KR20220040516A - 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템 - Google Patents

심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템 Download PDF

Info

Publication number
KR20220040516A
KR20220040516A KR1020200121948A KR20200121948A KR20220040516A KR 20220040516 A KR20220040516 A KR 20220040516A KR 1020200121948 A KR1020200121948 A KR 1020200121948A KR 20200121948 A KR20200121948 A KR 20200121948A KR 20220040516 A KR20220040516 A KR 20220040516A
Authority
KR
South Korea
Prior art keywords
electrocardiogram
coronary artery
artery disease
deep learning
data
Prior art date
Application number
KR1020200121948A
Other languages
English (en)
Inventor
권준명
Original Assignee
주식회사 바디프랜드
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 바디프랜드 filed Critical 주식회사 바디프랜드
Priority to KR1020200121948A priority Critical patent/KR20220040516A/ko
Publication of KR20220040516A publication Critical patent/KR20220040516A/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/282—Holders for multiple electrodes
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은, 피검진자의 신체로부터 심전도 데이터를 측정하여 전송하는 심전도 데이터 측정부(110), 관상동맥질환 및 관상동맥질환과 매핑되는 심전도 데이터의 학습 데이터 세트 및 검증 데이터 세트를 사용하여 구축되어, 특징점을 추출하고 시멘틱 분석하여 심전도 데이터에 따른 관상동맥질환 가능성을 도출하는, 딥러닝 예측 모델부(120), 심전도 데이터 측정부(110)로부터 전송된 심전도 데이터를 입력받아 딥러닝 예측 모델부(120)로 제공하는 입력부(130), 및 딥러닝 예측 모델부(120)에 의해, 심전도 데이터에 따른 관상동맥질환 가능성을 출력하는 출력부(140)를 포함하여, 심전도 데이터로 관상동맥질환을 진단할 수 있는, 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템을 개시한다.

Description

심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템{SYSTEM FOR PREDICTING CORONARY ARTERY DISEASE BY USING ELECTROCARDIOGRAM BASED ON DEEP LEARNING}
본 발명은 심전도 데이터로 관상동맥질환을 예측하여 건강상태가 악화되어 관상동맥질환 가능성이 높아지는 피검진자를 조기에 식별할 수 있는, 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템에 관한 것이다.
관상동맥질환인 심근경색은 심장혈관(관상동맥)이 혈전, 연축 등의 원인에 의해 갑자기 막혀서 심장 근육이 손상되는 질환으로서, 가슴 통증이나 심근경색을 암시하는 다른 증상들과 함께 응급병동에 입원하는 경우에, 심근경색의 신속한 식별은 효과적인 의료 관리의 시작과 사망률 방지에 중요하다.
한편, 임상 증세 외에도 심전도와 심장 트로포닌(troponins) 측정 등이 현재 진단 초석으로, 심장 트로포닌은 심근경색 진단에 중요한 바이오 마커(biomarkers)이지만 실험실 테스트는 침습적이어서 혈액 채취와 검사의 수행을 위해 훈련된 의료진과 생화학 시약을 사용한 혈액학 분석기 등 전문 장비, 비용, 인프라가 필요하므로 심장 트로포닌에 대해서 원격 의료 모니터링으로는 진단을 수행할 수 없다.
한편, ST 분절은 급성 심막염(acute pericarditis), 좌심실비대(left ventricular hypertrophy), 좌방실다발갈래차단(left bundle-branch block), Brugada 증후군(Brugada syndrome), 조기 재분극(early repolarizations)과 같은 다른 조건에서 관찰될 수 있기 때문에, 심전도 자체만으로는 종래의 심전도 기계에 의한 규칙 기반 자동 심전도 판독을 통해, 심근경색을 진단하기에 심근경색 검출에 대한 신뢰도가 낮아 심전도만으로는 심근경색를 진단할 수 없는 한계가 있다.
이에, 딥러닝에 기반하여, 12유도 심전도 데이터뿐만 아니라 일부 심전도 데이터로 관상동맥질환을 예측하여 건강상태가 악화되어 관상동맥질환 가능성이 높아지는 피검진자를 조기에 식별할 수 있는 기술이 요구된다.
한국 등록특허공보 제10-2142841호 (AI 기반 심전도 판독 시스템, 2020.08.10) 한국 등록특허공보 제10-2008196호 (심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법, 2019.08.07)
본 발명의 사상이 이루고자 하는 기술적 과제는, 심전도 데이터로 관상동맥질환을 예측하여 건강상태가 악화되어 관상동맥질환 가능성이 높아지는 피검진자를 조기에 식별할 수 있는, 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 피검진자의 신체로부터 심전도 데이터를 측정하여 전송하는 심전도 데이터 측정부; 관상동맥질환 및 관상동맥질환과 매핑되는 심전도 데이터의 학습 데이터 세트 및 검증 데이터 세트를 사용하여 구축되어, 특징점을 추출하고 시멘틱 분석하여 심전도 데이터에 따른 관상동맥질환 가능성을 도출하는, 딥러닝 예측 모델부; 상기 심전도 데이터 측정부로부터 전송된 심전도 데이터를 입력받아 상기 딥러닝 예측 모델부로 제공하는 입력부; 및 상기 딥러닝 예측 모델부에 의해, 심전도 데이터에 따른 관상동맥질환 가능성을 출력하는 출력부;를 포함하는, 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템을 제공한다.
여기서, 상기 심전도 데이터 측정부는 표준 12유도 심전도, 사지 6유도 심전도 또는 흉부 6유도 심전도를 측정하는 의료기관의 심전도 기기, 휴대용 웨어러블 측정기기 또는 휴대용 패드 측정기기일 수 있다.
또한, 상기 딥러닝 예측 모델부는, 상기 입력부로부터 입력되는 상기 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 STEMI의 특징점을 추출하는 특징점 추출 모듈과, 특징점에 따른 특정기간 내 관상동맥질환 가능성을 분류하는 분류 모듈을 포함하는, 컨벌루션 신경망 모델일 수 있다.
또는, 상기 딥러닝 예측 모델부는, 상기 사지 6유도 심전도 데이터를 흉부 6유도 심전도 데이터로 재구성하는 VAE 모듈과, 상기 입력부로부터 입력되는 상기 사지 6유도 심전도 데이터 및 상기 VAE 모듈에 의한 상기 흉부 6유도 심전도 데이터로 이루어진, 상기 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 STEMI의 특징점을 추출하는 특징점 추출 모듈과, 특징점에 따른 특정기간 내 관상동맥질환 가능성을 분류하는 분류 모듈을 포함하는, 컨벌루션 신경망 모델일 수 있다.
또한, 상기 특징점 추출 모듈은 6개의 제1 추출 블록 및 1개의 제2 추출 블록으로 이루어지고, 상기 제1 추출 블록은, 2회 반복 구성된 2개의 컨벌루션 레이어와 2개의 배치 정규화 레이어와, 맥스 풀링 레이어와, 드롭아웃 레이어로 구성되고, 상기 제2 추출 블록은, 3회 반복 구성된 3개의 컨벌루션 레이어와 3개의 배치 정규화 레이어와, 맥스 풀링 레이어로 구성되고, 상기 분류 모듈은, 상기 제2 추출 블록의 맥스 풀링 레이어에 연결되어 2차원 흉부 6유도 심전도 데이터를 1차원 흉부 6유도 심전도 데이터로 변환하는 플래튼 레이어와, 상기 플래튼 레이어에 연결된 FC레이어와, 상기 FC레이어에 연결되고 시그모이드 활성화 함수에 의해 상기 관상동맥질환 가능성에 해당하는 확률을 출력하는 단일 출력 노드로 구성될 수 있다.
또한, 상기 FC레이어는 피검진자의 연령과 성별과 신체의 역학정보를 입력하는 역학정보 입력 모듈과 연결될 수 있다.
또한, 상기 입력부는, 상기 심전도 데이터를 기 설정된 길이로 분할하며, 노이즈를 제거하고, 정규화하고, 재정렬하는 전처리 모듈을 포함할 수 있다.
또한, 상기 입력부와 상기 딥러닝 예측 모델부와 상기 출력부는, 상기 휴대용 웨어러블 측정기기 또는 상기 휴대용 패드 측정기기로부터 전송되는 사지 6유도 심전도 데이터 또는 흉부 6유도 심전도 데이터에 따른 관상동맥질환 가능성을 원격 모니터링하는 원격 모니터링 장치에 구비될 수 있다.
또한, 상기 원격 모니터링 장치는 관상동맥질환 가능성이 기준값을 초과하면 피검진자의 단말기로 알림 정보를 전송할 수 있다.
또한, 상기 딥러닝 예측 모델부는 심근경색 가능성을 도출할 수 있다.
또한, 상기 특징점 추출 모듈은 상기 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 심근경색에 매칭되는 QRS파 또는 T파의 특징점을 추출할 수 있다.
본 발명에 의하면, 심전도 데이터로 관상동맥질환을 예측하여 건강상태가 악화되어 관상동맥질환 가능성이 높아지는 피검진자를 조기에 식별할 수 있고, 표준 12유도 심전도뿐만 아니라 일부 심전도 데이터, 즉 휴대용 심전도 측정기기로부터 전송되는 비침습적인 사지 6유도 심전도 데이터를 흉부 6유도 심전도 데이터로 재구성하여 장소 및 시간 제약없이 건강상태에 대한 평가를 받고 악화되는 것을 미연에 방지하며 합병증을 줄일 수 있고, 시공간적 제약없이 피검진자의 심전도를 상시 원격 모니터링하여 병원 내외부의 환자들을 관리하고 위험 예측시에 신속하게 대처하도록 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템의 개략적인 구성도를 도시한 것이다.
도 2는 도 1의 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템의 딥러닝 예측 모델부를 예시한 것이다.
도 3은 도 2의 딥러닝 예측 모델부의 특징점 추출 모듈과 분류 모듈과 역학정보 입력 모듈을 분리 예시한 것이다.
도 4는 도 2의 VAE 모듈에 의한 심전도 재구성을 예시한 것이다.
도 5는 도 2의 딥러닝 예측 모델부에 의한 MI 감지를 위한 DLA 민감도를 예시한 것이다.
도 6 및 도 7은 도 2의 딥러닝 예측 모델부의 성능을 예시한 것이다.
도 8은 심전도 전위벡터와 ST 분절과 STEMI 패턴을 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템은, 피검진자의 신체로부터 심전도 데이터를 측정하여 전송하는 심전도 데이터 측정부(110), 관상동맥질환 및 관상동맥질환과 매핑되는 심전도 데이터의 학습 데이터 세트 및 검증 데이터 세트를 사용하여 구축되어, 특징점을 추출하고 시멘틱 분석하여 심전도 데이터에 따른 관상동맥질환 가능성을 도출하는, 딥러닝 예측 모델부(120), 심전도 데이터 측정부(110)로부터 전송된 심전도 데이터를 입력받아 딥러닝 예측 모델부(120)로 제공하는 입력부(130), 및 딥러닝 예측 모델부(120)에 의해, 심전도 데이터에 따른 관상동맥질환 가능성을 출력하는 출력부(140)를 포함하여, 심전도 데이터로 관상동맥질환을 진단하는 것을 요지로 한다.
이하, 도 1 내지 도 8을 참조하여, 전술한 구성의 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템을 구체적으로 상술하면 다음과 같다.
우선, 심전도 데이터 측정부(110)는 피검진자의 신체로부터 심전도 데이터를 측정하여 딥러닝 예측 모델부(120)로 전송한다.
여기서, 심전도 데이터 측정부(110)는 표준 12유도 심전도, 사지 6유도 심전도 또는 흉부(precordial) 6유도 심전도를 측정하는 의료기관의 심전도 기기(미도시), 휴대용 웨어러블 측정기기(111) 또는 휴대용 패드 측정기기(112)일 수 있다.
예컨대, 도 8의 (a)를 참조하면, 심전도 데이터 측정부(110)는 aVL, Ⅰ, aVR, Ⅱ, VF, Ⅲ, V1, V2, V3, V4, V5, V6의 표준 12유도 심전도, 피검진자의 사지와 접촉하여 측정되는 aVL, Ⅰ, aVR, Ⅱ, VF, Ⅲ의 사지 6유도 심전도, 또는 V1, V2, V3, V4, V5, V6의 흉부 6유도 심전도 데이터를 딥러닝 예측 모델부(120)로 무선 전송할 수 있는 의료기관의 심전도 기기, 휴대용 웨어러블 측정기기(111) 또는 휴대용 패드 측정기기(112)일 수 있다.
다음, 딥러닝 예측 모델부(120)는, 관상동맥질환 및 관상동맥질환과 매핑되는 심전도 데이터의 학습 데이터 세트(training data set) 및 검증 데이터 세트(validation data set)를 사용하여 구축되어, 관상동맥질환의 특징점을 추출하고 시멘틱 분석하여 심전도 데이터에 따른 관상동맥질환 가능성을 도출한다.
도 8의 (b) 및 (c)를 참고하면, 특히 딥러닝 예측 모델부(120)는 MI(Myocardial Infarction ; 심근경색)의 특징점인 STEMI(ST Elevation Myocardial Infarction ; ST 분절 상승 심근경색)를 추출할 수 있다.
한편, 관상동맥질환은 심장에 혈액을 공급하는 관상동맥에 지방 침착물이 쌓임으로써 혈관이 좁아지고 딱딱해져 혈액 공급이 제대로 되지 않아 심장이 제 기능을 발휘하지 못하는 질환으로서, 가슴 통증을 유발할 수도 있으며, 심한 경우 산소 부족으로 심근경색을 일으킬 수 있는데, 관상동맥이 막혀 심장의 앞쪽 부분에 괴사가 오면 심장의 앞쪽 방향에서 전위를 측정하는 V1, V2, V3의 유도 심전도에 ST 분절이 상승하는 특징적인 변화가 발생하므로, 딥러닝 예측 모델부(120)는 STEMI의 심전도 패턴을 해석하여 관상동맥질환, 특히 심근경색을 예측하고자 한다.
여기서, 검증 데이터 세트는 학습 데이터 세트와 동일한 피검진자 집단으로부터 일정 비율로 추출된 내부 검증 데이터와, 학습 데이터 세트와 상이한 피검진자 집단으로부터 추출된 외부 검증 데이터로 구성되어서, 외부 검증 데이터를 통해 과적합(overfitting) 문제를 해결하여 모델의 정확도를 검증하도록 할 수 있고, 동일한 피검진자 집단으로부터 학습 데이터 세트와 내부 검증 데이터는 80%와 20%의 비율로 분리될 수 있다.
한편, 표준 12유도 심전도 데이터를 이용하는 경우에, 도 2의 (A)를 참조하면, 딥러닝 예측 모델부(120)는 컨벌루션 신경망(CNN ; Convolutional Neural Networks) 모델로서, 입력부(130)로부터 입력되는 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 STEMI의 특징점을 추출하는 특징점 추출 모듈(121)과, 특징점에 따른 특정기간 내 관상동맥질환 가능성을 분류하는 분류 모듈(122)을 포함하여, 2D 심전도 이미지로부터 심근경색에 상응하는 STEMI의 특징점을 추출하고, 심근경색 가능성에 해당하는 확률을 도출할 수 있다.
또는, 일부 표준 12유도 심전도 데이터를 이용하는 경우에, 딥러닝 예측 모델부(120)는 컨벌루션 신경망 모델로서, 도 2의 (B,C)를 참조하면, 사지 6유도 심전도 데이터를 흉부 6유도 심전도 데이터로 재구성하는 VAE(Variational AutoEncoder) 모듈(123)과, 입력부(130)로부터 입력되는 사지 6유도 심전도 데이터 및 VAE 모듈(123)에 의한 흉부 6유도 심전도 데이터로 이루어진, 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 STEMI의 특징점을 추출하는 특징점 추출 모듈(121)과, 특징점에 따른 특정기간 내 관상동맥질환 가능성을 분류하는 분류 모듈(122)을 포함하여, 재구성한 2D 심전도 이미지로부터 심근경색에 상응하는 STEMI의 특징점을 추출하고, 심근경색 가능성에 해당하는 확률을 도출할 수 있다.
전체적으로, 딥러닝 예측 모델부(120)는, 심전도 데이터로부터 시공간적 시멘틱 특징점을 추출하는 적어도 하나 이상의 제1신경망층(Neural Network 1)과, 심전도 데이터 이외의 피검진자의 역학정보(연령, 성별, 키, 몸무게 등)를 입력받는 제2신경망층과, 제1신경망층 및 제2신경망층으로부터 추출된 특징점을 입력받아 관상동맥질환 예측 결과를 산출하는 제3신경망층으로 구성될 수 있고, 손실함수를 이용하여 딥러닝 예측 모델부(120)의 학습 정도를 평가할 수 있고, 오차역전법(back propagation)으로 딥러닝 예측 모델부(120)를 학습시킬 수 있다.
구체적으로, 도 3에 도시된 바와 같이, 특징점 추출 모듈(121)은 6개의 제1 추출 블록(Block 1 내지 Block 6) 및 1개의 제2 추출 블록(Block 7)으로 이루어진다.
여기서, 제1 추출 블록은, 이미지들의 특징맵(feature map)을 찾는 합성곱에 의해 2D 이미지의 크기를 줄여가도록 2회 반복 구성된 2개의 컨벌루션 레이어(Conv ; convolution layer)와, 학습을 더 신속하게 수행하거나 극소적 최적해(local optimum) 문제에 빠지는 가능성을 줄이기 위한 2개의 배치 정규화 레이어(BN ; Batch Normalization layer)와, 과적합을 방지하고 효율적인 계산을 수행하도록 하는 맥스 풀링(Max Pooling) 레이어와, 과적합을 막기 위한 드롭아웃(Dropout) 레이어로 구성되고, 제2 추출 블록(Block 7)은, 3회 반복 구성된 3개의 컨벌루션 레이어와 3개의 배치 정규화 레이어와, 맥스 풀링 레이어로 구성되어, 컨벌루션 레이어와 맥스 풀링 레이어를 반복적으로 거치면서 2D 이미지의 심전도 데이터로부터 2차원 데이터의 특징점을 추출할 수 있다.
또한, 분류 모듈(122)은, 제2 추출 블록(Block 7)의 맥스 풀링 레이어에 연결되어 2차원 심전도 데이터를 1차원 심전도 데이터로 변환하는 플래튼 레이어(Flatten)와, 플래튼 레이어에 중첩 연결된 FC레이어(FC ; Fully-Connected) 및 배치 레이어와, 최종 FC레이어 및 배치레이어에 연결되고 시그모이드 활성화 함수(sigmoid activation function)에 의해 관상동맥질환 가능성, 특히 심근경색 가능성에 해당하는 0과 1사이의 확률을 출력하는 단일 출력 노드(Output)로 구성되어, 예측 변수인 심전도 데이터에 대한 예측 결과인 관상동맥질환 발생 확률을 도출할 수 있다.
한편, 역학정보 입력 모듈(Input(Age & Sex)(124)을 통해 예측 변수로서 역학정보를 추가 입력하여, 심전도 데이터와 역학정보를 통합 분석하여 역학정보별 관상동맥질환 발생 확률을 도출할 수도 있다.
예컨대, 플래튼 레이어와 연결된 FC레이어는 피검진자의 연령과 성별과 신체(키, 몸무게 등)의 역학정보를 입력하는 역학정보 입력 모듈(124)과 연결되어서, 연령과 성별과 신체에 따른 심전도 데이터로부터 통계분석적 관상동맥질환 발생 확률을 도출할 수도 있다.
또한, 앞서 언급한 VAE 모듈(123)은 각각 6개의 CNN 레이어를 포함하는 인코더와 디코더로 구성되고, 인코더와 디코더는 1차원 덴스 레이어(1-dimensional dense layer)로 연결되어, 도 4에 예시된 바와 같이, 사지 6유도 심전도 데이터를 흉부 6유도 심전도 데이터로 재구성하여 6유도 심전도만을 사용하여 높은 심근경색 예측 성능을 구현할 수 있다.
한편, 도 5는 도 2의 딥러닝 예측 모델부에 의한 MI 감지를 위한 DLA 민감도를 예시한 것으로서, 딥러닝 예측 모델부(120)의 결정에 중요한 영향을 미치는 영역을 파악하기 위해 민감도 지도(sensitivity map)를 사용하여 관상동맥질환을 예측하는데 사용된 심전도 영역을 시각화할 수 있다. 예컨대, 분류 모듈(122)의 확률이 특정 영역에 민감하다면, 특정 영역에서 확률의 1차 기울기가 크다면 해당 특정 영역은 딥러닝 예측 모델부(120)에 유의한 것으로 간주될 수 있고, Grad-CAM(Gradient-weighted Class Activation Mapping)을 사용하여 딥러닝 예측 모델부(120)를 통해 특정 관상동맥질환 가능성을 예측하였을 때, 역으로 예측 결과에 대한 시각화된 예측 근거를 제시할 수 있다.
이에, 도 5를 참조하면, DLA(Deep Learning Algorithm)인 본 실시예의 딥러닝 예측 모델부(120)는 심근경색을 예측하는데 ST 분절(ST segment)에 초점을 맞추었음을 알 수 있다.
또한, 특징점 추출 모듈(121)은, 사례별로 심근경색을 예측하기 위해, ST 분절 이외에, 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 심근경색에 매칭되는 QRS파 또는 T파의 특징점을 추출할 수도 있다.
다음, 입력부(130)는 심전도 데이터 측정부(110)로부터 유무선 전송된 피검진자의 시험 데이터인 심전도 데이터를 입력받아 딥러닝 예측 모델부(120)로 제공한다.
한편, 입력부(130)는, 심전도 데이터를 기 설정된 길이로 분할하며, 노이즈를 제거하고(Noise Filtering), 정규화하고(Normalization), 재정렬하는(Re-arranged) 전처리 모듈(131)을 포함할 수 있다.
여기서, 전처리 모듈(121)은 10초 동안 디지털로 저장된(Digitally stored) 심전도 데이터 중 시작 부분과 끝 부분의 각 1초씩 제거하여 아티팩트(artifact)를 제거하여 보다 양질의 심전도 데이터를 확보하도록 할 수 있다.
다음, 출력부(140)는, 딥러닝 예측 모델부(120)에 의해, 예측 변수인 심전도 데이터에 따른 예측 결과인 관상동맥질환 가능성을 0과 1사이의 확률로 출력한다.
한편, 출력부(140)는 앞서 언급한 예측 결과에 대한 시각화된 예측 근거인 심전도 데이터의 STEMI 영역을 함께 제시할 수도 있다.
도 1을 참조하면, 입력부(130)와 딥러닝 예측 모델부(120)와 출력부(140)는, 휴대용 웨어러블 측정기기(111) 또는 휴대용 패드 측정기기(112)로부터 원거리로 무선 전송되는 사지 6유도 심전도 데이터 또는 흉부 6유도 심전도 데이터에 따른 관상동맥질환 가능성을 원격 모니터링하는 원격 모니터링 장치(150)에 구비되어서, 관상동맥질환이 우려되는 고위험 피검진자는 일상생활 속에서 휴대용 웨어러블 측정기기(111) 또는 휴대용 패드 측정기기(112)를 부착하고, 원격 모니터링 장치(150)는 관상동맥질환 가능 여부를 상시 모니터링할 수 있다.
또한, 원격 모니터링 장치(150)는 관상동맥질환 가능성이 기준값을 초과하면 피검진자의 단말기(150), 피검진자의 보호자 단말기(미도시) 또는 ICU(Intensive Care Unit) 관련 서버(미도시)로 알림 정보를 전송하여서, 관상동맥질환 발생 전에 ICU로 신속하게 이송하도록 할 수도 있다.
도 6 및 도 7은 도 2의 딥러닝 예측 모델부의 성능을 예시한 것으로서, 도 6을 참조하여 딥러닝 예측 모델부(120)의 내외부 검증데이터에 의한 내부검증(internal validation) 및 외부검증(external validation)을 통한 예측 모델의 적합성을 판단하는 ROC(Receiver Operator Characteristic) 곡선의 성능 결과를 살펴보면, 12유도 심전도 검사를 사용한 DLA의 AUROC(Area Under a ROC Curve)는 내부 및 외부 유효성 검사 중 0.902(95% 신뢰구간:0.874~0.930)와 0.901(0876~0927)이며, VAE 모듈(123)을 포함한 6유도 DLA의 AUROC는 각각 0.880(0.851~0.910)와 0.854(0.823~0.885)이고, VAE 모듈(123)을 포함하지 않는 6유도 DLA의 AUROC는 각각 0.747(0.710~0708050)과 0.726(0.687~0.764)이고, 내부 검증 데이터에서 12유도 심전도를 사용한 DLA의 민감도(Sensitivity), 특이도(Specificity), PPV(Positive Predictive Value), NPV(Negative Predictive Value)는 각각 83.0%, 89.4%, 58.7%, 96.7%이고, 외부 검증 데이터에서 DLA의 민감도, 특이도, NPV, PPV는 각각 84.4%, 88.5%, 51.8%, 97.5%이다.
또한, STEMI 및 MI 검출을 위한 12유도 심전도를 이용한 DLA의 AUROC는 내부 및 외부 유효성 검사에서 0.992와 0.951이고(청색선), 6유도 심전도를 사용한 VAE 모듈(123)을 포함한 DLA의 AUROC는 내부 및 외부 유효성 검사에서 각각 0.974와 0.925이어서(적색선), VAE 모듈(123)을 포함하지 않는 DLA(녹색선)과 기존 예측 모델(conventional machine)(마름모 표시)의 성능보다 양호함을 알 수 있다.
도 7을 참조하면, 관상동맥 병변(LAD lesion(육체적,생리적 변화), LCx lesion, RCA lesion)으로 평가하였을 때, 사지 6유도 심전도 사용시 VAE 모듈(123)을 포함하는 DLA는 12유도 심전도 DLA의 성능과 유사하고, VAE 모듈(123)을 포함하지 않는 DLA는 저조한 성능을 보임을 알 수 있다.
한편, 본 발명의 다른 실시예는, 앞서 언급한 딥러닝 기반 관상동맥질환 예측 시스템에 의해 수행되는 딥러닝 기반 관상동맥질환 예측 방법을 제공할 수도 있다.
따라서, 전술한 바와 같은 딥러닝 기반 관상동맥질환 예측 시스템에 의해서, 심전도 데이터로 관상동맥질환을 예측하여 건강상태가 악화되어 관상동맥질환 가능성이 높아지는 피검진자를 조기에 식별할 수 있고, 표준 12유도 심전도뿐만 아니라 일부 심전도 데이터, 즉 휴대용 심전도 측정기기로부터 전송되는 비침습적인 사지 6유도 심전도 데이터를 흉부 6유도 심전도 데이터로 재구성하여 장소 및 시간 제약없이 건강상태에 대한 평가를 받고 악화되는 것을 미연에 방지하며 합병증을 줄일 수 있고, 시공간적 제약없이 피검진자의 심전도를 상시 원격 모니터링하여 병원 내외부의 환자들을 관리하고 위험 예측시에 신속하게 대처하도록 할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
110 : 심전도 데이터 측정부 111 : 휴대용 웨어러블 측정기기
112 : 휴대용 패드 측정기기 120 : 딥러닝 예측 모델부
121 : 특징점 추출 모듈 122 : 분류 모듈
123 : VAE 모듈 124 : 역학정보 입력 모듈
130 : 입력부 131 : 전처리 모듈
140 : 출력부 150 : 원격 모니터링 장치
160 : 단말기

Claims (11)

  1. 피검진자의 신체로부터 심전도 데이터를 측정하여 전송하는 심전도 데이터 측정부;
    관상동맥질환 및 관상동맥질환과 매핑되는 심전도 데이터의 학습 데이터 세트 및 검증 데이터 세트를 사용하여 구축되어, 특징점을 추출하고 시멘틱 분석하여 심전도 데이터에 따른 관상동맥질환 가능성을 도출하는, 딥러닝 예측 모델부;
    상기 심전도 데이터 측정부로부터 전송된 심전도 데이터를 입력받아 상기 딥러닝 예측 모델부로 제공하는 입력부; 및
    상기 딥러닝 예측 모델부에 의해, 심전도 데이터에 따른 관상동맥질환 가능성을 출력하는 출력부;를 포함하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  2. 제1항에 있어서,
    상기 심전도 데이터 측정부는 표준 12유도 심전도, 사지 6유도 심전도 또는 흉부 6유도 심전도를 측정하는 의료기관의 심전도 기기, 휴대용 웨어러블 측정기기 또는 휴대용 패드 측정기기인 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  3. 제2항에 있어서,
    상기 딥러닝 예측 모델부는,
    상기 입력부로부터 입력되는 상기 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 STEMI의 특징점을 추출하는 특징점 추출 모듈과, 특징점에 따른 특정기간 내 관상동맥질환 가능성을 분류하는 분류 모듈을 포함하는, 컨벌루션 신경망 모델인 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  4. 제2항에 있어서,
    상기 딥러닝 예측 모델부는,
    상기 사지 6유도 심전도 데이터를 흉부 6유도 심전도 데이터로 재구성하는 VAE 모듈과, 상기 입력부로부터 입력되는 상기 사지 6유도 심전도 데이터 및 상기 VAE 모듈에 의한 상기 흉부 6유도 심전도 데이터로 이루어진, 상기 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 STEMI의 특징점을 추출하는 특징점 추출 모듈과, 특징점에 따른 특정기간내 관상동맥질환 가능성을 분류하는 분류 모듈을 포함하는, 컨벌루션 신경망 모델인 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  5. 제3항 또는 제4항에 있어서,
    상기 특징점 추출 모듈은 6개의 제1 추출 블록 및 1개의 제2 추출 블록으로 이루어지고, 상기 제1 추출 블록은, 2회 반복 구성된 2개의 컨벌루션 레이어와 2개의 배치 정규화 레이어와, 맥스 풀링 레이어와, 드롭아웃 레이어로 구성되고, 상기 제2 추출 블록은, 3회 반복 구성된 3개의 컨벌루션 레이어와 3개의 배치 정규화 레이어와, 맥스 풀링 레이어로 구성되고,
    상기 분류 모듈은, 상기 제2 추출 블록의 맥스 풀링 레이어에 연결되어 2차원 흉부 6유도 심전도 데이터를 1차원 흉부 6유도 심전도 데이터로 변환하는 플래튼 레이어와, 상기 플래튼 레이어에 연결된 FC레이어와, 상기 FC레이어에 연결되고 시그모이드 활성화 함수에 의해 상기 관상동맥질환 가능성에 해당하는 확률을 출력하는 단일 출력 노드로 구성되는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  6. 제5항에 있어서,
    상기 FC레이어는 피검진자의 연령과 성별과 신체의 역학정보를 입력하는 역학정보 입력 모듈과 연결되는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  7. 제1항에 있어서,
    상기 입력부는, 상기 심전도 데이터를 기 설정된 길이로 분할하며, 노이즈를 제거하고, 정규화하고, 재정렬하는 전처리 모듈을 포함하는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  8. 제2항에 있어서,
    상기 입력부와 상기 딥러닝 예측 모델부와 상기 출력부는, 상기 휴대용 웨어러블 측정기기 또는 상기 휴대용 패드 측정기기로부터 전송되는 사지 6유도 심전도 데이터 또는 흉부 6유도 심전도 데이터에 따른 관상동맥질환 가능성을 원격 모니터링하는 원격 모니터링 장치에 구비되는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  9. 제8항에 있어서,
    상기 원격 모니터링 장치는 관상동맥질환 가능성이 기준값을 초과하면 피검진자의 단말기로 알림 정보를 전송하는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  10. 제1항에 있어서,
    상기 딥러닝 예측 모델부는 심근경색 가능성을 도출하는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
  11. 제3항에 있어서,
    상기 특징점 추출 모듈은 상기 표준 12유도 심전도 데이터에 해당하는 심전도 이미지로부터 심근경색에 매칭되는 QRS파 또는 T파의 특징점을 추출하는 것을 특징으로 하는,
    심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템.
KR1020200121948A 2020-09-22 2020-09-22 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템 KR20220040516A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200121948A KR20220040516A (ko) 2020-09-22 2020-09-22 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200121948A KR20220040516A (ko) 2020-09-22 2020-09-22 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템

Publications (1)

Publication Number Publication Date
KR20220040516A true KR20220040516A (ko) 2022-03-30

Family

ID=80948005

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200121948A KR20220040516A (ko) 2020-09-22 2020-09-22 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템

Country Status (1)

Country Link
KR (1) KR20220040516A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024014854A1 (ko) * 2022-07-13 2024-01-18 주식회사 메디컬에이아이 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법, 프로그램 및 장치
WO2024019584A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
WO2024038930A1 (ko) * 2022-08-18 2024-02-22 주식회사 메디컬에이아이 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102008196B1 (ko) 2017-12-05 2019-08-07 아주대학교 산학협력단 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
KR102142841B1 (ko) 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102008196B1 (ko) 2017-12-05 2019-08-07 아주대학교 산학협력단 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
KR102142841B1 (ko) 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024014854A1 (ko) * 2022-07-13 2024-01-18 주식회사 메디컬에이아이 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법, 프로그램 및 장치
WO2024019584A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
WO2024038930A1 (ko) * 2022-08-18 2024-02-22 주식회사 메디컬에이아이 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Similar Documents

Publication Publication Date Title
US11476000B2 (en) Methods and systems using mathematical analysis and machine learning to diagnose disease
US10561321B2 (en) Continuous monitoring of a user's health with a mobile device
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
US10441184B2 (en) Electrocardiogram device and methods
US20190038148A1 (en) Health with a mobile device
KR20220040516A (ko) 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템
ES2960027T3 (es) Detección de anomalías en las señales de ECG
Aydemir et al. Classification of decompensated heart failure from clinical and home ballistocardiography
KR20220040515A (ko) 딥러닝 기반 심전도를 이용한 심정지 위험도 예측 시스템
JP2020536623A (ja) モバイルデバイスを用いたユーザの健康の連続的監視
Darwaish et al. Detection and prediction of cardiac anomalies using wireless body sensors and bayesian belief networks
JP7060569B2 (ja) 心房細動検出システム
EP4368107A1 (en) Health condition prediction system using asynchronous electrocardiogram
EP3861558A1 (en) Continuous monitoring of a user's health with a mobile device
Mamun et al. Myocardial infarction detection using multi biomedical sensors
Durga Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach
Korucuk et al. Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study
US20230008860A1 (en) Smart multi-modal telehealth-iot system for respiratory analysis
US20240032874A1 (en) Real-time monitoring and early warning system for blood oxygen and heart rate
US20230200746A1 (en) System for acquisition and analysis of maternal and/or fetal physiological signals
US20240105344A1 (en) System for constructing hyperkalemia prediction algorithm through electrocardiogram, method for constructing hyperkalemia prediction algorithm through electrocardiogram by using same, and hyperkalemia prediction system using electrocardiogram
EP4371492A1 (en) Deep learning-based health condition prediction system using plurality of electrocardiograms
Abirami AI Clinical Decision Support System (AI-CDSS) for Cardiovascular Diseases
Ameta et al. Analysis & prediction of cardiac arrhythmia using deep learning techniques
KR20230025954A (ko) 단일유도 심전도기기를 활용한 건강상태 예측 시스템

Legal Events

Date Code Title Description
A201 Request for examination