KR20220095803A - 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 - Google Patents
신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220095803A KR20220095803A KR1020200187691A KR20200187691A KR20220095803A KR 20220095803 A KR20220095803 A KR 20220095803A KR 1020200187691 A KR1020200187691 A KR 1020200187691A KR 20200187691 A KR20200187691 A KR 20200187691A KR 20220095803 A KR20220095803 A KR 20220095803A
- Authority
- KR
- South Korea
- Prior art keywords
- sarcopenia
- diagnosis
- body fluid
- unit
- biomarker
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
-
- 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
-
- 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
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Fuzzy Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
Abstract
본 발명은 근 감소증 인공지능 진단 시스템 및 방법에 관한 것으로, 더욱 상세하게는 따라서 본 발명의 목적은 근 감소증 환자의 신체액(혈액, 침, 소변 등)의 바이오마커 중 근 감소에 영향을 줄 수 있는 복수의 신체액 바이오마커(이하 "선택 신체액 바이오마커"라 함)를 추출하고, 추출된 선택 신체액 바이오마커와, 연령, 성별, 키, 몸부게, 지방량 등을 포함하는 환자정보를 포함하는 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 학습시키고, 학습된 근 감소증 인공지능 모델에 검사자의 신체액으로부터 검출되는 선택 신체액 바이오마커 및 환자정보를 적용하여 상기 검사자에 대한 근 감소증 결과정보를 출력하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법에 관한 것이다.
Description
본 발명은 근 감소증 인공지능 진단 시스템 및 방법에 관한 것으로, 더욱 상세하게는 따라서 본 발명의 목적은 근 감소증 환자의 신체액(혈액, 침, 소변 등)의 바이오마커 중 근 감소에 영향을 줄 수 있는 복수의 신체액 바이오마커(이하 "선택 신체액 바이오마커"라 함)를 추출하고, 추출된 선택 신체액 바이오마커와, 연령, 성별, 키, 몸부게, 지방량 등을 포함하는 환자정보를 포함하는 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 학습시키고, 학습된 근 감소증 인공지능 모델에 검사자의 신체액으로부터 검출되는 선택 신체액 바이오마커 및 환자정보를 적용하여 상기 검사자에 대한 근 감소증 결과정보를 출력하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법에 관한 것이다.
골격근은 인체에서 가장 큰 부분을 차지하는 기관으로 총 몸무게의 40-50%를 차지하며, 에너지 항상성 및 열생성 등을 비롯한 체내 여러 대사 기능에도 중요한 역할을 한다. 사람의 근육은 40세 이후부터 매년 1% 이상씩 감소하며, 80세가 되면 최대 근육량의 50% 수준이 감소되며, 노년의 근육 감소는 전반적인 신체 기능을 떨어뜨리는 가장 중요한 요소로 인식되고 있다. 노화가 진행되는 동안 근육량(skeletal muscle mass) 감소에 따른 근력의 저하를 근 감소증(Sarcopenia)이라 일컫는다.
근 감소증의 원인은 개인마다 다르지만, 가장 흔한 원인은 단백질 섭취 저하, 운동량 부족, 잘못된 운동 방법 등이며, 특히 필수 아미노산의 섭취 및 흡수 부족 등이 될 수 있을 것이다. 또 다른 원인으로는 노화와 동반된 호르몬 부족이 있을 수 있다.
이러한 근 감소증을 진단하기 위한 방법으로는 근육량, 근력, 근 기능을 측정하는 방법이 이용되며, 이때 연령, 성별, 키, 몸부게, 지방량 등과 같은 환자정보를 고려한다.
근육량은 골격 근육량을 측정하는데, 이를 위해 이중에너지 방사선 흡수법(Dual Energy X-ray Absorptiometry), 바이오 임피던스 측정법, CT, MRI 등의 방법을 사용한다.
근력은 다리 근력 또는 악력으로 측정하고, 근 기능은 신체 기능을 평가하여 확인하는데, 보행 속도 측정, SPPB(Short Physical Performance Battery), 400미터 보행 검사, 6분 보행 검사 등을 이용하여 측정한다.
이와 같이 근육량, 근력 및 근 기능을 복합적으로 분석하여 근 감소증을 진단한다.
상술한 바와 같이 종래 근 감소증을 진단하기 위해서는 근육량, 근력, 근 기능 등과 같이 많은 검사를 수행하여야 하므로 많은 시간이 소요되고, 고가의 장비를 이용한 검사를 수행하여야 하므로 진단 비용이 비싸지는 문제점이 있었다.
따라서 본 발명의 목적은 근 감소증 환자의 신체액(혈액, 침, 소변 등)의 바이오마커 중 근 감소에 영향을 줄 수 있는 복수의 신체액 바이오마커(이하 "선택 신체액 바이오마커"라 함)를 추출하고, 추출된 선택 신체액 바이오마커와, 연령, 성별, 키, 몸부게, 지방량 등을 포함하는 환자정보를 포함하는 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 학습시키고, 학습된 근 감소증 인공지능 모델에 검사자의 신체액으로부터 검출되는 선택 신체액 바이오마커 및 환자정보를 적용하여 상기 검사자에 대한 근 감소증 결과정보를 출력하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템은: 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성부; 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득부; 상기 데이터세트를 입력받아 표준화하여 출력하는 전처리부; 근 감소증 진단 인공지능 모델을 가지고 있으며, 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습부; 및 상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용되어, 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델의 입력 데이터로 적용하여 상기 진단 데이터에 대한 근 감소증 진단 결과정보를 출력하는 진단부를 포함하는 것을 특징으로 한다.
상기 데이터세트 생성부는, 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택부; 근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득부; 및 다수의 근 감소증 환자의 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 한다.
상기 진단 데이터 획득부는, 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득부; 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득부; 및 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성부를 포함하는 것을 특징으로 한다.
상기 학습부의 근 감소증 진단 인공지능 모델은, 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망부; 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트부; 및 상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측부를 포함하는 것을 특징으로 한다.
상기 심층 신경망부는, 입력 계층(Input Layer); 각각 30개, 16개 및 8개의 노드로 구성되고 드롭아웃 비율 0.3이 적용되는 3개의 완전연결 계층(Fully Connected Layer: FC Layer); 및 출력 계층을 포함하여, 10회 반복 10배 계층화된 교차 검증을 수행하는 100개의 모델을 생성하고, 상기 100개의 모델을 하기 수학식에 의해 앙상블하여 상기 신경망 근 감소증 진단 결과를 출력하는 것을 특징으로 한다.
[수학식]
상기 랜덤 포레스트부는, 최대 깊이가 4, 최대 특징 수 5로 훈련되는 100개의 랜덤 포레스트 모델을 훈련하고, 하기 수학식과 같이 100개의 랜덤 포레스트 모델의 출력을 통합하여 포레스트 근 감소증 진단 결과를 출력하는 것을 특징으로 한다.
[수학식]
상기 3개의 완전 연결 계층 중 마지막 완전 연결 계층은 소프트 맥스 계층으로 구성되는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법은: 진단 데이터 생성부가 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성 과정; 전처리부가 상기 데이터세트 생성부로부터 상기 데이터세트를 입력받아 표준화하여 출력하는 전처리 과정; 근 감소증 진단 인공지능 모델을 가지고 있는 학습부가 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습 과정; 진단 데이터 획득부가 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득 과정; 및 상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용된 진단부가 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델에 적용하여 상기 진단 데이터에 대응하는 근 감소증 진단 결과를 출력하는 진단 과정을 포함하는 것을 특징으로 한다.
상기 데이터세트 생성 과정은, 혈액 바이오마커 선택부가 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택 단계; 환자 데이터 획득부가 근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득 단계; 및 데이터세트 구성부가 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 한다.
상기 진단 데이터 획득 과정은, 신체액 바이오마커 획득부가 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득 단계; 환자정보 획득부가 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득 단계; 및 진단 데이터 구성부가 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성 단계를 포함하는 것을 특징으로 한다.
상기 진단 과정은, 심층 신경망부가 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망 진단 단계; 랜덤 포레스트부가 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트 진단 단계; 및 근 감소증 예측부가 상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측 단계를 포함하는 것을 특징으로 한다.
본 발명은 신체에서 발생되는 신체액의 바이오마커 중 근 감소증에 영향을 주는 신체액의 바이오마커만을 측정 및 추출한 후 근 감소증 진단 인공지능 모델에 적용하여 근 감소증을 진단할 수 있는 효과가 있다.
본 발명은 신체액의 바이오마커만을 측정하면 되므로, 기존의 오래 걸리는 다수의 검사를 수행하지 않아도 되므로 환자의 검사 시간을 줄일 수 있는 효과가 있다.
또한, 본 발명은 신체액의 바이오마커만을 측정하면 되므로 기존 고가의 검사를 수행하지 않아도 되므로 검사 비용을 낮출 수 있는 효과가 있다.
도 1은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 근 감소증 인공지능 진단 시스템의 근 감소증 진단 인공지능 모델의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법을 나타낸 흐름도이다.
도 2는 본 발명에 따른 근 감소증 인공지능 진단 시스템의 근 감소증 진단 인공지능 모델의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 구성 및 동작을 설명하고, 상기 시스템에서의 근 감소증 인공지능 진단 방법을 설명한다.
도 1은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 구성을 나타낸 도면이다.
본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템은 데이터세트 생성부(10), 진단 데이터 획득부(20), 전처리부(30), 학습부(40) 및 진단부(50)를 포함한다.
데이터세트 생성부(10)는 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성한다. 상기 신체액은 사람의 신체에 존재하는 액으로, 혈액, 침, 소변 등이 될 수 있을 것이다. 상기 데이터세트에 구성되는 신체액은 혈액, 침, 소변 각각이 될 수도 있고, 혈액, 침 및 소변 중 둘 이상이 될 수도 있을 것이다.
구체적으로 설명하면, 데이터세트 생성부(10)는 신체액 바이오마커 선택부(11), 환자 데이터 획득부(12) 및 데이터세트 구성부(13)를 포함한다.
신체액 바이오마커 선택부(11)는 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력한다.
환자 데이터 획득부(12)는 검사자의 신체액에 대한 선택 신체액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득한다.
상기 신체 특성 정보는 연령, 성별, 키, 몸무게 및 지방량 등을 포함할 수 있을 것이다.
데이터세트 구성부(13)는 다수의 근 감소증 환자들에 대한 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하여 전처리부(30)로 출력한다.
전처리부(30)는 상기 데이터세트의 데이터들을 하기 수학식 1에 의해 표준화하여 출력한다.
여기서 Data-meam(train)은 각 훈련 데이터의 특성에 대한 평균이고, SD(train)은 표준 편차값이다.
진단 데이터 획득부(20)는 신체액 바이오마커 획득부(21), 환자정보 획득부(22) 및 진단 데이터 구성부(23)를 포함하여, 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하여 진단부(50)로 출력한다.
상기 신체액 바이오마커 획득부(21)는 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부(11)에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력한다.
환자정보 획득부(22)는 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력한다.
진단 데이터 구성부(23)는 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력한다.
학습부(40)는 근 감소증 진단 인공지능 모델을 가지고 있으며, 상기 데이터세트 생성부(10) 및 전처리부(30) 어느 하나 이상을 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시킨 후 진단부(50)로 제공한다.
진단부(50)는 상기 학습부(40)에서 학습된 근 감소증 진단 인공지능 모델이 적용되어, 상기 진단 데이터 획득부(20)로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델의 입력 데이터로 적용하여 상기 진단 데이터에 대한 근 감소증 진단 결과정보를 출력한다.
상기 근 감소증 진단 결과정보는 근 감소증 진단, 근 감소증 위험, 정상 중 어느 하나일 것이다.
상기 근 감소증 진단 인공지능 모델의 상세 구성 및 동작은 다음의 도 2를 참조하여 설명한다.
도 2는 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템의 학습부 및 진단부에 적용되는 근 감소증 진단 인공지능 모델의 구성을 나타낸 도면이다. 도 2를 참조함에 있어 진단부(50)에 적용된 근 감소증 진단 인공지능 모델 관점에서 설명한다.
본 발명에 따른 근 감소증 진단 인공지능 모델은 심층 신경망부(Deep Neural Network: DNN)(110), 랜덤 포레스트부(Random Forest: RF)(120) 및 근 감소증 예측부(130)를 포함한다.
심층 신경망부(110)는 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 적용하여 상기 근 감소증 진단 및 예측을 수행하여 신경망 근 감소증 결과 정보를 출력한다.
랜덤 포레스트부(120)는 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 삼기 근 감소증 진단 및 예측을 수행하여 포레스트 근 감소증 결과 정보를 출력한다.
근 감소증 예측부(130)는 심층 신경망부(110)로부터 상기 신경망 근 감소증 결과 정보를 입력받고, 랜덤 포레스트부(120)로부터 상기 포레스트 근 감소증 결과 정보를 입력받아, 소프트 투표를 사용하여 최종 근 감소증을 예측하여 최종 근 감소증 결과 정보를 출력한다.
좀 더 구체적으로 설명하면, 심층 신경망부(110)는 도 2에서 보이는 바와 같이 5개의 계층, 즉 입력 계층(Input Layer), 3개의 완전 연결 계층(Fully Connected Layer: FC Layer) 및 출력 계층(Output Layer)을 포함하여 구성되어, 10회 반복 10배 계층화된 교차 검증을 수행하는 100개의 모델을 생성하고 100개의 모델을 하기 수학식 2 내지 수학식 4에 의해 앙상블하여 신경망 근 감소증 결과 정보를 예측하여 출력한다.
여기서 Pm(DNN)은 DNN의 m번째 모델에서 예측된 근 감소증 진단 확률값이고, p(DNN)은 예측된 근 감소증 진단 확률값들을 앙상블한 결과이며, (DNN)은 m 번째 모델에 대한 정규화된 가중치이며, 하기 수학식 3에 의해 계산된다.
여기서 가중치 Wm(DNN)은 m 번째 모델 Im(DNN)의 검증 손실을 사용하여 얻은 값으로 하기 수학식 4에 의해 계산된다.
상기 첫 번째 완전 연결 계층은 30개의 노드를 갖고, 두 번째 완전 연결 계층은 16개의 노드를 가지며, 세 번째 완전 연결 계층은 8개의 노드를 갖는다.
상기 완전 연결 계층들의 드롭아웃 비율은 과적합 문제를 완화하기 위해 0.3으로 설정된다.
세 번째 완전 연결 계층은 소프트맥스 계층으로 구성된다.
상술한 계층 구성, 노드 수, 드롭아웃 비율 등은 신체액이 혈액인 경우를 나타낸 것으로, 신체액의 종류, 바이오마커의 수 및 종류, 신체액 및 바이오마커의 구성 등에 따라 달라질 수 있을 것이다.
랜덤 포레스트부(120)는 최대 깊이가 4, 최대 특징 수 5로 훈련되는 100개의 랜덤 포레스트 모델을 훈련하고, 하기 수학식 5 내지 수학식 7과 같이 100개의 랜덤 포레스트 모델의 출력을 통합하여 포레스트 근 감소증 진단 확률을 출력한다.
여기서 Pm(RF)은 랜덤 포레스트(Ramdom Forest: RF)의 m번째 모델에서 예측된 근 감소증 진단 확률값이고, p(RF)은 예측된 근 감소증 진단 확률값들을 앙상블한 결과이며, (RF)은 m 번째 모델에 대한 정규화된 가중치이며, 하기 수학식 6에 의해 계산된다.
여기서 가중치 Wm(RF)은 m 번째 모델 Im(RF)의 검증 손실을 사용하여 얻은 값으로 하기 수학식 7에 의해 계산된다.
근 감소증 예측부(130)는 두 앙상블 결과값인 신경망 근 감소증 결과 정보인 신경망 근 감소증 진단 확률(P(DNN)) 및 포레스트 근 감소증 결과 정보인 포레스트 근 감소증 진단 확률(P(RF))을 입력받고 소프트 투표를 사용하여 최종 근 감소증 결과 정보를 출력한다. 따라서 두 확률값 신경망 근 감소증 결과 정보 및 포레스트 근 감소증 결과 정보의 평균에 따라 근 감소증 진단, 근 감소증 위험, 정상 중 어느 하나가 결정될 수 있을 것이다. 예를 들면, 상기 근 감소증 결과 정보의 평균 값이 0.7 이상이면 근 감소증 진단이고, 0.4 이상 0.7 미만이면 근 감소증 위험이며, 0.4 미만이면 정상임을 나타낸다.
도 3은 본 발명에 따른 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법을 나타낸 흐름도이다.
도 3을 참조하면, 데이터세트 생성부(10)는 신체액 종류 및 신체액별 바이오마커들 중 적어도 하나 이상의 신체액을 선택하고, 선택된 하나 이상의 신체액에 대한 바이오마커들 중 근 감소증에 영향을 주는 바이오마커를 선택받아 선택 바이오마커로서 저장하고, 근 감소증 환자의 연령, 성별, 키, 몸무게, 지방량을 포함하는 신체 특성 정보를 포함하는 환자정보를 획득한 후, 상기 근 감소증 환자의 신체액에 대한 바이오마커 및 환자정보를 포함하는 데이터세트를 생성한다(S111).
데이터세트가 생성되면 전처리부(30)는 상기 데이터세트를 표준화하는 데이터 전처리를 수행한다(S113).
데이터세트의 데이터 전처리가 완료되면 학습부(40)는 상기 데이터세트를 근 감소증 진단 인공지능 모델에 적용하여 근 감소증에 대한 선택된 신체액, 바이오마커 및 신체 특성 정보에 대한 학습을 수행한다(S115).
학습이 완료되면 진단 데이터 획득부(20)는 근 감소증 검사자에 대한 진단 데이터가 입력되는지를 모니터링하고(S117), 근 감소증 검사자에 대한 진단 데이터가 입력되면 근 감소증 진단 인공지능 모델에 진단 데이터를 적용한다(S119).
상기 진단 데이터의 적용 후 진단부(50)는 근 감소증 진단 인공지능 모델로부터 근 감소증 진단 결과 정보가 출력되는지를 모니터링하고(S121), 근 감소증 진단 결과 정보가 출력되면 디스플레이 장치, 프린터 등과 같은 출력수단을 통해 출력한다(S123).
근 감소증 진단 결과 정보가 출력되면 학습부(40)는 상기 근 감소증 진단 결과 정보를 입력받고 상기 근 감소증 진단 결과 정보가 근 감소증 진단인 경우 해당 신체액, 바이오마커, 신체 특성 정보를 포함하는 데이터세트를 구성하고(S125), 이러한 데이터세트가 미리 설정된 양 이상 확보되면(S127) 근 감소증 진단 인공지능 모델에 적용하여 재학습시킨다(S129).
한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.
10: 데이터세트 생성부
11: 신체액 바이오마커 선택부
12: 환자 데이터 획득부 13: 데이터세트 구성부
20: 진단 데이터 획득부 21: 신체액 바이오마커 획득부
22: 환자정보 획득부 23: 진단 데이터 구성부
30: 전처리부 40: 학습부
50: 진단부 110: 심층 신경망부
111: 입력 계층 112: 완전 연결 계층
113: 출력 계층 130: 근 감소증 예측부
12: 환자 데이터 획득부 13: 데이터세트 구성부
20: 진단 데이터 획득부 21: 신체액 바이오마커 획득부
22: 환자정보 획득부 23: 진단 데이터 구성부
30: 전처리부 40: 학습부
50: 진단부 110: 심층 신경망부
111: 입력 계층 112: 완전 연결 계층
113: 출력 계층 130: 근 감소증 예측부
Claims (11)
- 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성부;
검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득부;
상기 데이터세트를 입력받아 표준화하여 출력하는 전처리부;
근 감소증 진단 인공지능 모델을 가지고 있으며, 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습부; 및
상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용되어, 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델의 입력 데이터로 적용하여 상기 진단 데이터에 대한 근 감소증 진단 결과정보를 출력하는 진단부를 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 제1항에 있어서,
상기 데이터세트 생성부는,
상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택부;
근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득부; 및
다수의 근 감소증 환자의 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 하는 근 감소증 인공지능 진단 시스템.
- 제2항에 있어서,
상기 진단 데이터 획득부는,
근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득부;
상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득부; 및
상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성부를 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 제1항에 있어서,
상기 학습부의 근 감소증 진단 인공지능 모델은,
5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망부;
랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트부; 및
상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측부를 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 제5항에 있어서,
상기 3개의 완전 연결 계층 중 마지막 완전 연결 계층은 소프트 맥스 계층으로 구성되는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템.
- 진단 데이터 생성부가 근 감소증 환자의 신체 특성 정보를 포함하는 환자정보 및 상기 근 감소증 환자의 신체액에서 검출된 신체액 바이오마커 중 근 감소증에 영향을 주는 선택 신체액 바이오마커를 포함하는 데이터세트를 생성하는 데이터세트 생성 과정;
전처리부가 상기 데이터세트 생성부로부터 상기 데이터세트를 입력받아 표준화하여 출력하는 전처리 과정;
근 감소증 진단 인공지능 모델을 가지고 있는 학습부가 상기 데이터세트 생성부 및 전처리부를 통해 입력되는 데이터세트를 상기 근 감소증 진단 인공지능 모델에 적용하여 학습시키는 학습 과정;
진단 데이터 획득부가 검사자의 신체액에 대한 선택 혈액 바이오마커 및 신체 특성 정보를 포함하는 환자정보를 포함하는 진단 데이터를 획득하는 진단 데이터 획득 과정; 및
상기 학습부에서 학습된 근 감소증 진단 인공지능 모델이 적용된 진단부가 상기 진단 데이터 획득부로부터 입력되는 진단 데이터를 상기 학습된 근 감소증 진단 인공지능 모델에 적용하여 상기 진단 데이터에 대응하는 근 감소증 진단 결과를 출력하는 진단 과정을 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법.
- 제8항에 있어서,
상기 데이터세트 생성 과정은,
혈액 바이오마커 선택부가 상기 신체액인 혈액, 침 및 소변 중 어느 하나 이상을 선택하고, 선택된 적어도 하나 이상의 신체액에 대한 바이오마커 중 근 감소증에 영향을 주는 해당 신체액의 바이오마커를 선택하여 선택 혈액 바이오마커로서 출력하는 혈액 바이오마커 선택 단계;
환자 데이터 획득부가 근 감소증 진단을 받은 환자의 연령, 성별, 키, 몸무게 및 지방량을 포함하는 환자의 신체 특성 정보를 포함하는 환자정보를 획득하는 환자 데이터 획득 단계; 및
데이터세트 구성부가 상기 선택 신체액 바이오마커 및 상기 환자정보를 포함하는 데이터세트를 생성하는 데이터세트 구성부를 포함하는 것을 특징으로 하는 근 감소증 인공지능 진단 방법.
- 제9항에 있어서,
상기 진단 데이터 획득 과정은,
신체액 바이오마커 획득부가 근 감소증 검사자의 상기 하나 이상의 신체액에 대응하는 신체액 바이오마커들 중 상기 선택 신체액 바이오마커 선택부에서 선택된 선택 신체액 바이오마커에 대응하는 신체액 바이오마커를 선택하여 출력하는 신체액 바이오마커 획득 단계;
환자정보 획득부가 상기 근 감소증 검사자의 상기 신체 특성 정보를 포함하는 환자정보를 획득하여 출력하는 환자정보 획득 단계; 및
진단 데이터 구성부가 상기 선택된 선택 신체액 바이오마커 및 환자정보를 포함하는 진단 데이터를 생성하여 출력하는 진단 데이터 구성 단계를 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법.
- 제8항에 있어서,
상기 진단 과정은,
심층 신경망부가 5계층으로 구성되는 심층신경망에 상기 진단 데이터를 입력 데이터로 적용하여 상기 근 감소증 검사자의 신경망 근 감소증 진단 결과를 출력하는 심층 신경망 진단 단계;
랜덤 포레스트부가 랜덤 포레스트 모델에 상기 진단 데이터를 적용하여 상기 근 감소증 검사자의 포레스트 근 감소증 진단 결과를 출력하는 랜덤 포레스트 진단 단계; 및
근 감소증 예측부가 상기 신경망 근 감소증 진단 결과 및 상기 포레스트 근 감소증 진단 결과를 입력받고 소프트 투표를 사용하여 최종 근 감소증 진단 결과를 출력하는 근 감소증 예측 단계를 포함하는 것을 특징으로 하는 신체액 샘플을 이용한 근 감소증 인공지능 진단 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200187691A KR102477592B1 (ko) | 2020-12-30 | 2020-12-30 | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200187691A KR102477592B1 (ko) | 2020-12-30 | 2020-12-30 | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220095803A true KR20220095803A (ko) | 2022-07-07 |
KR102477592B1 KR102477592B1 (ko) | 2022-12-15 |
Family
ID=82398315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200187691A KR102477592B1 (ko) | 2020-12-30 | 2020-12-30 | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102477592B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102568107B1 (ko) | 2022-09-14 | 2023-08-18 | 주식회사 니어네트웍스 | 멀티 센싱 및 비전 인식을 통한 근손실 진단 시스템 |
WO2024111921A1 (ko) * | 2022-11-23 | 2024-05-30 | 원광대학교산학협력단 | 근육세포 기반 근감소증 진단을 위한 근감소증 진단 기준 제공 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180023236A (ko) * | 2016-08-25 | 2018-03-07 | 삼성전자주식회사 | 건강 관리 장치 및 방법 |
KR102167204B1 (ko) | 2019-01-16 | 2020-10-20 | 고려대학교 산학협력단 | 인공지능망 기반 근전도 검사 분석 장치 및 방법 |
KR20200120076A (ko) * | 2019-04-11 | 2020-10-21 | 경상대학교산학협력단 | 기계학습을 이용한 근감소증 예측장치 |
-
2020
- 2020-12-30 KR KR1020200187691A patent/KR102477592B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180023236A (ko) * | 2016-08-25 | 2018-03-07 | 삼성전자주식회사 | 건강 관리 장치 및 방법 |
KR102167204B1 (ko) | 2019-01-16 | 2020-10-20 | 고려대학교 산학협력단 | 인공지능망 기반 근전도 검사 분석 장치 및 방법 |
KR20200120076A (ko) * | 2019-04-11 | 2020-10-21 | 경상대학교산학협력단 | 기계학습을 이용한 근감소증 예측장치 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102568107B1 (ko) | 2022-09-14 | 2023-08-18 | 주식회사 니어네트웍스 | 멀티 센싱 및 비전 인식을 통한 근손실 진단 시스템 |
WO2024111921A1 (ko) * | 2022-11-23 | 2024-05-30 | 원광대학교산학협력단 | 근육세포 기반 근감소증 진단을 위한 근감소증 진단 기준 제공 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR102477592B1 (ko) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6090044A (en) | System for diagnosing medical conditions using a neural network | |
CN104217095A (zh) | 人体健康功能状态评估模型 | |
KR102477592B1 (ko) | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 | |
JP2012523947A (ja) | 伝統中国医学(tcm)の原理に基づいて肌組成を判定するコンピュータ援用診断システム及び方法 | |
EP3471054B1 (en) | Method for determining at least one object feature of an object | |
CN106295205A (zh) | 基于bp神经网络的体脂百分比测量方法及其应用 | |
CN101149767A (zh) | 一种无创型健康评估模型的通用建立方法及其装置 | |
CN111508607A (zh) | 一种基于bp神经网络的肥胖症预测系统 | |
Ribagin et al. | Generalized Net model of asymptomatic osteoporosis diagnosing | |
CN114241187A (zh) | 基于超声双模态影像的肌肉疾病诊断系统、设备及介质 | |
CN114360728A (zh) | 一种用于糖尿病轻度认知功能障碍的预测模型和诺模图的构建方法 | |
CN116453656B (zh) | 一种心理健康评估预警系统及方法 | |
Sintonen | Comparing properties of the 15D and the EQ-5D in measuring health-related quality of life | |
Mikołajczyk et al. | Evaluation of a smartphone application for diagnosis of skin diseases | |
CN109659031A (zh) | 肺功能指标预测装置及确定方法 | |
CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
CN115497621A (zh) | 一种老年人认知状况测评系统 | |
CN116433560A (zh) | 基于超声双模态影像的肌肉疾病识别方法、装置及设备 | |
CN104545910B (zh) | 慢性病早期电生理检测方法和系统 | |
CN108538366A (zh) | 一种基于中医养生知识库的自我健康评测方法 | |
JP2012228492A (ja) | 生体状態診断方法 | |
CN108742538B (zh) | 基于大数据与人工智能的体征测量方法和医疗机器人系统 | |
Batista et al. | Transcontextual model application in the prediction of veteran judo athletes’ life satisfaction | |
CN113425279B (zh) | 一种用于呼吸窘迫综合征的动物实验方法 | |
CN117877748B (zh) | 一种多参数心肺功能测试设备及其数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |