KR20220133151A - 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램 - Google Patents

머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20220133151A
KR20220133151A KR1020220118147A KR20220118147A KR20220133151A KR 20220133151 A KR20220133151 A KR 20220133151A KR 1020220118147 A KR1020220118147 A KR 1020220118147A KR 20220118147 A KR20220118147 A KR 20220118147A KR 20220133151 A KR20220133151 A KR 20220133151A
Authority
KR
South Korea
Prior art keywords
data
brain image
treatment
image data
cerebral infarction
Prior art date
Application number
KR1020220118147A
Other languages
English (en)
Other versions
KR102582295B1 (ko
Inventor
서우근
김윤철
이지은
송하나
백인영
김재영
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020220118147A priority Critical patent/KR102582295B1/ko
Publication of KR20220133151A publication Critical patent/KR20220133151A/ko
Application granted granted Critical
Publication of KR102582295B1 publication Critical patent/KR102582295B1/ko

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
    • G16H50/50—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Fuzzy Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법은, 복수의 기 환자들의 뇌 영상 데이터를 기초로 대상자의 뇌경색 치료 여부에 따른 예측값을 출력하는 복수의 예측 모델을 학습시키는 모델 학습 단계; 상기 대상자의 뇌 영상 데이터로부터 입력 데이터를 획득하여, 상기 입력 데이터를 상기 복수의 예측 모델에 입력하는 입력 단계; 상기 입력 데이터를 기초로 상기 복수의 예측 모델 각각에 의한 예측값을 출력하는 출력 단계; 및 상기 복수의 예측값을 기초로 변수를 생성하고, 상기 변수가 미리 설정된 기준에 부합하는지 판단하여 상기 대상자의 뇌경색 치료 여부를 결정하는 결정 단계;를 포함하고, 상기 복수의 예측 모델은 뇌경색 치료의 수행 여부 및 수행 시 성패 여부에 따라 서로 다른 예측값을 출력하는 것을 특징으로 한다.

Description

머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램{Method, Device and Computer Program for Determining Whether to Treat Cerebral Infarction}
본 발명은 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
뇌경색은 뇌의 혈관이 막혀 뇌의 일부 세포가 죽는 질병이다. 뇌경색은 뇌혈관의 동맥경화 등 혈관질환 또는 심방세동(atrial fibrillation) 등에 의해 심장에서 발생한 혈전(cardioembolic clot)이 뇌로 이동하여 뇌혈관이 막혀 발생한다. 뇌혈관이 막히면서 뇌 조직으로 가는 혈액의 공급이 차단되어 막힌 혈관에 의해 혈액을 공급받던 뇌 조직에 관류(perfusion) 장애가 발생하며 이 부위는 시간이 경과됨에 따라 경색되어 의식 장애나 신체 마비 등의 신경학적 증상이 나타난다.
뇌경색이 발병한 경우, 막힌 혈관을 조기에 재개통하여 뇌 조직이 완전히 경색에 빠지기 전에 뇌 혈류를 회복시키는 방식의 치료가 수행된다. 관류장애가 발생한 부위에 재관류(reperfusion)을 하느냐가 예후에 가장 큰 영향을 미치는 요소이다. 그러나 모든 뇌경색 환자에서 관류장애가 관찰되는 것은 아니며, 관류장애의 정도와 위치에 따라 재관류 후 뇌경색 환자의 예후가 차이가 나게 된다. 뇌경색 후 재관류를 할 경우 뇌졸중 후 예후를 호전시키나(Stroke 2017;48:2739-45), 재관류 시 호전 여부는 PWI 및 DWI 병변의 패턴에 따라 차이가 난다고 알려져 있다(Lancet Neurol 2012;11:860-7). 즉 관류강조영상(PWI)에서 광범위한 관류장애를 보이는 반면 확산강조영상(DWI)에서 작은 뇌경색이 관찰될 때 재관류에 대한 치료효과가 크며, 이러한 뇌경색이 일어나지 않은 관류장애 부위, 즉 변연부위(penumbra zone)의 부피를 측정하여 치료효과를 예측하는 시도가 있어 왔다. 실제로 이러한 변연부위는 재관류치료의 표적이 되는 영상소견이다.
한편, 급성기 뇌경색 환자들의 치료를 위해 혈전제거술(endovascular thrombectomy; EVT) 시술 시행여부를 결정한다. 이를 위해 통상적으로는 확산강조영상(diffusion-weighted image; DWI)과 관류강조영상(perfusion-weighted image; PWI)을 동시에 촬영한 후, 두 영상을 비교 분석하여 혈전제거술 시행 여부 등의 치료의 방향을 결정한다.
그러나, PWI 데이터의 경우 조영제를 사용하므로 환자에 부작용이 있을 수 있고, DWI 및 PWI의 서로 다른 의료 영상을 촬영하여 진단하므로 진단 비용, 시간, 및 환자에 대한 부담의 증가 등의 한계가 있다. 또한, 기존의 결정 방법은 혈전제거술의 시행 여부, 시행했을 경우 성패 여부에 따라 뇌경색 호전 정도가 환자마다 다를 수 있는데 이러한 환자 변수를 고려하지 않고 영상 진단만으로 혈전제거술 치료 여부를 결정하므로 예후 예측의 정확도가 떨어지는 문제점이 있었다.
이에, 본 발명은 급성기 뇌경색 환자에 대하여 DWI 데이터를 기초로 학습된 학습 모델을 이용하여 신속하고 간소한 치료 여부 결정이 가능하고, 뇌경색 검사의 안정성 및 예후 예측의 정확성이 향상된 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.
본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법은, 복수의 기 환자들의 뇌 영상 데이터를 기초로 대상자의 뇌경색 치료 여부에 따른 예측값을 출력하는 복수의 예측 모델을 학습시키는 모델 학습 단계; 상기 대상자의 뇌 영상 데이터로부터 입력 데이터를 획득하여, 상기 입력 데이터를 상기 복수의 예측 모델에 입력하는 입력 단계; 상기 입력 데이터를 기초로 상기 복수의 예측 모델 각각에 의한 예측값을 출력하는 출력 단계; 및 상기 복수의 예측값을 기초로 변수를 생성하고, 상기 변수가 미리 설정된 기준에 부합하는지 판단하여 상기 대상자의 뇌경색 치료 여부를 결정하는 결정 단계;를 포함하고, 상기 복수의 예측 모델은 뇌경색 치료의 수행 여부 및 수행 시 성패 여부에 따라 서로 다른 예측값을 출력하는 것을 특징으로 한다.
상기 복수의 예측 모델은, 상기 복수의 기 환자들 중 치료를 수행한 환자들을 포함하는 제1 환자군의 뇌 영상 데이터를 기초로 학습되는 제1 모델; 상기 치료를 수행한 환자들 중 치료에 성공한 환자를 포함하는 제2 환자군의 뇌 영상 데이터를 기초로 학습되는 제2 모델; 상기 치료를 수행한 환자들 중 치료에 실패한 환자를 포함하는 제3 환자군의 뇌 영상 데이터를 기초로 학습되는 제3 모델; 및 상기 복수의 기 환자들 중 치료를 수행하지 않은 환자들을 포함하는 제4 환자군의 뇌 영상 데이터를 기초로 학습되는 제4 모델을 포함할 수 있다.
상기 뇌 영상 데이터는 확산강조영상(diffusion-weighted image; DWI) 데이터를 포함하고, 상기 입력 단계는, 상기 대상자의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(Apparent Diffusion Coefficient; ADC) 데이터를 추출하는 단계; 및
상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 단계를 포함할 수 있다.
상기 출력 단계는, 상기 제1 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 치료를 성공할 확률을 나타내는 제1 예측값을 출력하는 단계; 상기 제2 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 제2 예측값을 출력하는 단계; 상기 제3 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 제3 예측값을 출력하는 단계; 및 상기 제4 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 제4 예측값을 출력하는 단계를 포함할 수 있다.
상기 결정 단계는, 상기 제1, 제2 및 제3 예측값을 기초로 제1 변수를 산출하는 단계; 상기 제1 변수 및 상기 제4 예측값을 기초로 제2 변수를 산출하는 단계; 상기 제2 변수가 상기 미리 설정된 기준에 부합하는지 판단하는 단계; 및 상기 제2 변수가 상기 기준에 부합하는 경우 치료를 수행하고, 부합하지 않는 경우 치료를 수행하지 않는 것으로 결정하는 단계를 포함할 수 있다.
상기 제1 내지 제4 예측값을 각각 P1, P2, P3 및 P4라 할 때, 상기 제1 변수(Q1) 및 상기 제2 변수(Q2)는 아래의 관계식을 만족할 수 있다.
[관계식 1]
Q1=P1×P2+(1-P1)×P3
[관계식 2]
Q2=Q1/P4
상기 모델 학습 단계는, 상기 복수의 기 환자들의 뇌 영상 데이터를 기초로 학습용 입력 데이터를 획득하는 단계; 및 상기 복수의 예측 모델을 이용하여 상기 학습용 입력 데이터로부터 미리 설정된 기준에 따라 학습용 출력 데이터를 획득하는 단계;를 포함하고, 상기 학습용 입력 데이터를 획득하는 단계는, 상기 복수의 기 환자들의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하는 단계; 및 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 단계를 포함할 수 있다.
상기 제1 모델을 이용하여 상기 학습용 출력 데이터를 획득하는 단계는, 상기 DWI 데이터에 대한 mTICI(modified Treatment In Cerebral Infarction) 점수가 미리 설정된 값 이상인지 여부를 판단하는 단계; 상기 mTICI 점수가 미리 설정된 값 이상인 경우 제1 결과값을 부여하는 단계; 및 상기 mTICI 점수가 미리 설정된 값 미만인 경우 상기 제1 결과값과 상이한 제2 결과값을 부여하는 단계를 포함할 수 있다.
상기 제2, 제3 및 제4 모델을 이용하여 상기 학습용 출력 데이터를 획득하는 단계는, 상기 DWI 데이터에 대한 mRS(modified Rankin Scale) 점수가 미리 설정된 값 이하인지 여부를 판단하는 단계; 상기 mRS 점수가 미리 설정된 값 이하인 경우 제1 임상 결과값을 부여하는 단계; 및 상기 mRS 점수가 미리 설정된 값 초과인 경우 상기 제1 임상 결과값과 상이한 제2 임상 결과값을 부여하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 대상자의 뇌경색 치료 여부를 결정하는 장치에 있어서, 상기 장치는 제어부 및 출력부를 포함하고, 상기 제어부는, 복수의 기 환자들의 뇌 영상 데이터를 기초로 대상자의 뇌경색 치료 여부에 따른 예측값을 출력하는 복수의 예측 모델을 학습시키고, 상기 대상자의 뇌 영상 데이터로부터 입력 데이터를 획득하여, 상기 입력 데이터를 상기 복수의 예측 모델에 입력하고, 상기 출력부는, 상기 입력 데이터를 기초로 상기 복수의 예측 모델 각각에 의한 예측값을 출력하는 출력하고, 상기 복수의 예측값을 기초로 변수를 생성하고, 상기 변수가 미리 설정된 기준에 부합하는지 판단하여 상기 대상자의 뇌경색 치료 여부를 결정하는 결정하고, 상기 복수의 예측 모델은, 뇌경색 치료의 수행 여부 및 수행 시 성패 여부에 따라 서로 다른 예측값을 출력하는 것을 특징으로 한다.
상기 복수의 예측 모델은, 상기 복수의 기 환자들 중 치료를 수행한 환자들을 포함하는 제1 환자군의 뇌 영상 데이터를 기초로 학습되는 제1 모델; 상기 치료를 수행한 환자들 중 치료에 성공한 환자를 포함하는 제2 환자군의 뇌 영상 데이터를 기초로 학습되는 제2 모델; 상기 치료를 수행한 환자들 중 치료에 실패한 환자를 포함하는 제3 환자군의 뇌 영상 데이터를 기초로 학습되는 제3 모델; 및 상기 복수의 기 환자들 중 치료를 수행하지 않은 환자들을 포함하는 제4 환자군의 뇌 영상 데이터를 기초로 학습되는 제4 모델을 포함할 수 있다.
상기 뇌 영상 데이터는 확산강조영상(diffusion-weighted image; DWI) 데이터를 포함하고, 상기 제어부는, 상기 대상자의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(Apparent Diffusion Coefficient; ADC) 데이터를 추출하고, 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득할 수 있다.
상기 출력부는, 상기 제1 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 치료를 성공할 확률을 나타내는 상기 제1 예측값을 출력하고, 상기 제2 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 상기 제2 예측값을 출력하고, 상기 제3 모델을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 상기 제3 예측값을 출력하고, 상기 제4 모델을 이용하여 상기 입력 데이터를 기초로 상기 제4 환자군에 대하여 좋은 예후를 보일 확률을 나타내는 상기 제4 예측값을 출력할 수 있다.
상기 출력부는, 상기 제1, 제2 및 제3 예측값을 기초로 제1 변수를 산출하고, 상기 제1 변수 및 상기 제4 예측값을 기초로 제2 변수를 산출하고, 상기 제2 변수가 상기 미리 설정된 기준에 부합하는지 판단하고, 상기 제2 변수가 상기 기준에 부합하는 경우 치료를 수행하고, 부합하지 않는 경우 치료를 수행하지 않는 것으로 결정할 수 있다.
상기 제1 내지 제4 예측값을 각각 P1, P2, P3 및 P4라 할 때, 상기 제1 변수(Q1) 및 상기 제2 변수(Q2)는 아래의 관계식을 만족하는 것을 특징으로 할 수 있다.
[관계식 1]
Q1=P1×P2+(1-P1)×P3
[관계식 2]
Q2=Q1/P4
상기 제어부는, 상기 복수의 기 환자들의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하고, 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하여 학습용 입력 데이터를 획득하고, 상기 복수의 예측 모델을 이용하여 상기 학습용 입력 데이터로부터 미리 설정된 기준에 따라 학습용 출력 데이터를 획득할 수 있다.
상기 출력부는 상기 제1 모델을 이용하여 상기 학습용 출력 데이터를 획득할 때, 상기 DWI 데이터에 대한 mTICI(modified Treatment In Cerebral Infarction) 점수가 미리 설정된 값 이상인지 여부를 판단하고, 상기 mTICI 점수가 미리 설정된 값 이상인 경우 제1 결과값을 부여하고, 상기 mTICI 점수가 미리 설정된 값 미만인 경우 상기 제1 결과값과 상이한 제2 결과값을 부여할 수 있다.
상기 출력부는 상기 제2, 제3 및 제4 모델을 이용하여 상기 학습용 출력 데이터를 획득할 때, 상기 DWI 데이터에 대한 mRS(modified Rankin Scale) 점수가 미리 설정된 값 이하인지 여부를 판단하고, 상기 mRS 점수가 미리 설정된 값 이하인 경우 제1 임상 결과값을 부여하고, 상기 mRS 점수가 미리 설정된 값 초과인 경우 상기 제1 임상 결과값과 상이한 제2 임상 결과값을 부여할 수 있다.
전술한 본 개시의 뇌경색 치료 여부 결정 방법은 컴퓨터를 이용하여 실행되도록 컴퓨터 프로그램으로 매체에 저장될 수 있다.
본 발명의 실시예들에 따르면, 급성기 뇌경색 환자에 대하여 DWI 데이터만을 기초로 학습된 학습 모델을 이용함으로써 신속하고 간소한 치료 여부 결정이 가능하고, 환자에 대한 검사 부작용을 최소화하여 검사 안정성을 높일 수 있다.
이때, 치료 시행 여부 및 시행 시 성패 여부에 따른 별개의 학습 모델을 설계하고, 이러한 복수의 학습 모델 각각의 출력값의 관계를 이용하여 DWI 데이터를 이용한 치료 여부 결정 알고리즘을 제공함으로써 예후 예측의 용이성 및 정확성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법을 나타낸 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 복수의 예측 모델이 도출되는 경우의 수를 도시한 구성도이다.
도 3은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법의 일부 단계를 더 구체적으로 도시한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 모델 학습 단계에서의 복수의 예측 모델에 대한 입출력 관계를 도시한 구성도이다.
도 5는 본 발명의 일 실시예에 따른 모델 학습 단계를 설명하기 위한 구성도이다.
도 6은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법과 타겟 미스매치 방법 각각에 의한 결과를 비교하기 위한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 예측 모델에 의한 입출력 특성을 설명하기 위한 도면이다.
도 8은 본 발명의 다른 실시예에 따른 예측 모델에 의한 입출력 특성을 설명하기 위한 도면이다.
도 9는 본 발명의 다른 실시예에 따른 예측 모델에 의한 입출력 특성을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 장치를 개략적으로 도시한 블록도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "메커니즘", "요소", "수단" 및 "구성" 등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 단계는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 단계는 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.
본 명세서에서 용어 “뇌 영상”은 직간접적인 방법을 통해 뇌의 내부 구조 및/또는 기능을 시각화한 영상을 의미하며, 자기공명영상, 전산화단층촬영(CT, Computed Tomography) 영상, 양전자단층촬영(PET, Positron Emission Tomography) 영상, 단일광자단층촬영(SPECT, Single Photon Emission Computed Tomography) 영상 등을 포함할 수 있다. 본 명세서에서 용어 “자기공명영상(MRI, magnetic resonance image)”은 자기장을 사용하여 체내 구조물의 영상 또는 사진을 생성하는 진단 기술 및 이를 통해 얻은 영상을 의미한다.
본 명세서에서 “확산강조영상(DWI)”이란, 조직 내 물양자의 불규칙한 운동, 즉 확산 속도를 측정하는 기법을 통해 얻은 영상 데이터로, 일반적으로 뇌혈관 폐색에 의한 뇌경색 또는 병변을 조기에 측정할 수 있는 영상 처리 방식이다. 이러한 신호변화의 검출을 통하여 뇌조직 손상 부위, 손상 부피 등의 다양한 허혈성 뇌조직 손상을 영상화할 수 있다. 이때, 확산 속도는 경사 자장의 세기를 나타내는 b 값(b-value)에 의해 정해진다.
본 명세서에서 “관류강조영상(PWI)”이란, 조영제의 초회 통과 동안에 1~2초의 시간해상도로 1~2분 동안 연속적으로 뇌영상의 여러 프레임을 얻는 기법으로 획득된 영상을 의미한다. 관류강조영상은 주로 신호감소 방법을 이용한 혈류 영상인 역동적 자화율 조영영상(Dynamic Susceptibility Contrast; DSC)기법이 쓰인다. DSC 영상은 조영제가 주변의 자화율의 차이를 크게 만들어 T2, T2*를 변화시키므로 T2, T2* 강조영상으로 얻는 방식이다. 뇌혈관이 막혀서 허혈이 있는 뇌조직의 경우 조영제가 조직에 공급이 잘 안되어 초회 통과 시에 정상 뇌조직보다 MRI영상이 밝으며 자기공명영상 신호가 최소화 되는 시점이 정상 뇌조직보다 지연되는 특성이 있다.
본 명세서에서 용어 “복셀(voxel)”은 3차원 공간의 정규 격자 단위를 의미하며, 2차원 평면의 영상에서는 픽셀(pixel)을 의미할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하, 도 1 내지 도 3을 사용하여 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법에 관하여 설명한다. 도 1은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법(이하, '치료 여부 결정 방법'으로 지칭한다.)을 나타낸 흐름도이고, 도 2는 본 발명의 일 실시예에 따른 복수의 예측 모델이 도출되는 경우의 수를 도시한 구성도이고, 도 3은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 방법의 일부 단계를 더 구체적으로 도시한 흐름도이다.
도 1을 참조하면, 일 실시예에 따른 뇌경색 치료 여부 결정 방법은 모델 학습 단계(S100), 입력 단계(S200), 출력 단계(S300) 및 결정 단계(S400)를 포함할 수 있다.
복수의 기 환자들의 뇌 영상 데이터를 기초로 대상자의 뇌경색 치료 여부에 따른 예측값을 출력하는 복수의 예측 모델을 학습시키는 모델 학습 단계(S100)가 수행된다.
기 환자들이란 뇌경색, 뇌졸중 환자들로서 예측 모델에 학습용 입력 데이터를 제공하는 데이터 제공자들을 의미할 수 있다. 대상자는 기 환자들과 마찬가지로 뇌혈관의 동맥경화증에 의한 혈전 및 심장에서 유래된 색전에 의한 뇌혈관의 폐색으로 인한 뇌경색 환자일 수 있으나, 대상자가 반드시 이에 한정되는 것은 아니다. 대상자는 본 개시의 뇌경색 치료 여부 결정 장치(10)(도 9 참고) 또는 방법을 통해 뇌경색 치료 방침 정보를 제공 받는 테스트 환자를 의미할 수 있다.
도 2를 함께 참조하여 본 개시의 복수의 예측 모델에 관하여 설명한다. 복수의 예측 모델은 뇌경색 치료의 수행 여부 및 수행 시 성패 여부에 따라 서로 다른 예측값을 출력하는 것을 특징으로 한다. 더 구체적으로, 복수의 예측 모델은 치료 수행 시 성공 확률을 예측하는 1개의 예측 모델(M1) 및 치료의 수행 여부 및 수행 시 성패 여부에 따라 나뉘는 3개의 예측 모델(M2, M3, M4)을 포함하여 총 4개의 예측 모델을 포함할 수 있다.
도 2를 참조하면, 대상자에 대한 뇌경색 치료 여부 및 치료 수행 시 성공 여부에 따라 4개의 경우의 수가 도출되며, 각 경로에 대하여 서로 다른 예측 모델을 이용하여 각 경로에 대한 예측값을 획득할 수 있다. 먼저, 대상자에 대하여 뇌경색 치료 여부를 결정할 수 있다. 이하, 상기 “치료”는 혈전제거술(endovascular thrombectomy; EVT) 시술인 것을 예로 들어 설명하나, 치료 방법은 본 발명을 한정하지 않는다. 시술을 수행하는 경우(YES-1)와 시술을 시행하지 않는 경우(NO-1)로 나뉠 수 있고, 시술을 수행한 경우는 다시 치료 성공 여부에 따라 시술에 성공한 경우(YES-2)와 시술에 실패한 경우(NO-2)로 나뉠 수 있다.
시술을 수행하는 경우(YES-1) 치료 성공 여부에 대하여 시술 결과, 다시 말해 치료 성공 확률을 예측하는 제1 모델(M1)을 이용할 수 있다. 시술 수행 후 시술에 성공한 경우(YES-2)에 대하여는 시술 성공 시의 임상적 결과(clinical outcome)를 예측하는 제2 모델(M2)을 이용할 수 있고, 마찬가지로 시술에 실패한 경우(NO-2)에는 실패 시의 임상적 결과를 예측하는 제3 모델(M3)을 이용할 수 있다. 시술을 수행하지 않은 경우(NO-1)에는 시술 미수행 시 임상적 결과를 예측하는 제4 모델(M4)을 이용할 수 있다.
복수의 예측 모델은, 이하의 4개의 예측 모델을 포함할 수 있다. 제1 모델(M1)은 상기 복수의 기 환자들 중 치료를 수행한 환자들을 포함하는 제1 환자군(G1)의 뇌 영상 데이터를 기초로 학습된다. 제2 모델(M2)은 상기 치료를 수행한 환자들 중 치료에 성공한 환자를 포함하는 제2 환자군(G2)의 뇌 영상 데이터를 기초로 학습되고, 제3 모델(M3)은 상기 치료를 수행한 환자들 중 치료에 실패한 환자를 포함하는 제3 환자군(G3)의 뇌 영상 데이터를 기초로 학습되고, 제4 모델(M4)은 상기 복수의 기 환자들 중 치료를 수행하지 않은 환자들을 포함하는 제4 환자군(G4)의 뇌 영상 데이터를 기초로 학습된다.
상술한 제1 내지 제4 모델(M1, M2, M3, M4)을 이용한 본 발명의 입출력 특성에 관하여는 후술하는 출력 단계(S300)에서 도 3을 함께 참조하여 더 상세히 설명한다.
예측 모델은 다양한 종류의 기계 학습(머신 러닝, Machine Learning) 기법으로 생성된 것일 수 있다. 예측 모델은 인공신경망(Artificial Neural Network)을 기반으로 하는 모델일 수 있고, 인공신경망의 네트워크 구조는 본 발명을 한정하지 않는다.
복수의 예측 모델의 입출력 특성 및 모델 학습 단계에 관하여는 후술하는 도 3 및 도 4에서 더 상세히 설명한다.
이후, 상기 대상자의 뇌 영상 데이터로부터 입력 데이터를 획득하여, 상기 입력 데이터를 상기 복수의 예측 모델에 입력하는 입력 단계(S200)가 수행된다.
본 개시의 뇌 영상 데이터는 전술한 확산강조영상(DWI) 데이터를 포함할 수 있다. 본 개시의 입력 데이터는 상기 DWI 데이터를 가공하여 얻은 겉보기 확산계수(Apparent Diffusion Coefficient; ADC) 데이터, 병변 용량(lesion volume) 및 병변 반구(lesion hemisphere)(R/L)를 포함할 수 있으나, 이에 한정되지 않는다. 상기 ADC 데이터는 상기 뇌 영상 데이터에 대하여 추출한 복수의 ADC 값들의 다양한 기준에 따른 변형값 또는 분포를 나타내는 다양한 통계 데이터일 수 있다. 구체적으로, 상기 ADC 데이터는 ADC 데이터의 범위(range), 평균값(mean), 중앙값(median), 왜곡도(skew), 첨도(kurtosis), 5 백분위수(5 percentile), 10 백분위수(10 percentile), 25 백분위수(25 percentile), 75 백분위수(75 percentile) 및 90 백분위수(90 percentile)를 포함할 수 있다. 본 개시의 모델 학습 단계 및 출력 단계에 사용되는 입력 데이터는 상술한 입력 데이터들 중에서 선택된 적어도 하나의 데이터일 수 있으나, 이에 한정되지 않으며 뇌경색 치료 여부를 결정하는데 이점이 있는 범위 내에서 다양한 데이터가 될 수 있다. 일 예로 상기 ADC 통계(ADC statistics) 데이터는 ADC 히스토그램 데이터를 기초로 획득될 수 있으며, 히스토그램 데이터에 관하여는 후술하는 도 6 내지 도 8에서 더 상세히 설명한다.
입력 단계(S200)는 후술하는 단계들을 포함할 수 있다. 대상자의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하는 단계가 수행될 수 있다. 이후, 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 단계가 수행될 수 있다.
이후, 상기 입력 데이터를 기초로 상기 복수의 예측 모델 각각에 의한 예측값을 출력하는 출력 단계(S300)가 수행된다.
출력 단계(S300)에서는 상기 복수의 예측 모델 각각을 이용하여 상기 입력 데이터를 기초로 서로 다른 예측값들을 출력할 수 있다. 상기 예측값은 대상자의 뇌 영상 데이터를 기초로 산출된 시술 결과 중 호전적 결과를 보일 확률 또는 임상 결과 중 좋은 예후(good outcome)를 보일 확률일 수 있다.
상기 출력 단계(S300)는 다음의 단계들을 포함한다.
제1 모델(M1)을 이용하여 입력 데이터를 기초로 대상자에 대하여 치료를 성공할 확률을 나타내는 제1 예측값(P1)을 출력하는 단계가 수행된다. 제1 예측값(P1)은 대상자의 뇌 영상 데이터를 기초로 산출된 시술 결과 중 호전적 결과를 보일 확률로서, 시술에 성공할 확률을 의미할 수 있다. 제2 모델(M2)을 이용하여 입력 데이터를 기초로 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 상기 제2 예측값(P2)을 출력하는 단계가 수행된다. 제3 모델(M3)을 이용하여 입력 데이터를 기초로 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 제3 예측값(P3)을 출력하는 단계가 수행된다. 마찬가지로, 제4 모델(M4)을 이용하여 입력 데이터를 기초로 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 제4 예측값(P4)을 출력하는 단계가 수행된다. 상기 제2, 제3 및 제4 예측값(P2, P3, P4)은 시술 수행 또는 미수행 시 임상 결과 중 좋은 예후(good outcome)를 보일 확률을 의미할 수 있다.
이후, 상기 복수의 예측값(P1, P2, P3, P4)을 기초로 변수를 생성하고, 상기 변수가 미리 설정된 기준에 부합하는지 판단하여 상기 대상자의 뇌경색 치료 여부를 결정하는 결정 단계(S400)가 수행된다. 이하, 도 3을 함께 참조하여 결정 단계(S400)에 관하여 설명한다.
먼저, 전술한 제1, 제2 및 제3 예측값(P1, P2, P3)을 기초로 제1 변수(Q1)를 산출하는 단계가 수행된다(S410). 치료의 성패 여부는 대상자의 임상적 결과(clinical outcome)에 미치는 영향이 크므로 제1 모델(M1)을 이용하여 먼저 제1 예측값(P1)을 출력한다. 제1 예측값(P1)은 뇌 영상 데이터의 혈전의 성분, 혈전의 위치, 혈관의 구불거림 정도에 의해 결정될 수 있다.
제1 변수(Q1)는 아래 [관계식 1]을 만족한다.
[관계식 1]
Q1=P1×P2+(1-P1)×P3
상기 [관계식 1]에 의하면 제1 변수(Q1)는 대상자에 대하여 치료가 성공할 확률(P1)과 치료가 성공했을 때 좋은 예후를 보일 확률(P2)을 곱한 값과, 치료가 실패할 확률(1-P1)과 치료가 실패했을 때 좋은 예후를 보일 확률(P3)을 곱한 값을 더한 값으로 해석할 수 있다. 다시 말해, 제1 변수(Q1)는 대상자에 대하여 치료를 수행했을 때 좋은 예후를 보일 확률을 합산한 값을 의미한다.
이후, 제1 변수(Q1) 및 제4 예측값(P4)을 기초로 제2 변수(Q2)를 산출하는 단계가 수행된다(S420). 제2 변수(Q2)는 아래 [관계식 2]를 만족한다.
[관계식 2]
Q2=Q1/P4
상기 [관계식 2]에 의하면, 제4 예측값(P4)는 제4 모델(M4)에 의한 출력값이므로, 제2 변수(Q2)는 치료 미수행 시 좋은 예후를 보일 확률(P4)과 치료 수행 시 좋은 예후를 보일 확률(Q1)의 비율로 해석할 수 있다. 일 예로, 제2 변수(Q2)가 1보다 크다면 치료를 수행했을 때가 수행하지 않았을 때보다 대상자가 좋은 예후를 보일 확률이 높은 것이므로 치료를 수행하는 것으로 결정할 수 있고, 반대로 제2 변수(Q2)가 1보다 작다면 치료를 수행하지 않았을 때가 수행했을 때보다 좋은 예후를 보일 확률이 높은 것이므로 치료를 수행하지 않는 것으로 결정할 수 있다. 제2 변수(Q2)가 1과 같은 경우(Q1=P4)는 대상자의 다른 여러 환자 요인들을 고려하여 치료 수행 여부를 결정할 수 있다.
이후, 제2 변수(Q2)가 미리 설정된 기준에 부합하는지 판단하는 단계가 수행된다(S430). 이후, 제2 변수(Q2)가 상기 기준에 부합하는 경우(YES, S431) 치료를 수행하는 것으로 결정하고(S441), 부합하지 않는 경우(NO, S432) 치료를 수행하지 않는 것으로 결정하는 단계(S445)가 수행된다.
가령, 상기 기준은 제2 변수(Q2)가 소정의 임계(threshold) 값 이상인지 여부일 수 있다. 제2 변수(Q2)가 상기 임계값 이상인 경우 EVT 시술을 수행하고, 제2 변수(Q2)가 상기 임계값 보다 작은 경우 EVT 시술을 수행하지 않는 것으로 결정할 수 있다. 상기 임계 값은 앞서 설명한 '1'일 수도 있고, 1보다 큰 소정의 값일 수도 있다. 실시예에 따라서, 상기 기준은 제2 변수(Q2)의 분모, 즉 제4 예측값(P4)이 이미 획득된 제4 예측값(P4)들이나 미리 설정된 기준값보다 크게 예측되는 경우, 제2 변수(Q2)의 분자, 즉 제1 변수(Q1)의 값의 대소 여부에 상관없이 EVT 시술을 하지 않는 것으로 결정할 수 있다. 상기 기준은 전술한 바에 한정되지 않으며, 대상자에 대하여 뇌경색 치료 여부를 합리적으로 예상할 수 있는 다양한 범위 내에게 설계 변경될 수 있다.
이하, 도 4 및 도 5를 함께 사용하여 본 발명의 일 실시예에 따른 모델 학습 단계(S100)(도 1 참고)에 대하여 설명한다. 도 4는 본 발명의 일 실시예에 따른 모델 학습 단계에서의 복수의 예측 모델에 대한 입출력 관계를 도시한 구성도이고, 도 5는 본 발명의 일 실시예에 따른 모델 학습 단계를 설명하기 위한 구성도이다. 도 4(a), 4(b), 4(c) 및 4(d) 각각에는 제1 내지 제4 모델(M1, M2, M3, M4) 각각에 대한 학습용 입출력 데이터가 도시되어 있다.
모델 학습 단계(S100)에서 사용되는 학습용 입력 데이터에는 도 1에 대한 설명 중 입력 단계(S200)에서 전술한 입력 데이터에 관한 설명과 동일한 내용이 적용될 수 있으므로, 중복되는 내용은 설명을 간략히 하거나 생략할 수 있다. 모델 학습 단계(S100)는 후술하는 학습용 입력 데이터 및 학습용 출력 데이터를 획득하는 단계를 포함할 수 있다.
먼저, 복수의 기 환자들의 뇌 영상 데이터를 기초로 학습용 입력 데이터(I1, I2, I3, I4)를 획득하는 단계가 수행된다. 도 5를 함께 참조하면, 상기 학습용 입력 데이터를 획득하는 단계는, 상기 복수의 기 환자들의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하는 단계 및 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 단계(feature extraction)를 포함할 수 있다. 학습용 입력 데이터에 관하여는 도 1의 입력 단계(S200)에서 설명한 입력 데이터와 동일한 내용이 적용될 수 있다. 도 5의 학습용 입출력 데이터 간의 관계는 임상적 결과를 예측하는 본 개시의 제2 내지 제4 예측 모델(M2, M3, M4)에 적용될 수 있으며, 이 경우 학습용 입력 데이터로서 확산 병변 용량(Diffusion lesion volume)이 활용될 수 있다.
이때 상기 DWI 데이터는 뇌졸중 발병(stroke onset) 후 치료 방침 결정 전에 촬영한 기준선 DWI(baseline DWI) 데이터일 수 있다. 실시예에 따라서, 제1 모델(M1)의 학습에 이용되는 제1 학습용 입력 데이터(I1)는 전술한 DWI 영상으로부터 추출한 ADC 데이터, 자기공명 혈관 조영술(Magnetic Resonance angiography; MR angiography)로 도출한 혈관의 구불거림(tortuosity) 값 및 경사 에코(gradient echo) 영상으로부터 추출한 응고(clot) 부위 블루밍 아티팩트(blooming artifact) 패턴 중 적어도 하나일 수 있다. 즉, 학습용 입력 데이터 추출에 필요에 따라 DWI 데이터 뿐만 아니라 경사 에코 영상 데이터가 활용될 수 있으며, 학습용 입력 데이터로서는 ADC 데이터, 혈관의 구불거림 값 및 블루밍 아티팩트 값들의 적절한 조합이 활용될 수 있다. 그러나, 학습용 입력 데이터는 전술한 바에 한정되지 않으며, 뇌경색 치료 여부를 합리적이고 효과적으로 결정할 수 있는 범위 내에서 다양한 데이터가 채용, 조합될 수 있다.
모델 학습 단계(S100)에서 상기 예측 모델들(M1 내지 M4) 각각에는 제1 내지 제4 환자군(G1, G2, G3, G4) 각각의 뇌 영상 데이터를 기초로 획득된 학습용 입력 데이터(image feature)가 입력될 수 있다.
제1 모델(M1)은 상기 복수의 기 환자들 중 치료를 수행한 환자들을 포함하는 제1 환자군(G1)의 뇌 영상 데이터를 기초로 학습되는 모델이다. 제2 모델(M2)은 상기 치료를 수행한 환자들 중 치료에 성공한 환자를 포함하는 제2 환자군(G2)의 뇌 영상 데이터를 기초로 학습되는 모델이다. 제3 모델(M3)은 상기 치료를 수행한 환자들 중 치료에 실패한 환자를 포함하는 제3 환자군(G3)의 뇌 영상 데이터를 기초로 학습되는 모델이다. 제4 모델(M4)은 상기 복수의 기 환자들 중 치료를 수행하지 않은 환자들을 포함하는 제4 환자군(G4)의 뇌 영상 데이터를 기초로 학습되는 모델이다.
다음, 상기 복수의 예측 모델(M1 내지 M4)을 이용하여 상기 학습용 입력 데이터(I1, I2, I3, I4)로부터 미리 설정된 기준에 따라 학습용 출력 데이터(O1, O2, O3, O4)를 획득하는 단계가 수행된다.
제1 모델(M1)을 이용하여 학습용 출력 데이터(O1)를 획득하는 단계는, 후술하는 단계들을 포함할 수 있다. 전술한 DWI 데이터에 대한 mTICI(modified Treatment In Cerebral Infarction) 점수가 미리 설정된 값 이상인지 여부를 판단할 수 있다. mTICI 점수는 순차적으로 0, 1, 2a, 2b, 3의 값을 가질 수 있다.
이후, mTICI 점수가 미리 설정된 값 이상인 경우 시술이 유리할 것이라 예측하는 제1 결과값(favorable outcome)을 부여할 수 있고, mTICI 점수가 미리 설정된 값 미만인 경우 상기 제1 결과값과 상이한, 시술이 불리할 것이라 예측하는 제2 결과값(unfavorable outcome)을 부여할 수 있다. 일 예로 상기 미리 설정된 값은 2b일 수 있다. 이때, 제1 결과값은 mTICI≥2b을 만족하도록 2b, 3의 값을 가질 수 있다. 상기 DWI 데이터는 전술한 ADC 히스토그램 데이터일 수 있다. 다시 말해, mTICI 점수를 이분화(dichotomize) 하여 선택된 기 환자의 DWI 데이터의 임상적 결과를 이진(binary) 변수화할 수 있는 것이다. 제1 학습용 출력 데이터(O1)는 전술한 제1 결과값 또는 제2 결과값이 부여된 데이터를 포함할 수 있다. 여기서, 전술한 제1 예측값(P1)은 전체 데이터 대비 제1 결과값 데이터의 비율을 고려하여 결정될 수 있으며, 그 외에 환자 요인, 환경적 요인들이 종합적으로 고려되어 결정될 수 있다.
다시 도 5를 함께 참조하면, 제2, 제3 및 제4 모델(M2, M3, M4)을 이용하여 학습용 출력 데이터(O2, O3, O4)를 획득하는 단계는, 후술하는 단계들을 포함할 수 있다. 전술한 DWI 데이터에 대한 mRS(modified Rankin Scale) 점수가 미리 설정된 값 이하인지 여부를 판단할 수 있다. 이때, 상기 mRS 값은 치료 후 90일째 측정한 90일 mRS 점수(mRS_90d)일 수 있다. 이후, mRS 점수가 미리 설정된 값 이하인 경우 좋은 예후를 보일 것으로 예측하는 제1 임상 결과값(clinical favorable outcome)을 부여할 수 있고, mRS 점수가 미리 설정된 값 초과인 경우 예후가 좋지 않을 것으로 예상하는 상기 제1 임상 결과값과 상이한 제2 임상 결과값(clinical unfavorable outcome)을 부여할 수 있다. 일 예로 상기 미리 설정된 값은 2로서, 제1 임상 결과값은 (mRS_90d)≤2을 만족하는 데이터에 대하여 부여될 수 있다. 마찬가지로, mRS 점수를 이분화(dichotomize) 하여 선택된 기 환자의 DWI 데이터의 임상적 결과를 이진(binary) 변수화할 수 있는 것이다.
제2 내지 제4 학습용 출력 데이터(O2, O3, O4)는 전술한 제1 임상 결과값 또는 제2 임상 결과값이 부여된 데이터를 포함할 수 있다. 여기서, 전술한 제2 내지 제4 예측값(P2, P3, P4)은 각 모델의 전체 데이터 대비 제1 임상 결과값 데이터의 비율을 고려하여 결정될 수 있으며, 그 외에 환자 요인, 환경적 요인들이 종합적으로 고려되어 결정될 수 있다.
도 5를 참조하면, 복수의 예측 모델은 전술한 바에 따라 획득된 학습용 입력 데이터 및 학습용 출력 데이터를 이용하여 기계 학습될 수 있다(Model development). 이와 같이 학습된 예측 모델에 대하여 새로운 테스팅용 학습용 데이터 세트, 또는 대상자의 데이터 세트를 적용하여 복수의 예측 모델 각각이 갱신, 업데이트될 수 있다.
본 개시는 코어 영역(core volume)에 해당되는 값과 저관류 부위(PWI lesion volume)에 해당하는 값을 DWI 데이터로부터 구할 수 있고, 이는 후술하는 가정에 기반한다.
급성 뇌경색 환자의 시술 전 시행한 DWI 데이터는 최소 뇌경색이 남았을 경우(core) 나타내는 특징(feature)과 최대 뇌경색이 남았을 경우(PWI lesion volume)를 나타내는 특징을 모두 가지고 있다.
급성 뇌경색 환자에서 폐색된 혈관이 개통된 경우(시술 성공) core에 해당되는 부위만이 추적 검사한 DWI 데이터 상에 표시되며, 이렇게 진행한 경우 제1 임상 결과값(clinical good outcome)을 가질 확률을 DWI 데이터로부터 제2 모델(M2)을 이용하여 예측할 수 있다.
급성 뇌경색 환자에서 폐색된 혈관이 개통되지 않은 경우(시술 실패) 최초 저관류부위에 해당하는 부분은 모두 뇌경색으로 진행하며, 이렇게 진행한 경우 제1 임상 결과값(clinical good outcome)을 가질 확률을 DWI 데이터로부터 제3 모델(M3)을 이용하여 예측할 수 있다.
이와 같이, 본 개시에 따른 뇌경색 치료 여부 결정 방법에 따르면, 급성기 뇌경색 환자에 대하여 DWI 데이터만을 기초로 학습된 학습 모델을 이용함으로써 신속하고 간소한 치료 여부 결정이 가능하다. 조영제를 사용하는 PWI 데이터의 활용을 생략할 수 있어 환자에 대한 검사 부작용을 최소화하여 검사 안정성을 높일 수 있다.
이때, 치료 시행 여부 및 시행 시 성패 여부에 따른 별개의 학습 모델을 설계하고, 이러한 복수의 학습 모델 각각의 출력값의 관계를 이용하여 DWI 데이터를 이용한 치료 여부 결정 알고리즘을 제공함으로써 예후 예측의 용이성 및 정확성을 향상시킬 수 있다.
이상에서는, DWI 데이터로부터 추출한 입력 데이터, 학습용 입력 데이터를 기초로 기계 학습되는 예측 모델을 이용하여 치료 방침을 결정하는 방법에 관하여 설명하였다. 그러나, 치료 방침을 결정하는 방법은 전술한 바에 한정되지 않으며, 실시예에 따라서 다른 영상 획득 방식, 예를 들어 경사 에코 (GRE) 영상이나 SWI(susceptibility weighted imaging) 영상에서 획득된 혈전 주위의 블루밍 아티팩트(blooming artifact) 패턴, MR 혈관 조영술(MR angiography) 영상에서 획득된 혈관의 구불거림 값으로부터 추출한 특징을 기계학습에 이용하여 본 발명의 치료 방침을 결정할 수도 있다.
도 6은 본 발명에서 제시하는 뇌경색 치료 여부 결정 방법이 기존의 가장 수준 높은(gold standard) 치료 결정 방식인 타겟 미스매치 방법을 기준(reference)으로 할 때, 그 성능이 어떠한 지를 보여주는 그래프이다. 총 41명의 외부 검증(external validation) 환자(n=41)를 대상으로, 환자별로 상용화 소프트웨어를 이용해 계산한 타겟 불일치(Target mismatch) 여부를 획득하였고, 본 발명의 일 실시예를 이용하여 제2 변수(Q2) 값을 계산하였다. 도 6의 제2 프로파일(L2)은 상기 계산에 의한 제2 변수(Q2) 값을 나타내는 커브이다.
타겟 불일치 방식에서는 미스매치 여부를 판단할 때, DWI 데이터와 PWI 데이터로부터 ADC의 임계값은 620*10-6 mm2/s 미만(threshold < 620*10-6 mm2/s), 그리고 Tmax의 임계값은 6(sec) 초과(Tmax threshold > 6s)인 조건을 기반으로, 코어 영역(core volume, DWI lesion volume)과 코어 영역과 반음 영역의 합산 영역((core+penumbra) volume, PWI lesion volume)을 각각 계산한다. 타겟 불일치 여부는 통상적으로 i) DWI lesion volume < 70 mL, ii) (PWI lesion volume)/(DWI lesion volume)의 비율이 1.8 이상, iii) (PWI lesion volume)과 (DWI lesion volume) 차이가 15 mL 이상이면 불일치 존재(mismatch presence), 즉 EVT를 시행하는 것으로, 그렇지 않으면 불일치 부재(mismatch absence), 즉 EVT를 시행하지 않는 것으로 결정할 수 있다.
이와 대비하여 본 발명의 일 실시예에 따른 치료 여부 결정 방법은, PWI 데이터로부터 합산 영역(PWI lesion volume)의 측정 없이, 즉 DWI 데이터만으로 추출한 특징을 입력 데이터로 하여 기계 학습된 복수의 예측 모델을 이용하여 각 경우의 수에 대하여 좋은 예후를 보일 확률 값들을 계산할 수 있다. 이후, 상기 확률 값들 간의 특정 관계식(예컨대, 전술한 관계식 1 및 관계식 2)을 이용하여 계산한 값에 대하여 미리 설정된 기준을 적용함으로써, 뇌경색 치료를 위한 시술 여부를 용이하게 계산할 수 있다.
제2 프로파일(L2)은 ROC(Receiver Operating Characteristic) 커브로서, x, y 좌표가 모두 0 이상 1 이하의 값을 가지며 적분 면적(Area Under the Curve; AUC)은 0 이상 1 이하의 범위를 가질 수 있다. 도 6의 점선으로 도시된 제1 프로파일(기준선, L1)과 같이 적분 면적(AUC)이 0.5이면 랜덤에 가까운 성능을 가지고, 이와 달리 적분 면적(AUC)이 1이면 최적의 성능을 가져 이상적인 경우라 할 수 있다. 반면, 도 6에 제2 프로파일(L2)은 그 적분 면적(AUC)이 0.75인 커브로 도시하였으며, 전술한 제2 변수(Q2)의 임계값(threshold)을 어떻게 정하느냐에 따라 감도(sensitivity) 및 특이성(specificity) 값이 다르게 계산될 수 있다.
이하, 도 7 내지 도 9를 사용하여 본 발명의 실시예에 따른 예측 모델의 입출력 특성에 대하여 설명한다. 도 7 내지 도 9의 데이터들은 ADC 히스토그램 데이터의 5 백분위수(5 percentile) 및 10 백분위수(10 percentile)에 해당하는 ADC 값이 좋은 예후인지 나쁜 예후인지를 판정하는데 중요한 판단 기준이 되는 것을 뒷받침한다.
도 7은 본 발명의 일 실시예에 따른 제2 모델에 의한 입출력 특성을 설명하기 위한 도면이다.
도 7(a)는 EVT 성공 시 예후가 좋은 예시로서 전술한 제1 임상 결과값을 가지는 데이터이다 (mTICI=3, (mRS_90d)=2). 도 7(b)는 EVT를 성공해도 예후가 안 좋은 예시로서 전술한 제2 임상 결과값을 가지는 데이터이다 (mTICI=3, (mRS_90d)=5). 우측의 ADC 히스토그램 데이터의 5 백분위수 및 10 백분위수에 해당하는 ADC 값을 비교하면, 도 7(b)가 도 7(a)에 비해 상대적으로 작은 것을 확인할 수 있다. 다시 말해, 5 백분위수 및 10 백분위수에 해당하는 ADC 값이 클수록 예후가 좋은 것으로 예측할 수 있다.
도 8은 본 발명의 다른 실시예에 따른 제3 모델에 의한 입출력 특성을 설명하기 위한 도면이다.
도 8(a)는 EVT에 실패해도 예후가 좋은 예시로서 전술한 제1 임상 결과값을 가지는 데이터이다 (mTICI=0, (mRS_90d)=1). 도 8(b)는 EVT 실패 시 예후가 안 좋은 예시로서 전술한 제2 임상 결과값을 가지는 데이터이다 (mTICI=0, (mRS_90d)=4). 도 7과 마찬가지로, 우측의 ADC 히스토그램 데이터의 5 백분위수 및 10 백분위수에 해당하는 ADC 값을 비교하면, 도 8(b)가 도 8(a)에 비해 상대적으로 작은 것을 확인할 수 있다. 다시 말해, 5 백분위수 및 10 백분위수에 해당하는 ADC 값이 클수록 예후가 좋은 것으로 예측할 수 있다.
도 9는 본 발명의 다른 실시예에 따른 제4 모델에 의한 입출력 특성을 설명하기 위한 도면이다.
도 9(a)는 EVT 미수행 시 예후가 좋은 예시로서 전술한 제1 임상 결과값을 가지는 데이터이다 (mRS_90d=2). 도 9(b)는 EVT 미수행 시 예후가 안 좋은 예시로서 전술한 제2 임상 결과값을 가지는 데이터이다 (mRS_90d=5). 마찬가지로, 우측의 ADC 히스토그램 데이터의 5 백분위수 및 10 백분위수에 해당하는 ADC 값을 비교하면, 도 9(b)가 도 9(a)에 비해 상대적으로 작은 것을 확인할 수 있다. 다시 말해, 5 백분위수 및 10 백분위수에 해당하는 ADC 값이 클수록 예후가 좋은 것으로 예측할 수 있다.
제1 결과값 데이터는 제2 결과값 데이터와 대비하여, ADC 히스토그램 데이터의 미리 설정된 백분위 값(일 예로, 5, 10 percentile)에 해당하는 ADC 값이 더 큰 것을 특징으로 할 수 있다.
도 10은 본 발명의 일 실시예에 따른 뇌경색 치료 여부 결정 장치(이하, '결정 장치'라 지칭한다.)를 개략적으로 도시한 블록도이다. 상기 결정 장치(10)는 제어부(100) 및 출력부(200)를 포함할 수 있다. 결정 장치(10)는 도 10에 도시된 구성요소들 외에 다른 범용적인 구성요소들을 더 포함할 수 있다.
제어부(100)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 제어부(100)는 프로세서를 이용하여 예측 장치(10)를 전반적으로 제어하는 동작을 수행할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이처럼 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
제어부(100)는 복수의 기 환자들의 뇌 영상 데이터를 기초로 대상자의 뇌경색 치료 여부에 따른 예측값을 출력하는 복수의 예측 모델을 학습시킬 수 있다. 또한, 상기 대상자의 뇌 영상 데이터로부터 입력 데이터를 획득하여, 상기 입력 데이터를 상기 복수의 예측 모델에 입력할 수 있다.
출력부(200)는 상기 입력 데이터를 기초로 상기 복수의 예측 모델 각각에 의한 예측값을 출력하는 출력할 수 있다. 상기 복수의 예측값을 기초로 변수를 생성하고, 상기 변수가 미리 설정된 기준에 부합하는지 판단하여 상기 대상자의 뇌경색 치료 여부를 결정하는 결정할 수 있다.
복수의 예측 모델은, 뇌경색 치료의 수행 여부 및 수행 시 성패 여부에 따라 서로 다른 예측값을 출력하는 것을 특징으로 한다. 상기 경우의 수에 따라 제1 내지 제4 모델을 포함할 수 있으며, 이에 관하여는 결정 방법에서 전술한 것과 동일한 내용이 적용될 수 있다.
상기 뇌 영상 데이터는 확산강조영상(DWI) 데이터를 포함할 수 있다.
제어부(100)는 상기 대상자의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하고, 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득할 수 있다.
출력부(200)는 제1 모델(M1)을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 치료를 성공할 확률을 나타내는 제1 예측값(P1)을 출력할 수 있다. 출력부(200)는 제2 내지 제4 모델(M2, M3, M4) 각각을 이용하여 상기 입력 데이터를 기초로 상기 대상자에 대하여 좋은 예후를 보일 확률을 나타내는 제2 내지 제4 예측값(P2, P3, P4) 각각을 출력할 수 있다.
이후, 출력부(200)는 제1, 제2 및 제3 예측값(P1, P2, P3)을 기초로 제1 변수(Q1)를 산출하고, 제1 변수(Q1) 및 제4 예측값(P4)을 기초로 제2 변수(Q2)를 산출할 수 있다. 이후, 제2 변수(Q2)가 상기 미리 설정된 기준에 부합하는지 판단하여, 부합하는 경우 치료를 수행하고, 부합하지 않는 경우 치료를 수행하지 않는 것으로 결정할 수 있다.
제1 변수(Q1) 및 제2 변수(Q2)는 아래의 관계식을 만족할 수 있다.
[관계식 1]
Q1=P1×P2+(1-P1)×P3
[관계식 2]
Q2=Q1/P4
제어부(100)는 상기 복수의 기 환자들의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하고, 상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하여 학습용 입력 데이터를 획득할 수 있다. 또한, 상기 복수의 예측 모델을 이용하여 상기 학습용 입력 데이터로부터 미리 설정된 기준에 따라 학습용 출력 데이터를 획득할 수 있다.
출력부(200)는 제1 모델(M1)을 이용하여 학습용 출력 데이터를 획득할 때, DWI 데이터에 대한 mTICI 점수가 미리 설정된 값 이상인지 여부를 판단하고, 상기 mTICI 점수가 미리 설정된 값 이상인 경우 제1 결과값을 부여하고, 상기 mTICI 점수가 미리 설정된 값 미만인 경우 상기 제1 결과값과 상이한 제2 결과값을 부여할 수 있다.
출력부(200)는 제2, 제3 및 제4 모델(M2, M3, M4)을 이용하여 상기 학습용 출력 데이터를 획득할 때, 상기 DWI 데이터에 대한 mRS 점수가 미리 설정된 값 이하인지 여부를 판단할 수 있다. 상기 mRS 점수가 미리 설정된 값 이하인 경우 제1 임상 결과값을 부여하고, 상기 mRS 점수가 미리 설정된 값 초과인 경우 상기 제1 임상 결과값과 상이한 제2 임상 결과값을 부여할 수 있다.
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
따라서, 본 발명의 사상은 앞에서 설명된 실시예들에 국한하여 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위가 본 발명의 사상의 범주에 속한다고 할 것이다.

*M1: 제1 모델
M2: 제2 모델
M3: 제3 모델
M4: 제4 모델
P1, P2, P3, P4: 예측값
Q1: 제1 변수
Q2: 제2 변수
10: 치료 여부 결정 장치
100: 제어부
200: 출력부

Claims (18)

  1. 컴퓨터 장치에 의해 수행되는 방법에 있어서,
    복수의 기 환자들의 뇌 영상 데이터를 확인하는 단계;
    뇌 영상 데이터 중 치료를 수행한 환자들을 포함하는 제1 환자군의 뇌 영상 데이터 및 상기 뇌 영상 데이터 중 치료를 수행하지 않은 환자들을 포함하는 제2 환자군의 뇌 영상 데이터를 확인하는 단계;
    상기 제1 환자군 중 치료에 성공한 환자를 포함하는 제3 환자군의 뇌 영상 데이터 및 상기 제1 환자군 중 치료에 실패한 환자를 포함하는 제4 환자군의 뇌 영상 데이터를 확인하는 단계;
    상기 제2 환자군의 뇌 영상 데이터. 상기 제3 환자군의 뇌 영상 데이터 및 상기 제4 환자군의 뇌 영상 데이터에 기반하여 네트워크 모델을 이용하여 임상적 결과에 관한 확률을 산출하는 단계를 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  2. 제1항에 있어서,
    상기 네트워크 모델은,
    상기 복수의 기 환자들의 뇌 영상 데이터에 기반하여 학습되는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  3. 제1항에 있어서,
    상기 뇌 영상 데이터는 확산강조영상(diffusion-weighted image; DWI) 데이터를 포함하고,
    상기 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(Apparent Diffusion Coefficient; ADC) 데이터를 추출하는 단계; 및
    상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 단계;를 더 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  4. 제1항에 있어서,
    상기 제1 환자군의 뇌 영상 데이터를 기초로, 상기 치료를 수행한 환자의 치료 성공 여부에 관한 확률을 나타내는 제1 예측값을 산출하는 단계;
    상기 제2 환자군의 뇌 영상 데이터를 기초로, 상기 치료를 수행하지 않은 환자의 임상적 결과에 관한 확률을 나타내는 제2 예측값을 출력하는 단계;
    상기 제3 환자군의 뇌 영상 데이터를 기초로, 상기 치료에 성공한 환자의 임상적 결과에 관한 확률을 나타내는 제3 예측값을 출력하는 단계; 및
    상기 제4 환자군의 뇌 영상 데이터를 기초로, 상기 치료에 실패한 환자의 임상적 결과에 관한 확률을 나타내는 제4 예측값을 출력하는 단계; 를 더 포함하는, 뇌경색 치료 여부 결정 방법.
  5. 제4항에 있어서,
    상기 제1 예측값, 상기 제3 예측값 및 상기 제4 예측값을 기초로 제1 변수를 산출하는 단계;
    상기 제1 변수 및 상기 제2 예측값을 기초로 제2 변수를 산출하는 단계;
    상기 제2 변수가 미리 설정된 기준에 부합하는지 판단하는 단계; 및
    상기 제2 변수가 상기 기준에 부합하는 경우 치료를 수행하고, 부합하지 않는 경우 치료를 수행하지 않는 것으로 결정하는 단계;
    를 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  6. 제5항에 있어서,
    상기 제1 내지 제4 예측값을 각각 P1, P2, P3 및 P4라 할 때,
    상기 제1 변수(Q1) 및 상기 제2 변수(Q2)는 아래의 관계식을 만족하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
    [관계식 1]
    Q1=P1ХP3+(1-P1)ХP4
    [관계식 2]
    Q2=Q1/P2
  7. 제3항에 있어서,
    상기 복수의 기 환자들의 뇌 영상 데이터를 기초로 학습용 입력 데이터를 획득하는 단계; 및
    상기 네트워크 모델을 이용하여 상기 학습용 입력 데이터로부터 미리 설정된 기준에 따라 학습용 출력 데이터를 획득하는 단계;를 포함하고,
    상기 학습용 입력 데이터를 획득하는 단계는,
    상기 복수의 기 환자들의 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하는 단계; 및
    상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 단계;를 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  8. 제7항에 있어서,
    상기 학습용 출력 데이터를 획득하는 단계는,
    상기 DWI 데이터에 대한 mTICI(modified Treatment In Cerebral Infarction) 점수가 미리 설정된 값 이상인지 여부를 판단하는 단계;
    상기 mTICI 점수가 미리 설정된 값 이상인 경우 제1 결과값을 부여하는 단계; 및
    상기 mTICI 점수가 미리 설정된 값 미만인 경우 상기 제1 결과값과 상이한 제2 결과값을 부여하는 단계;
    를 더 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  9. 제7항에 있어서,
    상기 DWI 데이터에 대한 mRS(modified Rankin Scale) 점수가 미리 설정된 값 이하인지 여부를 판단하는 단계;
    상기 mRS 점수가 미리 설정된 값 이하인 경우 제1 임상 결과값을 부여하는 단계; 및
    상기 mRS 점수가 미리 설정된 값 초과인 경우 상기 제1 임상 결과값과 상이한 제2 임상 결과값을 부여하는 단계;
    를 더 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 방법.
  10. 대상자의 뇌경색 치료 여부를 결정하는 장치에 있어서, 상기 장치는 제어부 및 출력부를 포함하고,
    상기 제어부는,
    복수의 기 환자들의 뇌 영상 데이터를 확인하고, 뇌 영상 데이터 중 치료를 수행한 환자들을 포함하는 제1 환자군의 뇌 영상 데이터 및 상기 뇌 영상 데이터 중 치료를 수행하지 않은 환자들을 포함하는 제2 환자군의 뇌 영상 데이터를 확인하며, 상기 제1 환자군 중 치료에 성공한 환자를 포함하는 제3 환자군의 뇌 영상 데이터 및 상기 제1 환자군 중 치료에 실패한 환자를 포함하는 제4 환자군의 뇌 영상 데이터를 확인하고,
    상기 제2 환자군의 뇌 영상 데이터. 상기 제3 환자군의 뇌 영상 데이터 및 상기 제4 환자군의 뇌 영상 데이터에 기반하여 네트워크 모델을 이용하여 임상적 결과에 관한 확률을 산출하는 단계를 포함하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  11. 제10항에 있어서,
    상기 네트워크 모델은,
    상기 복수의 기 환자들의 뇌 영상 데이터에 기반하여 학습되는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  12. 제10항에 있어서,
    상기 뇌 영상 데이터는 확산강조영상(diffusion-weighted image; DWI) 데이터를 포함하고,
    상기 제어부는,
    상기 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(Apparent Diffusion Coefficient; ADC) 데이터를 추출하고,
    상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  13. 제10항에 있어서,
    상기 출력부는,
    상기 제1 환자군의 뇌 영상 데이터를 기초로, 상기 치료를 수행한 환자의 치료 성공 여부에 관한 확률을 나타내는 제1 예측값을 산출하고, 상기 제2 환자군의 뇌 영상 데이터를 기초로, 상기 치료를 수행하지 않은 환자의 임상적 결과에 관한 확률을 나타내는 제2 예측값을 출력하며, 상기 제3 환자군의 뇌 영상 데이터를 기초로, 상기 치료에 성공한 환자의 임상적 결과에 관한 확률을 나타내는 제3 예측값을 출력하고, 상기 제4 환자군의 뇌 영상 데이터를 기초로, 상기 치료에 실패한 환자의 임상적 결과에 관한 확률을 나타내는 제4 예측값을 출력하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  14. 제13항에 있어서,
    상기 출력부는,
    상기 제1 예측값, 상기 제3 예측값 및 상기 제4 예측값을 기초로 제1 변수를 산출하고, 상기 제1 변수 및 상기 제2 예측값을 기초로 제2 변수를 산출하며, 상기 제2 변수가 미리 설정된 기준에 부합하는지 판단하고, 상기 제2 변수가 상기 기준에 부합하는 경우 치료를 수행하고, 부합하지 않는 경우 치료를 수행하지 않는 것으로 결정하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  15. 제14항에 있어서,
    상기 제1 내지 제4 예측값을 각각 P1, P2, P3 및 P4라 할 때,
    상기 제1 변수(Q1) 및 상기 제2 변수(Q2)는 아래의 관계식을 만족하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
    [관계식 3]
    Q1=P1ХP3+(1-P1)ХP4
    [관계식 4]
    Q2=Q1/P2
  16. 제12항에 있어서,
    상기 제어부는,
    상기 DWI 데이터에 나타난 뇌 영상을 복수의 복셀(voxel)로 분할하고, 상기 복수의 복셀 각각에 대한 겉보기 확산계수(ADC) 데이터를 추출하고,
    상기 추출된 복수의 ADC 데이터 각각에 대한 상기 복셀의 분포를 나타낸 히스토그램 데이터를 획득하여 학습용 입력 데이터를 획득하고,
    상기 복수의 예측 모델을 이용하여 상기 학습용 입력 데이터로부터 미리 설정된 기준에 따라 학습용 출력 데이터를 획득하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  17. 제16항에 있어서,
    상기 출력부는 상기 학습용 출력 데이터를 획득할 때,
    상기 DWI 데이터에 대한 mTICI(modified Treatment In Cerebral Infarction) 점수가 미리 설정된 값 이상인지 여부를 판단하고,
    상기 mTICI 점수가 미리 설정된 값 이상인 경우 제1 결과값을 부여하고,
    상기 mTICI 점수가 미리 설정된 값 미만인 경우 상기 제1 결과값과 상이한 제2 결과값을 부여하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
  18. 제16항에 있어서,
    상기 출력부는,
    상기 DWI 데이터에 대한 mRS(modified Rankin Scale) 점수가 미리 설정된 값 이하인지 여부를 판단하고,
    상기 mRS 점수가 미리 설정된 값 이하인 경우 제1 임상 결과값을 부여하고,
    상기 mRS 점수가 미리 설정된 값 초과인 경우 상기 제1 임상 결과값과 상이한 제2 임상 결과값을 부여하는 것을 특징으로 하는, 뇌경색 치료 여부 결정 장치.
KR1020220118147A 2020-07-22 2022-09-19 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램 KR102582295B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220118147A KR102582295B1 (ko) 2020-07-22 2022-09-19 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200091259A KR102456892B1 (ko) 2020-07-22 2020-07-22 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램
KR1020220118147A KR102582295B1 (ko) 2020-07-22 2022-09-19 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200091259A Division KR102456892B1 (ko) 2020-07-22 2020-07-22 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20220133151A true KR20220133151A (ko) 2022-10-04
KR102582295B1 KR102582295B1 (ko) 2023-09-26

Family

ID=80268833

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200091259A KR102456892B1 (ko) 2020-07-22 2020-07-22 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램
KR1020220118147A KR102582295B1 (ko) 2020-07-22 2022-09-19 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200091259A KR102456892B1 (ko) 2020-07-22 2020-07-22 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (2) KR102456892B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240040159A (ko) * 2022-09-20 2024-03-28 전남대학교산학협력단 급성 허혈성 뇌졸중 이후 주요 심뇌혈관사건 위험도 예측 방법 및 프로그램

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001508573A (ja) * 1997-01-15 2001-06-26 カイロン コーポレイション 治療結果を予測する方法および装置
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
KR102043236B1 (ko) * 2018-05-17 2019-11-11 서울대학교산학협력단 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법 및 그 방법을 구현하기 위한 시스템
KR20200055690A (ko) * 2020-02-17 2020-05-21 (주)제이엘케이 인공지능 기반 pwi-dwi 미스매치 병변 추출 및 통합 평가 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001508573A (ja) * 1997-01-15 2001-06-26 カイロン コーポレイション 治療結果を予測する方法および装置
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
KR102043236B1 (ko) * 2018-05-17 2019-11-11 서울대학교산학협력단 수술 또는 치료결과데이터를 기초로 복수의 환자의 생체신호데이터를 전문가의 수작업에 의한 표지없이 치료후 예후데이터와의 관련성에 따라 자동으로 분류하기 위한 방법 및 그 방법을 구현하기 위한 시스템
KR20200055690A (ko) * 2020-02-17 2020-05-21 (주)제이엘케이 인공지능 기반 pwi-dwi 미스매치 병변 추출 및 통합 평가 방법 및 시스템

Also Published As

Publication number Publication date
KR20220012123A (ko) 2022-02-03
KR102456892B1 (ko) 2022-10-21
KR102582295B1 (ko) 2023-09-26

Similar Documents

Publication Publication Date Title
JP7090546B2 (ja) 灌流デジタルサブトラクション血管造影
CN107851464B (zh) 用于针对个体患者进行疾病进展建模和疗法优化的方法和系统
US7020578B2 (en) Method for evaluating novel, stroke treatments using a tissue risk map
US20190117179A1 (en) Systems And Methods For Deciding Management Strategy in Acute Ischemic Strokes Using Rotational Angiography
US20140303481A1 (en) Tissue Disorder Imaging Analysis
Zeng et al. Automatic diagnosis based on spatial information fusion feature for intracranial aneurysm
US10758125B2 (en) Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques
KR102472540B1 (ko) 뇌조직 병변 분포 예측 방법, 장치 및 컴퓨터 프로그램
Hachaj et al. CAD system for automatic analysis of CT perfusion maps
US20240005506A1 (en) Methods and systems for analyzing brain lesions with longitudinal 3d mri data
KR102582295B1 (ko) 머신 러닝 기반의 뇌경색 치료 여부 결정 방법, 장치 및 컴퓨터 프로그램
CN115605961A (zh) 利用机器学习从急性缺血性脑卒中患者的多期ct血管造影预测缺血性脑组织转归的系统及方法
US20100158337A1 (en) Method and device for performing a comparison between a left and a right half of the brain of a patient
CN112561848A (zh) 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
KR102043829B1 (ko) 병변 발생 시점 추정 방법, 장치 및 프로그램
KR20220110466A (ko) 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치
US20230089375A1 (en) 3d image analysis platform for neurological conditions
KR102447401B1 (ko) 뇌경색 심각도 기반의 뇌경색 예측 방법 및 그를 위한 장치
KR102447400B1 (ko) 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치
KR101991037B1 (ko) 혈전 종류 판별 방법, 장치 및 프로그램
RU2815435C2 (ru) Способ оконтуривания аномальных зон на результатах перкуссионного томографического сканирования
US20240136062A1 (en) Stroke diagnosis and therapy assistance system, stroke state information providing device, and stroke state information providing program
Alwood et al. Multicenter comparison using two AI stroke CT perfusion software packages for determining thrombectomy eligibility
Soliman A Brief Overview about Possible Imaging Modalities of Stroke
Mishra et al. Artificial Intelligence in Stroke

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant