다.
도 8을 참조하면, 컴퓨팅 장치(100)는 제2 확률 벡터(30)를 이용하여 제1 마스크 벡터를 생성할 수 있다. 제2 확률 벡터의 크기는 학습데이터(10)의 시간 도메인(D1)의 크기에 대응할 수 있다. 예를 들어, 도 8에서 나타낸 바와 같이 학습데이터(10)의 시간 도메인(D1)이 10개의 시점들(t1~t10)을 포함하는 경우, 제2 확률 벡터(20)도 10개의 성분들을 포함할 수 있다.
제2 확률 벡터(30)에 포함된 성분들은 학습데이터(10)의 시간 도메인(D1)에 포함된 전자의료기록 벡터의 획득 시점들(t1~t10)에 대응할 수 있다. 예를 들어, 제2 확률 벡터(30)의 첫 번째 성분 값은 t1 시점에 획득된 전자의료기록 벡터를 보존할 확률일 수 있다. 도 8에서 나타낸 실시예에 의하면, 컴퓨팅 장치(100)는 제2 확률 벡터(30)를 이용하여 t1 시점에서 획득된 전자의료기록 벡터를 20% 확률로 유실시키고, t2 시점에서 획득된 전자의료기록 벡터를 10% 확률로 유실시키도록 제2 마스크 벡터(32)를 생성해낼 수 있다.
제2 마스크 벡터(32)는 제1 마스크 벡터(22)와 마찬가지로 이진화된 값을 가질 수 있다. 컴퓨팅 장치(100)는 제2 확률 벡터(30)를 이용하여 확률적으로 제2 마스크 벡터(32)의 성분들을 결정할 수 있다. 예를 들어, 도 8에서 나타낸 제2 마스크 벡터(32)는 첫 번째 성분의 값이 '1'이므로 제2 마스크 벡터(32)는 t1 시점에서 획득된 전자의료기록 벡터를 보존시킬 수 있다. 반면, 제2 확률 벡터(32)의 여섯 번째 성분 값이 '0'이므로 제2 마스크 벡터(32)는 t6 시점에서 획득된 전자의료기록 벡터를 유실시킬 수 있다. 제2 마스크 벡터(32)가 확률적으로 생성되기 때문에 전자의료기록 벡터가 유실되는 시점 또한 확률적으로 결정될 수 있다.
도 9는 컴퓨팅 장치(100)가 제2 마스크 벡터(32)에 의해 학습데이터(10)에서 유실된 부분을 보정하는 방식을 나타낸 개념도이다.
도 9를 참조하면, 컴퓨팅 장치(100)는 제2 마스크 벡터에 의해 유실된 전자의료기록 벡터의 획득시점보다 이전 시점에 획득된 전자의료기록 벡터들을 시간 도메인 상에서 쉬프트(shift) 시킴으로써 유실된 부분을 보정할 수 있다. 예를 들어, 제2 마스크 벡터(32)에 의해 t6 시점에 획득된 전자의료기록 벡터가 유실될 수 있다. 컴퓨팅 장치(100)는 t1 내지 t5 시점들에서 획득된 전자의료기록 벡터들을 시간 도메인 상에서 쉬프트 시킴으로써 t6 시점에 발생한 유실 영역을 보정할 수 있다. 또한, 컴퓨팅 장치(100)는 t1 내지 t7 구간 안에 존재하는 전자의료기록 벡터들을 시간 도메인 상에서 쉬프트 시킴으로써 t8 시점에 발생한 유실 영역을 보정할 수 있다.
컴퓨팅 장치(100)는 유실 영역을 보정함으로써 학습데이터(10)를 재구성할 수 있다. 컴퓨팅 장치(100)는 재구성된 학습데이터를 기존 학습데이터에 추가함으로써 학습데이터를 증강시킬 수 있다. 컴퓨팅 장치(100)는 확률적으로 특정 시점의 전자의료기록 벡터를 유실시켜 학습데이터를 재구성하고 증강시킴으로써 일부 시점에서 전자의료기록의 누락이 있을 수 있는 병원 환경에서 효과적으로 작동할 수 있는 인공 신경망을 구현할 수 있다. 또한, 컴퓨팅 장치(100)는 시간 도메인에서 이전 시점의 전자의료기록 벡터들을 쉬프트 시켜서 유실된 부분을 보정함으로써 실제 분석 데이터에서 유실된 부분을 같은 방식으로 보정하더라도 인공 신경망이 효과적으로 작동하도록 할 수 있다.
이상에서는 제1 마스크 벡터(22) 및 제2 마스크 벡터(32) 중 어느 하나를 이용하는 경우만을 설명하였지만 실시예가 이에 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치(100)는 제1 마스크 벡터(22) 및 제2 마스크 벡터(32) 모두를 이용하여 학습데이터 중 적어도 일부분을 유실시킬 수 있다.
도 10은 컴퓨팅 장치(100)가 제1 마스크 벡터(22) 및 제2 마스크 벡터(32)를 이용하여 학습데이터의 일부분을 유실시키는 것을 나타낸 개념도이다.
도 10을 참조하면, 컴퓨팅 장치(100)는 제1 마스크 벡터(22)를 이용하여 전자의료기록 벡터의 획득 시점마다 확률적으로 활성징후 도메인에 대해 마스킹을 수행하여 일부 활성징후 성분들을 유실시킬 수 있다. 컴퓨팅 장치(100)는 제2 마스크 벡터(32)를 이용하여 확률적으로 시간 도메인에 대해 마스킹을 수행하여 일부 시점들에서 획득된 전자의료기록 벡터들을 유실시킬 수 있다.
도 11은 제1 마스크 벡터(22) 및 제2 마스크 벡터(32)에 의해 유실된 영역을 보정하는 방식을 나타낸 개념도이다.
도 11을 참조하면, 컴퓨팅 장치(100)는 제1 마스크 벡터(22)들에 의해 유실된 영역보다 이전 시점에 획득된 전자의료기록 벡터의 활성징후 성분을 복사하여 유실된 영역을 보정할 수 있다. 컴퓨팅 장치(100)는 제2 마스크 벡터(32)에 의해 유실된 시점보다 앞선 시점들의 전자의료기록 벡터들을 시간 도메인 상에서 쉬프트 시킴으로써 유실된 부분을 보정할 수 있다. 컴퓨팅 장치(100)는 재구성된 학습데이터를 이용하여 학습데이터를 증강시킬 수 있다. 컴퓨팅 장치(100)는 증강된 학습데이터를 이용하여 인공 신경망을 학습시킬 수 있다.
이상 도 1 내지 도 11을 참조하여 예시적인 실시예들에 따른 인공 신경망의 학습 방법 및 장치에 관하여 설명하였다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치(100)가 확률에 기반하여 생성된 마스크 벡터를 이용하여 학습데이터의 일부분을 유실시킴으로써 데이터 유실에 대해 강인성을 가지도록 인공 신경망을 학습시킬 수 있다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치(100)가 학습데이터의 활성징후 도메인에 대한 제1 마스크 벡터를 이용하여 학습데이터를 재구성함으로써 병원 환경에서 전자의료기록 획득 시점마다 일부 활성징후 성분이 누락될 수 있는 가능성을 학습데이터에 반영할 수 있다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치(100)가 학습데이터의 시간 도메인에 대한 제2 마스크 벡터를 이용하여 학습데이터를 재구성함으로써 병원 환경에서 특정 시점의 전자의료기록이 누락될 수 있는 가능성을 학습데이터에 반영할 수 있다. 적어도 하나의 실시예에 따르면, 컴퓨팅 장치(100)가 학습데이터의 재구성 과정에서 다른 시점의 전자의료기록 벡터를 참조하여 유실된 부분을 보정함으로써 실제 분석 데이터에서 유실된 부분을 같은 방식으로 보정하더라도 인공 신경망이 효과적으로 작동하도록 할 수 있다. 적어도 하나의 실시예에 따르면, 확률 벡터에 의해 다양한 마스크 벡터가 생성될 수 있으므로 컴퓨팅 장치가 용이하게 학습데이터를 다량 증강시킬 수 있다.
위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 개시서에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기 하드웨어 장치는 본 개시서에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 개시서에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.
Claims (10)
- 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법에 있어서,
컴퓨팅 장치가, 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 단계;
상기 컴퓨팅 장치가, 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 단계;
상기 컴퓨팅 장치가, 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 단계; 및
상기 컴퓨팅 장치가, 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 포함하되,
상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함하는 기계학습 방법. - 제 1 항에 있어서,
상기 학습데이터 중 적어도 일부분을 유실시키는 단계는,
소정의 제1 확률 벡터에 기초하여 상기 전자의료기록 벡터의 획득 시점 별로 상기 활력징후 도메인을 마스킹하는 제1 마스크 벡터들을 확률적으로 결정하는 단계;
상기 제1 마스크 벡터들을 이용하여 상기 전자의료기록 벡터의 획득 시점 별로 상기 활력징후 도메인을 마스킹하는 단계를 포함하는 기계학습 방법. - 제 2 항에 있어서,
상기 제1 마스크 벡터들에 의해 상기 활력징후 도메인에서 적어도 일부가 유실된 제1 전자의료기록 벡터보다 이전 시점에 획득된 제2 전자의료기록 벡터를 참조하여 상기 제1 전자의료기록 벡터에서 유실된 부분을 보정하는 기계학습 방법. - 제 3 항에 있어서,
상기 컴퓨팅 장치는, 상기 제1 전자의료기록 벡터에서 유실된 부분에 대해 유효한 값을 가지되, 상기 제1 전자의료기록 벡터의 획득 시점에서 가장 인접한 이전 시점에 획득된 전자의료기록 벡터를 상기 제2 전자의료기록 벡터로 선택하는 기계학습 방법. - 제 1 항에 있어서,
상기 학습데이터 중 적어도 일부분을 유실시키는 단계는,
소정의 제2 확률 벡터에 기초하여 상기 시간 도메인을 마스킹하는 제2 마스크 벡터를 확률적으로 결정하는 단계;
상기 제2 마스크 벡터를 이용하여 상기 시간 도메인을 마스킹 함으로써 상기 시간 도메인에 포함된 시점들 중 적어도 일부 시점에서 획득된 전자의료기록 벡터를 유실시키는 단계를 포함하는 기계학습 방법. - 제 5 항에 있어서,
상기 제2 마스크 벡터에 의해 유실된 전자의료기록 벡터의 획득시점보다 이전 시점에 획득된 전자의료기록 벡터들을 상기 시간 도메인 상에서 쉬프트(shift) 시킴으로써 전자의료기록 벡터가 유실된 시점을 보정하는 기계학습 방법. - 제 1 항에 있어서,
상기 학습데이터 중 적어도 일부분을 유실시키는 단계는,
소정의 제1 확률 벡터에 기초하여 확률적으로 결정된 제1 마스크 벡터들을 이용하여 상기 전자의료기록 벡터의 획득 시점 별로 상기 활력징후 도메인을 마스킹하는 단계;
소정의 제2 확률 벡터에 기초하여 확률적으로 결정된 제2 마스크 벡터를 이용하여 상기 시간 도메인을 마스킹 함으로써 상기 시간 도메인에 포함된 시점들 중 적어도 일부 시점에서 획득된 전자의료기록 벡터를 유실시키는 단계를 포함하는 기계학습 방법. - 제 7 항에 있어서,
상기 학습데이터를 재구성하는 단계는,
상기 제1 마스크 벡터들에 의해 상기 활력징후 도메인에서 적어도 일부가 유실된 제1 전자의료기록 벡터보다 이전 시점에 획득된 제2 전자의료기록 벡터를 참조하여 상기 제1 전자의료기록 벡터에서 유실된 부분을 보정하는 단계; 및
상기 제2 마스크에 의해 유실된 전자의료기록 벡터의 획득시점보다 이전 시점에 획득된 전자의료기록 벡터들을 상기 시간 도메인 상에서 쉬프트(shift) 시킴으로써 전자의료기록 벡터가 유실된 시점을 보정하는 단계를 포함하는 기계학습 방법. - 컴퓨팅 장치로 하여금, 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 단계; 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 단계; 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 단계; 및 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 수행하되, 상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함하도록 구현된 명령어(instructions)를 포함하는, 매체에 기록된 컴퓨터 프로그램.
- 컴퓨팅 장치에 있어서,
통신부; 및
상기 통신부와 연결된 프로세서를 포함하되,
상기 프로세서는 시계열적으로 획득된 전자의료기록 벡터들을 포함하는 학습데이터를 획득하는 프로세스; 확률적으로 결정된 마스크 벡터를 이용하여 상기 학습데이터 중 적어도 일부분을 유실시키는 프로세스; 상기 학습데이터에서 유실된 부분과 다른 시점에 획득된 전자의료기록 벡터에 기반하여 상기 유실된 부분을 보정함으로써 상기 학습데이터를 재구성하는 프로세스; 및 재구성된 학습데이터를 추가하여 학습데이터를 증강시키고 증강된 학습데이터를 이용하여 상기 인공 신경망을 학습시키는 프로세스를 수행하되, 상기 학습데이터는 시간 도메인 및 활력징후 도메인을 가지며, 상기 시간 도메인은 상기 전자의료기록 벡터가 획득된 시점들을 포함하고, 상기 활력징후 도메인은 상기 전자의료기록 벡터에 포함된 활력징후 성분들을 포함하는 컴퓨팅 장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200118663A KR102415806B1 (ko) | 2020-09-15 | 2020-09-15 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
| PCT/KR2021/012113 WO2022059989A1 (ko) | 2020-09-15 | 2021-09-07 | 미리 학습된 인공 신경망을 이용하여 전자의료기록으로부터 의료 이벤트를 예측하는 방법 및 이를 위한 장치 |
| US17/474,059 US20220084681A1 (en) | 2020-09-15 | 2021-09-14 | Method and apparatus for predicting medical event from electronic medical record using pre_trained artficial neural network |
| KR1020220074294A KR102601544B1 (ko) | 2020-09-15 | 2022-06-17 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200118663A KR102415806B1 (ko) | 2020-09-15 | 2020-09-15 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220074294A Division KR102601544B1 (ko) | 2020-09-15 | 2022-06-17 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220036290A true KR20220036290A (ko) | 2022-03-22 |
| KR102415806B1 KR102415806B1 (ko) | 2022-07-05 |
Family
ID=80627021
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200118663A KR102415806B1 (ko) | 2020-09-15 | 2020-09-15 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
| KR1020220074294A KR102601544B1 (ko) | 2020-09-15 | 2022-06-17 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220074294A KR102601544B1 (ko) | 2020-09-15 | 2022-06-17 | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220084681A1 (ko) |
| KR (2) | KR102415806B1 (ko) |
| WO (1) | WO2022059989A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230149228A (ko) * | 2022-04-19 | 2023-10-26 | 주식회사 에이아이트릭스 | 전자 건강 기록 데이터 분석 장치 및 방법 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114792097B (zh) * | 2022-05-14 | 2022-12-06 | 北京百度网讯科技有限公司 | 预训练模型提示向量的确定方法、装置及电子设备 |
| KR102652325B1 (ko) * | 2023-10-26 | 2024-03-28 | (주)씨어스테크놀로지 | 가우시안 프로세스 회귀 분석을 이용한 심정지 예측 장치 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006320488A (ja) * | 2005-05-18 | 2006-11-30 | Toshiba Corp | 医用画像処理装置及び情報保護システム |
| US20180253531A1 (en) * | 2017-03-01 | 2018-09-06 | Siemens Healthcare Gmbh | Coronary computed tomography clinical decision support system |
| US20180315182A1 (en) * | 2017-04-28 | 2018-11-01 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| US20190336033A1 (en) * | 2017-11-24 | 2019-11-07 | Canon Medical Systems Corporation | Medical data processing apparatus, magnetic resonance imaging apparatus, and learned model generating method |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7539533B2 (en) * | 2006-05-16 | 2009-05-26 | Bao Tran | Mesh network monitoring appliance |
| US9361076B1 (en) * | 2012-06-29 | 2016-06-07 | Emc Corporation | Method and system for enabling legacy patients clinical documents for open sharing |
| US9380374B2 (en) * | 2014-01-17 | 2016-06-28 | Okappi, Inc. | Hearing assistance systems configured to detect and provide protection to the user from harmful conditions |
| EP3892198B1 (en) * | 2014-11-14 | 2024-03-06 | ZOLL Medical Corporation | Medical premonitory event estimation |
| US11172892B2 (en) * | 2017-01-04 | 2021-11-16 | Hill-Rom Services, Inc. | Patient support apparatus having vital signs monitoring and alerting |
| KR102190299B1 (ko) * | 2017-02-02 | 2020-12-11 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 위암의 예후 예측 방법, 장치 및 프로그램 |
| EP3634204A4 (en) * | 2017-07-28 | 2021-01-20 | Google LLC | SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS |
| KR102250164B1 (ko) * | 2018-09-05 | 2021-05-10 | 에이아이메딕(주) | 기계 학습 및 영상 처리 알고리즘을 이용하여 의료 영상의 혈관들을 자동으로 영역화하는 방법 및 시스템 |
| KR102210806B1 (ko) * | 2018-10-02 | 2021-02-01 | 한림대학교 산학협력단 | 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법 |
| KR20200029425A (ko) * | 2020-03-11 | 2020-03-18 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
-
2020
- 2020-09-15 KR KR1020200118663A patent/KR102415806B1/ko active IP Right Grant
-
2021
- 2021-09-07 WO PCT/KR2021/012113 patent/WO2022059989A1/ko active Application Filing
- 2021-09-14 US US17/474,059 patent/US20220084681A1/en active Pending
-
2022
- 2022-06-17 KR KR1020220074294A patent/KR102601544B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006320488A (ja) * | 2005-05-18 | 2006-11-30 | Toshiba Corp | 医用画像処理装置及び情報保護システム |
| US20180253531A1 (en) * | 2017-03-01 | 2018-09-06 | Siemens Healthcare Gmbh | Coronary computed tomography clinical decision support system |
| US20180315182A1 (en) * | 2017-04-28 | 2018-11-01 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| US20190336033A1 (en) * | 2017-11-24 | 2019-11-07 | Canon Medical Systems Corporation | Medical data processing apparatus, magnetic resonance imaging apparatus, and learned model generating method |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230149228A (ko) * | 2022-04-19 | 2023-10-26 | 주식회사 에이아이트릭스 | 전자 건강 기록 데이터 분석 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102601544B1 (ko) | 2023-11-14 |
| KR102415806B1 (ko) | 2022-07-05 |
| US20220084681A1 (en) | 2022-03-17 |
| WO2022059989A1 (ko) | 2022-03-24 |
| KR20220092470A (ko) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102601544B1 (ko) | 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법 | |
| Pandarinath et al. | Inferring single-trial neural population dynamics using sequential auto-encoders | |
| Rahimi et al. | Efficient biosignal processing using hyperdimensional computing: Network templates for combined learning and classification of exg signals | |
| Fields et al. | Having your cake and eating it too: Flexibility and power with mass univariate statistics for ERP data | |
| Wiecki et al. | HDDM: Hierarchical Bayesian estimation of the drift-diffusion model in Python | |
| Milekovic et al. | Detection of error related neuronal responses recorded by electrocorticography in humans during continuous movements | |
| KR101841222B1 (ko) | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 | |
| Field et al. | A primer on using multilevel models in clinical and experimental psychopathology research | |
| KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
| Martin | Making valid causal inferences from observational data | |
| Hamil et al. | Design of a secured telehealth system based on multiple biosignals diagnosis and classification for IoT application | |
| Fainzilberg | New approaches to the analysis and interpretation of the shape of cyclic signals | |
| Sivakumar et al. | Joint angle estimation with wavelet neural networks | |
| Groppe | Combating the scientific decline effect with confidence (intervals) | |
| KR20190062174A (ko) | 뇌-컴퓨터 인터페이스 기반 뇌신호 분류 결과 제공 장치 및 방법 | |
| Charitos et al. | How often should we monitor for reliable detection of atrial fibrillation recurrence? Efficiency considerations and implications for study design | |
| Brugués et al. | Processing diabetes mellitus composite events in MAGPIE | |
| Pal et al. | Statistical outlier curation kernel software (socks): A modern, efficient outlier detection and curation suite | |
| Kumaresan et al. | Analysis of mobility based COVID-19 epidemic model using Federated Multitask Learning | |
| KR102182807B1 (ko) | 순환 신경망과 가우시안 프로세스를 이용한 복합 모델 장치 및 그 동작 방법 | |
| Cai et al. | Detecting data manipulation attacks on physiological sensor measurements in wearable medical systems | |
| KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
| KR20210094973A (ko) | 피검체의 중증도 정보 또는 긴급도 정보를 제공하는 방법 및 이를 이용한 장치 | |
| Abbas et al. | High-level modeling for computer-aided clinical trials of medical devices | |
| Steward et al. | Risk‐adjusted Monitoring of Healthcare Quality: Model Selection and Change‐point Estimation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |