KR20230044125A - 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 - Google Patents
심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20230044125A KR20230044125A KR1020220118440A KR20220118440A KR20230044125A KR 20230044125 A KR20230044125 A KR 20230044125A KR 1020220118440 A KR1020220118440 A KR 1020220118440A KR 20220118440 A KR20220118440 A KR 20220118440A KR 20230044125 A KR20230044125 A KR 20230044125A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- network model
- electrocardiogram
- thyroid
- electrocardiogram data
- Prior art date
Links
- 230000006016 thyroid dysfunction Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 107
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 18
- 206010020850 Hyperthyroidism Diseases 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 23
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 11
- 208000001871 Tachycardia Diseases 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006794 tachycardia Effects 0.000 claims description 7
- 102000011923 Thyrotropin Human genes 0.000 claims description 4
- 108010061174 Thyrotropin Proteins 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000010200 validation analysis Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000013103 analytical ultracentrifugation Methods 0.000 description 7
- 238000009601 thyroid function test Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000000748 cardiovascular system Anatomy 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 238000001807 normal pulse voltammetry Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 239000005495 thyroid hormone Substances 0.000 description 2
- 229940036555 thyroid hormone Drugs 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000003742 purkinje fiber Anatomy 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 229940034208 thyroxine Drugs 0.000 description 1
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 description 1
- 238000012762 unpaired Student’s t-test Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
-
- 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
- A61B5/72—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
- A61B5/7275—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Urology & Nephrology (AREA)
- Endocrinology (AREA)
- Gastroenterology & Hepatology (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 갑상선 기능 장애(dysfunction)를 진단하는 방법으로서, 심전도 데이터를 획득하는 단계; 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계를 포함하고, 상기 신경망 모델은, 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 방법을 제공할 수 있다.
Description
본 개시의 내용은 갑상선 기능 장애의 진단 방법에 관한 것으로, 구체적으로 심전도를 기초로 신경망 모델을 이용하여 갑상선 기능 장애를 진단하는 방법에 관한 것이다.
심전도(ECG: electrocardiogram)는 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환유무를 판별할 수 있게 하는 신호이다.
심전도의 발생 원인인 심장박동은 우심방(right atrium)에 자리잡은 동방결절(sinus node)에서 시작된 임펄스가 먼저 우심방과 좌심방(left atrium)을 탈분극(deploarization)시키며 방실결절 (atrioventricular node)에서 잠시 지체된 후 심실을 활성화시킨다.
중격(septum)이 가장 빠르고 벽이 얇은 우심실은 벽이 두꺼운 좌심실보다 먼저 활성화된다. 푸르키녜 섬유(purkinje fiber)까지 전달된 탈분극 파는 심근에서 파도(wavefront)와 같이 심장내막에서 외심막으로 퍼져나가면서 심실수축을 일으키게 된다. 정상적으로 전기적 자극이 심장을 통하여 전도되기 때문에 심장은 분당 약 60~100회 수축된다. 각 수축은 1회 심박동수로 나타낸다.
이와 같은 심전도는 두 부위 간의 전위차를 기록하는 양극 유도(bipolar lead)와 전극을 부착시킨 부위의 전위를 기록하는 단극 유도(unipolar lead)를 통해 검출할 수 있으며, 심전도를 측정하는 방법에는 양극 유도인 표준 유도(standard limb lead), 단극 유도인 사지 유도(unipolar limb lead), 단극 유도인 흉부 유도(precordial lead) 등이 있다.
심장의 전기적 활성단계는 크게 심방 탈분극, 심실 탈분극, 심실 재분극 시기로 나뉘며, 이러한 각 단계는 도 1에 나타난 바와 같이 P, Q, R, S, T파라고 불리는 몇 개의 파의 형태로 반영된다.
이러한 파들은 표준 형태를 갖추어야 심장의 전기적 활성이 정상이라고 볼 수 있다. 표준 형태인지 아닌지를 파악하기 위해서는 각 파가 유지되는 시간, 각 파끼리의 간격(interval), 각 파의 진폭, 첨도 등의 특징들이 정상 범위에 속하는지를 검사하여야 한다.
이러한 심전도는 고가의 측정 장비로 측정되어 환자의 건강상태를 측정하기 위한 보조 도구로 사용되며, 일반적으로 심전도 측정 장비는 측정결과만을 표시해주며 진단은 온전히 의사의 몫이었다.
현재, 의사의 의존도를 낮추기 위해 심전도를 기초로 인공지능을 이용하여 신속 정확하게 질환을 진단하는 연구가 계속되고 있다. 또한, 웨어러블, 라이프스타일 심전도 측정 기기의 발달과 함께 심전도를 기초로 심장 질환뿐만 아닌 다른 여러 질환을 진단 및 모니터링할 수 있는 가능성이 대두되고 있다.
특히 갑상선 기능 관련 질환의 경우 일상적으로 검진이 이뤄지지 않고, 증상도 뚜렷하지 않아서 조기 발견이 어려운데, 심전도의 미세 변화를 감지하여 갑상선 기능 장애를 조기 진단하는 가능성이 대두되고 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 본 개시의 일 실시예에 따른 갑상선 기능 장애 진단 방법은 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 갑상선 기능 장애(dysfunction)를 진단하는 방법으로서, 심전도 데이터를 획득하는 단계; 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계를 포함하고, 상기 신경망 모델은, 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 방법을 제공할 수 있다.
대안적으로, 상기 신경망 모델은, 12개의 다중 리드(lead)로 측정되는 심전도 데이터를 기초로 학습된 제1 서브 신경망 모델을 포함하는, 방법을 제공할 수 있다.
대안적으로, 상기 신경망 모델은, 6개의 림브(limb) 리드, 혹은 6개의 전흉부 리드 중 적어도 하나를 기초로 학습된 제2 서브 신경망 모델을 더 포함하는, 방법을 제공할 수 있다.
대안적으로, 상기 신경망 모델은, 단일 리드로 측정되는 심전도 데이터를 기초로 학습된 제3 서브 신경망 모델을 더 포함하는, 방법을 제공할 수 있다.
대안적으로, 상기 신경망 모델은, 복수의 레지듀얼 블록들(residual blocks)로 구성되는 신경망을 포함하고, 상기 레지듀얼 블록들로 구성되는 신경망은, 상기 심전도 데이터를 입력 받아 현성 갑상선 기능 항진증의 발병 확률을 출력하는, 방법을 제공할 수 있다.
대안적으로, 상기 현성 갑상선 기능 항진증은, 유리티록신 수치가 사전 결정된 기준 범위보다 높거나, 갑상선 자극 호르몬 수치가 기준 범위보다 낮은 경우인, 방법을 제공할 수 있다.
대안적으로, 상기 신경망 모델은, 심전도 데이터의 복수의 리드들 각각에 대응되는 신경망을 포함하고, 상기 신경망들의 출력은, 갑상선 기능 장애의 발병 확률을 도출하기 위해 하나로 연결(concatenation)되는, 방법을 제공할 수 있다.
대안적으로, 갑상선 기능과 심전도 특성의 변화 간의 상관관계는, 빈맥의 빈도, QT 간격(interval)의 길이, P파, R파 및 T파의 편위 방향, 또는 QRS 지속시간 중 적어도 하나를 포함하는 심전도 특성에 기반하는, 방법을 제공할 수 있다.
대안적으로, 상기 갑상선 기능 장애의 발병 확률은, 상기 빈맥의 빈도가 많을수록 높아지는, 방법을 제공할 수 있다.
대안적으로, 상기 갑상선 기능 장애의 발병 확률은, 상기 QT 간격의 길이가 길수록 높아지는, 방법을 제공할 수 있다.
대안적으로, 상기 갑상선 기능 장애의 발병 확률은, 상기 P파, R파 및 T파의 편위 방향이 우측을 향할수록 높아지는, 방법을 제공할 수 있다.
대안적으로, 상기 갑상선 기능 장애의 발병 확률은, 상기 QRS 지속시간이 짧을수록 높아지는, 방법을 제공할 수 있다.
대안적으로, 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계는, 상기 신경망 모델로 상기 심전도 데이터와 함께 나이 및 성별 중 적어도 하나를 포함하는 생물학적 데이터를 입력하여, 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계;를 포함하는, 방법을 제공할 수 있다.
본 개시의 다른 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 기초로 하는 갑상선 기능 장애 진단을 위한 동작들을 수행하도록 하며, 상기 동작들은, 심전도 데이터를 획득하는 동작; 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 동작을 포함하고, 상기 신경망 모델은 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 컴퓨터 프로그램을 제공할 수 있다.
본 개시의 또 다른 실시예에 따른 심전도를 기초로 하는 갑상선 기능 장애 진단을 위한 컴퓨팅 장치로서, 적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory);를 포함하고, 상기 프로세서는, 상기 프로그램 코드의 실행에 따라, 심전도 데이터를 획득하고, 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하며, 상기 신경망 모델은 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 장치를 제공할 수 있다.
본 개시의 일 실시예에 따른 갑상선 기능 장애 진단 방법은 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 방법을 제공할 수 있다.
도 1은 본 개시에 따른 심전도 신호를 보여주는 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도를 기초로 갑상선 기능 장애를 진단하는 방법을 보여주는 순서도이다.
도 4을 참조하면 본 개시의 일 실시예에 따른 신경망 모델의 구조를 보여주는 도면이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델의 검증 연구 과정을 보여주는 도면이다.
도 6은 본 개시의 일 실시예에 따른 신경망 모델의 성능 테스트 결과를 보여주는 도면이다.
도 7은 본 개시의 일 실시예에 따른 성별과 나이에 의해 분류된 하위 그룹 심전도 분석 결과를 보여주는 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도를 기초로 갑상선 기능 장애를 진단하는 방법을 보여주는 순서도이다.
도 4을 참조하면 본 개시의 일 실시예에 따른 신경망 모델의 구조를 보여주는 도면이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델의 검증 연구 과정을 보여주는 도면이다.
도 6은 본 개시의 일 실시예에 따른 신경망 모델의 성능 테스트 결과를 보여주는 도면이다.
도 7은 본 개시의 일 실시예에 따른 성별과 나이에 의해 분류된 하위 그룹 심전도 분석 결과를 보여주는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다" 는 x가 a를 이용하거나, x가 b를 이용하거나, 혹은 x가 a 및 b 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 n(n은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "데이터"는 "영상", 신호 등을 포함할 수 있다. 본 개시에서 사용되는 "영상" 이라는 용어는 이산적 이미지 요소들로 구성된 다차원 데이터를 지칭할 수 있다. 다시 말해, "영상"은 사람의 눈으로 볼 수 있는 대상의 디지털 표현물을 지칭하는 용어로 이해될 수 있다. 예를 들어, "영상"은 2차원 이미지에서 픽셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다. "영상"은 3차원 이미지에서 복셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다.
본 개시에서 사용되는 "블록(block)" 이라는 용어는 종류, 기능 등과 같은 다양한 기준을 기초로 구분된 구성의 집합으로 이해될 수 있다. 따라서, 하나의 "블록"으로 분류되는 구성은 기준에 따라 다양하게 변경될 수 있다. 예를 들어, 신경망 "블록"은 적어도 하나의 신경망을 포함하는 신경망 집합으로 이해될 수 있다. 이때, 신경망 "블록"에 포함된 신경망을 특정 연산을 동일하게 수행하는 것으로 가정할 수 있다. 전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 2는 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASICc: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 의료 데이터를 기초로 갑상선 기능 장애를 진단하는 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 심전도 데이터와 함께, 성별, 나이 등의 정보를 포함하는 생물학적 데이터를 기초로 갑상선 기능 항진증 발병 여부, 진행 정도 등을 추정하도록 신경망 모델을 학습시킬 수 있다. 구체적으로, 프로세서(110)는 심전도 데이터 및 각종 생물학적 데이터를 신경망 모델에 입력하여 신경망 모델이 갑상선 기능 항진증 발병에 따른 심전도의 변화를 감지하도록, 신경망 모델을 학습시킬 수 있다. 이때, 신경망 모델은 갑상선 기능과 심전도 변화의 상관관계를 토대로 학습을 수행할 수 있다. 갑상선 기능과 심전도 변화의 상관관계는, 갑상선 기능의 변화와 심전도 신호의 형태적 변화 간의 관련성에 관한 정보로 이해될 수 있다. 프로세서(110)는 신경망 모델의 학습 과정에서 신경망 모델에 포함된 적어도 하나의 신경망 블록을 표현하는 연산을 수행할 수 있다.
프로세서(110)는 상술한 학습 과정을 통해 생성된 신경망 모델을 이용하여 의료 데이터를 기초로 갑상선 기능 장애 발병 여부를 추정할 수 있다. 프로세서(110)는 상술한 과정을 통해 학습된 신경망 모델로 심전도 데이터 및, 나이, 성별 정보를 포함하는 생물학적 데이터를 입력하여 사람의 갑상선 기능 장애의 발병 확률을 추정한 결과를 나타내는 추론 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 학습이 완료된 신경망 모델로 심전도 데이터를 입력하여, 갑상선 기능 항진증 발병 여부, 진행 정도 등을 예측할 수 있다. 프로세서(110)는 이러한 갑상선 기능 장애를 진단하는 신경망 모델을 통해 인간이 해석하기 어려운 미묘한 심전도 변화를 효과적으로 파악하여 갑상선 기능 장애의 발병 정확하게 예측할 수 있다.
상술한 예시 이외에도 의료 데이터의 종류 및 신경망 모델의 출력은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(ram: random access memory), 에스램(sram: static random access memory), 롬(rom: read-only memory), 이이피롬(eeprom: electrically erasable programmable read-only memory), 피롬(prom: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WIBRO: wireless broadband internet), 5세대 이동통신(5g), 초광역대 무선통신(ultra wide-band), 지그비(zigbee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless lan), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 3은 본 개시의 일 실시예에 따라 심전도를 기초로 갑상선 기능 장애를 진단하는 방법을 보여주는 순서도이다.
도 3을 참조하면, 적어도 하나의 프로세서(110)를 포함하는 컴퓨팅 장치(100)에 의해 수행되는, 심전도를 기초로 갑상선 기능 장애를 진단하는 방법으로서, 먼저 심전도 데이터를 획득하는 단계(S100)가 수행될 수 있다.
심전도 데이터는 심전도 측정 기기를 통해 측정된 것이 직접적으로 획득되거나, 심전도 측정 기기로부터 네트워크 통신을 통해 획득될 수 있다.
그 다음으로, 사전 학습된 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계(Ss110)가 수행될 수 있다.
또한 상기 추정 단계(S110)는 신경망 모델로 심전도 데이터와 함께 나이 및 성별 중 적어도 하나를 포함하는 생물학적 데이터를 입력하여, 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계를 포함할 수 있다.
여기서, 신경망 모델은 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 또한, 신경망 모델은, 갑상선 기능과 심전도, 성별 및 나이 등의 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 구체적으로 신경망 모델은 갑상선 기능 항진증 발병 여부 및 진척도와 심전도 및 기타 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 신경망 모델은 갑상선 기능 항진증 뿐만 아니라 갑상선 기능 저하증 증 다양한 갑상선 기능 장애를 진단하는 것에 활용될 수 있다.
신경망 모델은 인체에 연결된 심전도 측정 기기의 전극으로부터 획득되는 12 리드로 측정된 심전도를 기초로 학습된 것일 수 있다. 일 예로, 심전도는 10초 길이의 12 리드로 측정되고, 1초당 500개의 포인트로 저장될 수 있다. 추가로, 신경망 모델은 12 리드 심전도 중 6개의 림브 리드(limb lead) 심전도와 단일 리드(lead I) 심전도만을 추출한 부분 정보를 기초로 학습될 수 있다.
도 4을 참조하면 본 개시의 일 실시예에 따른 신경망 모델의 구조를 보여주는 도면이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 신경망 모델은 복수의 레지듀얼 블록들(residual blocks)로 구성되는 신경망을 포함할 수 있다. 레지듀얼 블록들로 구성되는 신경망은, 심전도 데이터를 입력 받아 현성 갑상선 기능 항진증의 발병 확률을 출력하기 위한 것일 수 있다.
여기서, 현성 갑상선 기능 항진증은 유리티록신 수치가 사전 결정된 기준 범위보다 높거나, 갑상선 자극 호르몬 수치가 기준 범위보다 낮은 경우에 발병된 것으로 진단될 수 있다.
구체적으로, 신경망 모델은 6개의 레지듀얼 블록을 사용한 레스넷(resnet) 신경망의 구조를 가질 수 있다. 각 레지듀얼 블록은 콘볼루션 신경망(CNN), 배치 정규화(batch normalization), 정류 선형 유닛(이하, ReLU) 함수, 드롭아웃 레이어로 구성될 수 있다. 콘볼루션 신경망은 1차원, 필터의 크기는 21로 설정될 수 있다. 총 6개의 레지듀얼 블록 중 3개의 레지듀얼 블록을 통과할 때마다 입력 길이가 절반으로 줄어들 수 있다. 심전도의 각 리드마다 서로 다른 신경망이 적용될 수 있다. 레지듀얼 블록의 마지막에서 채널 단위로 평균 풀링이 적용될 수 있다. 신경망들의 출력은, 갑상선 기능 장애의 발병 확률을 도출하기 위해 하나로 연결(concatenation)될 수 있다.
신경망 모델은 심전도 데이터의 복수의 리드들 각각에 대응되는 신경망을 포함할 수 있다. 즉, 신경망 모델은 개별 리드들로 측정된 심전도가 각각 입력되는 개별 신경망을 포함할 수 있다.
예를 들어, 신경망 모델은 12개의 다중 리드(lead)로 측정되는 심전도 데이터를 기초로 학습된 제1 서브 신경망 모델을 포함할 수 있다. 또한, 신경망 모델은 6개의 림브(limb) 리드, 혹은 6개의 전흉부 리드 중 적어도 하나를 기초로 학습된 제2 서브 신경망 모델을 더 포함할 수 있다. 또한, 신경망 모델은 단일 리드로 측정되는 심전도 데이터를 기초로 학습된 제3 서브 신경망 모델을 더 포함할 수 있다. 신경망 모델은 리드의 개수에 따라 제1 서브 신경망 모델, 제2 서브 신경망 모델 또는 제3 서브 신경망 모델 중 적어도 하나를 선택적으로 사용할 수 있다. 따라서, 신경망 모델은 리드 개수와 관계없이 갑상선 기능 장애의 발병을 효과적으로 예측할 수 있다. 또한, 12 리드의 심전도 데이터가 입력되는 경우, 신경망 모델은 제1 서브 신경망 모델, 제2 서브 신경망 모델 및 제3 서브 신경망 모델을 모두 사용하여 각 서브 모델들의 출력을 조합하여 갑상선 기능 장애의 발병 확률을 출력할 수도 있다. 신경망 모델은 이러한 조합을 통해 갑상선 기능 장애의 발병 예측 정확도를 높일 수 있다.
이하에서는, 상술한 구조의 신경망 모델의 검증을 위해 수행한 통계 분석 방법에 대해 설명하기로 한다. 기본 특성을 확인하기 위해 연속 변수(continuous variables)는 평균값과 표준 편차로 제시하였다. 검증 결과는 독립표본 t-검정(the unpaired student's t-test) 또는 만-위트니 u 검정(mann-whitney u-test)를 통해 비교하였다. 범주형 변수(categorical variables)는 백분율로 표현되며, 카이제곱 검정(χ2 test)을 사용하였다.
신경망 모델의 성능은 모델이 계산한 확률과 내/외부 검증 데이터 세트 속 갑상선 기능 항진증 여부와 비교하여 검증하였다. 수신자 조작 특성 곡선 밑 면적(이하, AUC: area under the receiver operating characteristic curve)을 참조하여 검증을 수행하였다. 학습 데이터 세트에서 유덴 J 통계(youden j statistic)를 사용해 컷오프 지점을 확인하였다. 컷오프 지점을 적용해 내/외부 검증 데이터 세트에서 민감도, 특이도, 양의 예측값, 음의 예측값을 계산하였다. AUC의 95% 신뢰 구간은 de-long 방법의 sun&su's 최적화를 이용해 산출하였다.
이하에서는 본 개시의 일 실시예에 따른 신경망 모델의 검증 연구에 대하여 설명하기로 한다.
신경망 모델의 강건성을 증명하기 위해 나이, 성별에 따른 하위 그룹을 만들어 민감도 분석을 진행하였다. 성별은 남성과 여성으로 분류하였고, 나이는 40세 미만, 40세 이상 50세 미만, 50세 이상 60세 미만, 60세 이상 70세 미만, 70세 이상으로 분류하였다.
갑상선 기능 항진증 이전 시기의 심전도에 미묘한 변화가 생길 수 있으며, 신경망 모델은 이 작은 변화를 감지해 발병을 예측할 수 있다는 가설을 세웠다. 이를 확인하기 위해 하위 그룹 분석을 실시했다. 외부 검증 데이터 세트는 첫번째 갑상선 기능 검사(TFT: thyroid function test)에서 정상 진단을 받고, 후속 갑상선 기능 검사를 받은 환자들을 대상으로 추출한 것이다. 첫번째 갑상선 기능 검사와 후속 갑상선 기능 검사의 시간 간격은 4주 이상이다. 신경망 모델이 추정한 갑상선 기능 항진증 발병 확률에 기초해 연구 대상을 고위험군과 저위험군으로 분류했다. 컷오프 지점은 학습 데이터 세트에서 유덴 J 통계를 사용해 결정했다. 36개월 동안의 결과를 분석하기 위해 카플란-마이어 방법(kaplan-meier method)을 사용했다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델의 검증 연구 과정을 보여주는 도면이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 신경망 모델의 검증 연구의 대상은 병원 A 환자 113,215명과 병원 B 환자 33,485명이다. 임상 정보 혹은 심전도 데이터가 누락된 병원 A 환자 21명과 병원 B 환자 7명은 제외하였다. 총 2,164명의 갑상선 기능 항진증 환자가 포함되었다. 신경망 학습에는 병원 A의 90,554명 환자에게서 측정한 139,521개의 심전도 데이터를 사용하였다. 내부 검증은 병원 A의 518명 환자에게서 측정한 34,810개의 심전도 데이터를 사용했다. 외부 검증은 병원 B의 33,478명의 환자로부터 측정한 48,684개의 심전도 데이터를 사용했다. 신경망 모델 학습 코호트(병원 a, n=113,175)와 외부 검증 코호트(병원 b, n=33,478)의 기본 특성은 아래의 [표 1]과 같다.
| 내부 검증 데이터 세트 (병원 a) n=113,194 |
외부 검증 데이터 세트 (병원 b) n=33,478 |
p‡ | |||||
| 특성 | 비(非) 갑상선 기능 항진증 | 갑상선 기능 항진증 | p† | 비(非) 갑상선 기능 항진증 | 갑상선 기능 항진증 | p† | p‡ |
| 연구대상, 명 (%) | 111,195 (98.2) | 1999 (1.8) | 33,313 (99.5) |
165 (0.5) | <0.001 | ||
| 나이, 세, 평균(sd) | 43.95 (13.41) | 40.64 (14.38) | <0.001 | 55.37 (15.48) | 51.51 (14.93) | 0.001 | <0.001 |
| 남성, 명, (%) | 56808 (51.1) | 638 (31.9) | <0.001 | 15960 (47.9) | 56 (33.9) | <0.001 | <0.001 |
| 심박수, bpm (%) | 66.47 (12.75) | 89.37 (19.61) | <0.001 | 70.89 (16.20) | 97.59 (24.19) | <0.001 | <0.001 |
| PR간격, ms, 평균 (sd) | 158.46 (23.63) | 145.83 (25.51) | <0.001 | 166.97 (26.47) | 151.08 (27.45) | <0.001 | <0.001 |
| QRS길이, ms, 평균 (sd) | 93.07 (12.00) | 86.24 (11.37) | <0.001 | 94.36 (15.02) | 89.67 (13.46) | <0.001 | <0.001 |
| QTC, ms, 평균 (sd) | 418.46 (23.42) | 427.41 (32.29) | <0.001 | 433.44 (31.63) | 442.88 (31.23) | <0.001 | <0.001 |
| P파의 축, 평균(sd) | 47.38 (23.68) | 50.37 (24.46) | <0.001 | 44.34 (27.65) | 48.93 (31.43) | 0.045 | <0.001 |
| R파의 축, 평균(sd) | 49.42 (32.13) | 54.86 (28.28) | <0.001 | 40.51 (39.55) | 46.27 (33.08) | 0.062 | 0.002 |
| T파의 축, 평균(sd) | 39.83 (23.53) | 46.32 (25.33) | <0.001 | 39.38 (38.21) | 47.95 (47.98) | 0.004 | <0.001 |
[표 1]에서 † 표시가 된 p에 대한 대립 가설(alternative hypothesis)은 갑상선 기능 항진증과 현성 갑상선 기능 항진증(overt hyperthyroidism) 사이에 차이가 있다는 것이다. ‡ 표시가 된 p 값에 대한 대립 가설은 각 변수에 대해 병원 A(모델 개발 및 내부 검증 데이터 그룹)와 병원 B(외부 검증 그룹) 사이에 차이가 있다는 것이다.
갑상선 기능 항진증의 성별, 연령, 발병률은 통계적으로 병원마다 차이를 보였다. 갑상선 기능 항진증 환자는 빈맥이 더 많았고, QT 간격이 길었다. 갑상선 기능 항진증 환자는 P파, R파, T파 축의 오른쪽으로 쏠린 편향을 보였고 QRS 지속시간이 짧았다.
정리하면, 상술한 갑상선 기능과 심전도 특성의 변화 간의 상관관계는, 빈맥의 빈도, QT 간격(interval)의 길이, P파, R파 및 T파의 편위 방향, 또는 QRS 지속시간 중 적어도 하나를 포함하는 심전도 특성에 기반할 수 있다.
신경망 모델이 추정한 갑상선 기능 장애의 발병 확률은, 빈맥의 빈도가 많을수록 높아질 수 있다. 갑상선 기능 장애의 발병 확률은, QT 간격의 길이가 길수록 높아질 수 있다.
신경망 모델이 추정한 갑상선 기능 장애의 발병 확률은, P파, R파 및 T파의 편위 방향이 우측을 향할수록 높아질 수 있다.
신경망 모델이 추정한 갑상선 기능 장애의 발병 확률은, QRS 지속시간이 짧을수록 높아질 수 있다.
도 6은 본 개시의 일 실시예에 따른 신경망 모델의 성능 테스트 결과를 보여주는 도면이다.
도 6을 참조하면, 내부 검증과 외부 검증에서AUC는 신경망 모델의 수신자 조작 특성 곡선 밑 면적을, DLM은 신경망 모델, ECG는 심전도를, NPV는 음성 예측도를, PPV는 양성 예측도를, SEN은 민감도를, SPE는 특이도를 의미한다.
내부 및 외부 검증에서 12 리드 심전도를 사용한 신경망 모델의 AUC는 각각 0.918(0.909-0.927)과 0.897(0.879-0.916)이었다. 민감도 분석을 통해 신경망 모델의 성별과 연령에 따른 강건성(robustness)을 확인했다. 신경망 모델이 고위험 환자로 식별한 사람들은 저위험 환자로 식별한 사람들보다 갑상선 기능 항진증 발병에 상당한 변화를 보였다(p < 0.01). 6 리드 심전도와 단일 리드 심전도를 사용한 신경망 모델의 성능도 확인할 수 있다. [표 2]를 참조하면 성별 및 나이에 대한 민감도 분석에서 모든 모델의 성능은 AUC 값이 0.830 이상이었다.
| 남성 | 여성 | |||||||||
| 나이 | AUC | SEN | SPE | PPV | NPV | AUC | SEN | SPE | PPV | NPV |
| -39 | 0.919 (0.899 -0.940) |
0.839 (0.793 -0.884) |
0.883 (0.877 -0.890) |
0.169 (0.148 -0.190) |
0.995 (0.993 -0.996) |
0.932 (0.913 -0.951) |
0.841 (0.794 -0.889) |
0.897 (0.891 -0.903) |
0.173 (0.151 -0.196) |
0.995 (0.994 -0.997) |
| 40-49 | 0.893 (0.868 -0.917) |
0.790 (0.736 -0.844) |
0.872 (0.865 -0.879) |
0.131 (0.113 -0.149) |
0.994 (0.992 -0.996) |
0.911 (0.887 -0.934) |
0.809 (0.759 -0.859) |
0.915 (0.910 -0.920) |
0.166 (0.144 -0.187) |
0.996 (0.994 -0.997) |
| 50-59 | 0.880 (0.853 -0.907) |
0.823 (0.768 -0.877) |
0.803 (0.795 -0.810) |
0.072 (0.061 -0.083) |
0.996 (0.994 -0.997) |
0.904 (0.877 -0.931) |
0.812 (0.755 -0.870) |
0.855 (0.848 -0.862) |
0.099 (0.083 -0.114) |
0.996 (0.994 -0.997) |
| 60-69 | 0.830 (0.787 -0.874) |
0.682 (0.595 -0.769) |
0.876 (0.868 -0.883) |
0.079 (0.061 -0.096) |
0.994 (0.993 -0.996) |
0.868 (0.829 -0.908) |
0.754 (0.675 -0.833) |
0.840 (0.831 -0.850) |
0.084 (0.067 -0.101) |
0.994 (0.992 -0.996) |
| 70- | 0.873 (0.827 -0.919) |
0.836 (0.751 -0.921) |
0.825 (0.814 -0.835) |
0.064 (0.049 -0.080) |
0.997 (0.996 -0.999) |
0.852 (0.804 -0.900) |
0.957 (0.900 -1.015) |
0.674 (0.663 -0.685) |
0.019 (0.014 -0.025) |
1.000 (0.999 -1.000) |
도 7은 본 개시의 일 실시예에 따른 성별과 나이에 의해 분류된 하위 그룹 심전도 분석 결과를 보여주는 도면이다.
도 7을 참조하면, 하위 그룹 분석은 갑상선 기능 검사에서 정상으로 판별된 환자 6,762명의 후속 갑상선 기능 검사 결과를 사용하여 분석을 진행하였다. 이들 중 갑상선 기능 항진증이 발병한 환자는 24명이었다. 하위 그룹 분석 대상을 신경망 모델이 출력하는 갑상선 항진증 발병 확률에 따라 고위험군 4,749명과 저위험군 2,013명으로 구분했다. 고위험군은 저위험군보다 갑상선 기능 항진증 발병 위험이 유의미하게 높은 것을 확인(0.48% 대 0.05%, p < 0.01)할 수 있었다.
한편, 갑상선 기능은 심혈관과 밀접하게 연관되어 있으며 심장기능, 혈관저항(vascular resistance), 심혈관 자율 제어 기능에 영향을 미치는 것은 물론, 심장혈관계통(cardiovascular system)에도 영향을 줄 수 있다. 특히 갑상선 호르몬 매개 변화로 이완 기능이 강화된 심실 수축(inotropy)과 심박동수(chronotropy)로 심장기능 향상에 영향을 줄 수 있다. 갑상선 기능 장애로 나타나는 징후와 증상은 갑상선 호르몬이 심장과 심혈관계에 영향을 준 결과로 판단될 수 있다. 갑상선 기능 장애는 심혈관 질환 발병률과 및 사망률의 증가와 관련될 수 있다. 더욱이 갑상선 기능 항진증을 치료하지 않았을 경우 그 병을 치료한 경우보다 심혈관 질환의 위험이 높았다. 갑상선 기능 항진증을 치료했거나, 치료하지 않았거나 두가지 케이스 모두에서 갑상선 자극 호르몬 수치가 줄어든 기간에 따라 심혈관 발병률이 증가하였다.
따라서, 이러한 위험성이 있는 갑상선 기능 장애의 조기 발견 및 예측을 위하여 본 개시의 일 실시예에 따른 갑상선 기능 장애 진단 방법은 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정할 수 있도록 하였다.
나아가, 본 개시의 일 실시예에 따른 갑상선 기능 장애 진단 방법은 심전도, 성별, 나이 등의 정보를 기초로 신경망 모델을 이용하여 갑상선 기능 항진증을 진단할 수 있는 효과가 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (15)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 갑상선 기능 장애(dysfunction)를 진단하는 방법으로서,
심전도 데이터를 획득하는 단계; 및
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계를 포함하고,
상기 신경망 모델은,
갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인,
방법.
- 제1항에 있어서,
상기 신경망 모델은,
12개의 다중 리드(lead)로 측정되는 심전도 데이터를 기초로 학습된 제1 서브 신경망 모델을 포함하는,
방법.
- 제1항에 있어서,
상기 신경망 모델은,
6개의 림브(Limb) 리드, 혹은 6개의 전흉부 리드 중 적어도 하나를 기초로 학습된 제2 서브 신경망 모델을 포함하는,
방법.
- 제1항에 있어서,
상기 신경망 모델은,
단일 리드로 측정되는 심전도 데이터를 기초로 학습된 제3 서브 신경망 모델을 포함하는,
방법.
- 제1항에 있어서,
상기 신경망 모델은,
복수의 레지듀얼 블록들(Residual blocks)로 구성되는 신경망을 포함하고,
상기 레지듀얼 블록들로 구성되는 신경망은,
상기 심전도 데이터를 입력 받아 현성 갑상선 기능 항진증의 발병 확률을 출력하는,
방법.
- 제5항에 있어서,
상기 현성 갑상선 기능 항진증은,
유리티록신 수치가 사전 결정된 기준 범위보다 높거나, 갑상선 자극 호르몬 수치가 기준 범위보다 낮은 경우인,
방법.
- 제1항에 있어서,
상기 신경망 모델은,
심전도 데이터의 복수의 리드들 각각에 대응되는 신경망을 포함하고,
상기 신경망들의 출력은,
갑상선 기능 장애의 발병 확률을 도출하기 위해 하나로 연결(concatenation)되는,
방법.
- 제1항에 있어서,
갑상선 기능과 심전도 특성의 변화 간의 상관관계는,
빈맥의 빈도, QT 간격(interval)의 길이, P파, R파 및 T파의 편위 방향, 또는 QRS 지속시간 중 적어도 하나를 포함하는 심전도 특성에 기반하는,
방법.
- 제8항에 있어서,
상기 갑상선 기능 장애의 발병 확률은,
상기 빈맥의 빈도가 많을수록 높아지는,
방법.
- 제8항에 있어서,
상기 갑상선 기능 장애의 발병 확률은,
상기 QT 간격의 길이가 길수록 높아지는,
방법.
- 제8항에 있어서,
상기 갑상선 기능 장애의 발병 확률은,
상기 P파, R파 및 T파의 편위 방향이 우측을 향할수록 높아지는,
방법.
- 제8항에 있어서,
상기 갑상선 기능 장애의 발병 확률은,
상기 QRS 지속시간이 짧을수록 높아지는,
방법.
- 제1항에 있어서,
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계는,
상기 신경망 모델로 상기 심전도 데이터와 함께 나이 및 성별 중 적어도 하나를 포함하는 생물학적 데이터를 입력하여, 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 단계; 를 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 기초로 하는 갑상선 기능 장애 진단을 위한 동작들을 수행하도록 하며,
상기 동작들은, 심전도 데이터를 획득하는 동작; 및
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하는 동작을 포함하고,
상기 신경망 모델은 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인,
컴퓨터 프로그램.
- 심전도를 기초로 하는 갑상선 기능 장애 진단을 위한 컴퓨팅 장치로서, 적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory);
를 포함하고,
상기 프로세서는, 상기 프로그램 코드의 실행에 따라,
심전도 데이터를 획득하고, 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 갑상선 기능 장애의 발병 확률을 추정하며,
상기 신경망 모델은 갑상선 기능과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/014258 WO2023048502A1 (ko) | 2021-09-25 | 2022-09-23 | 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 |
| CN202280062075.5A CN117940060A (zh) | 2021-09-25 | 2022-09-23 | 以心电图为基础诊断甲状腺功能障碍的方法、程序及装置 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210126785 | 2021-09-25 | ||
| KR1020210126785 | 2021-09-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230044125A true KR20230044125A (ko) | 2023-04-03 |
Family
ID=85936571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220118440A KR20230044125A (ko) | 2021-09-25 | 2022-09-20 | 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230044125A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101892A (ko) | 2014-02-27 | 2015-09-04 | 동신대학교산학협력단 | 심전도 측정 시스템 및 측정 방법 |
-
2022
- 2022-09-20 KR KR1020220118440A patent/KR20230044125A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101892A (ko) | 2014-02-27 | 2015-09-04 | 동신대학교산학협력단 | 심전도 측정 시스템 및 측정 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| US20220093216A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| US9549681B2 (en) | Matrix-based patient signal analysis | |
| CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
| KR20230133230A (ko) | 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치 | |
| US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN106456033A (zh) | Ecg评估 | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| KR20230044125A (ko) | 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 | |
| US20210315506A1 (en) | Electrocardiogram analysis | |
| WO2023048502A1 (ko) | 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 | |
| Sonia et al. | Cardiac abnormalities from 12‐Lead ECG signals prediction based on deep convolutional neural network optimized with nomadic people optimization algorithm | |
| CN112397179A (zh) | 一种医用心电图智能分析系统及分析方法 | |
| CN117940060A (zh) | 以心电图为基础诊断甲状腺功能障碍的方法、程序及装置 | |
| CN214505007U (zh) | 一种医用心电图智能分析系统 | |
| WO2024019584A1 (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치 | |
| KR20230051754A (ko) | 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
| CN117940071A (zh) | 以心电图为基础诊断左心室收缩功能障碍的方法、程序及装置 | |
| WO2023063619A1 (ko) | 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 | |
| US20230170094A1 (en) | Medical diagnostic tool with neural model trained through machine learning for predicting coronary disease from ecg signals | |
| US20230172564A1 (en) | Technologies for determining a risk of developing atrial fibrillation | |
| KR20240009349A (ko) | 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법,프로그램 및 장치 | |
| Kurniawan et al. | Arrhythmia Analysis in the Long-term Electrocardiogram Monitoring System. |