KR20230044127A - 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 - Google Patents
딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20230044127A KR20230044127A KR1020220118514A KR20220118514A KR20230044127A KR 20230044127 A KR20230044127 A KR 20230044127A KR 1020220118514 A KR1020220118514 A KR 1020220118514A KR 20220118514 A KR20220118514 A KR 20220118514A KR 20230044127 A KR20230044127 A KR 20230044127A
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- model
- sub
- feature
- neural network
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 201000010099 disease Diseases 0.000 claims abstract description 117
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 117
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 230000001575 pathological effect Effects 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 208000029078 coronary artery disease Diseases 0.000 claims description 18
- 210000004351 coronary vessel Anatomy 0.000 claims description 9
- 208000010125 myocardial infarction Diseases 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 7
- 208000007536 Thrombosis Diseases 0.000 claims description 6
- 201000000057 Coronary Stenosis Diseases 0.000 claims description 5
- 206010011089 Coronary artery stenosis Diseases 0.000 claims description 5
- 208000005475 Vascular calcification Diseases 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 abstract description 20
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 206010002383 Angina Pectoris Diseases 0.000 description 3
- 230000006806 disease prevention Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000004434 Calcinosis Diseases 0.000 description 2
- 206010033307 Overweight Diseases 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 239000003181 biological factor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000024335 physical disease Diseases 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm 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
- 210000002569 neuron Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 208000019553 vascular disease Diseases 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
- A61B5/24—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Vascular Medicine (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, 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치가 개시된다. 상기 방법은, 심전도 데이터를 획득하는 단계 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는 단계를 포함하고, 상기 신경망 모델은, 상기 질환과 상관관계를 갖는 상기 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된 것일 수 있다.
Description
본 개시의 내용은 의료 분야의 딥러닝 기술에 관한 것으로, 구체적으로 질환에 대한 신체 특성을 연속적인 수치로 나타내기 위한 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치에 관한 것이다.
심전도 신호란 심장이 박동하는 주기 중에 일어나는 심장의 전기적 활동 상태를 그래프상에 나타낸 것이다. 따라서, 우리는 심전도 신호를 통해 심장의 구조적, 기능적인 면을 관찰할 수 있다. 이에 따라 부정맥, 심근경색 등의 심장 질환을 비롯한 다양한 질병을 진단하기 위해 심전도 신호가 사용된다.
심장 질환을 비롯한 일반적인 신체 질환은 연속적으로 변화하는 신체 상태가, 질환으로 진단되기 위해 설정된 기준치만큼 악화되는 상황을 나타낸다. 즉 신체 상태는 0 또는 1의 디지털이 아닌 아날로그처럼 연속적으로 변화하는데, 인위적으로 설정된 기준치에 따라 질병 여부가 결정된다. 예를 들어 심장 질환의 경우, 심장에 혈액을 공급하는 관상동맥의 상태는 연속적으로 변화하며 관상동맥이 좁아지는 협착의 정도에 따라 동맥경화증, 협심증, 심근경색증 등의 질환이 결정된다.
신체 질환을 예측하기 위해 딥러닝 기반으로 다양한 기술들이 개발되고 있다. 그러나, 종래 기술들은 인위적으로 설정된 기준에 따라 결정된 질환의 유무를 판단하기 위한 것이 대다수이다. 즉 질환의 유무는 연속적으로 변화하는 신체 상태를 임의의 기준으로 구분한 것인데, 이를 이용하여 학습된 딥러닝 모델은 질환의 유무만을 예측할 뿐, 질환에 대한 전반적인 신체 상태를 예측할 수 없는 것이다.
질환 예측의 목적은 질환의 발병 가능성을 추측하여 질환을 예방하는 것이다. 따라서, 질환 예측 영역에서는, 질환의 유무를 예측하는 것만큼이나 질환과 관련된 신체 상태를 정확하게 예측하는 것 또한 중요하다. 즉, 우리는 질환과 관련하여 연속적으로 변화하는 신체 상태를 예측할 필요가 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 심전도 데이터를 기초로 신체 특성에 대한 생물학적 정보 및 질환에 대한 병리학적 정보를 개별적으로 예측하고, 이를 병합하여 신체 상태를 연속적인 수치로 계측하는 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, 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법이 개시된다. 상기 방법은, 심전도 데이터를 획득하는 단계 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는 단계를 포함하고, 상기 신경망 모델은, 상기 질환과 상관관계를 갖는 상기 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된 것을 특징으로 한다.
대안적으로, 상기 신경망 모델은, 상기 심전도 데이터를 기초로 상기 제1 특징을 출력하도록 학습된 제1 서브 모델을 포함하고, 상기 제1 서브 모델은 상기 생물학적 정보에 포함된 적어도 하나의 인자(factor)에 대한 수치를 개별적으로 출력하도록, 상기 인자의 개수에 맞추어 구성될 수 있다.
대안적으로, 상기 신경망 모델은, 상기 심전도 데이터를 기초로 상기 제2 특징을 출력하도록 학습된 제2 서브 모델을 더 포함하고, 상기 제2 서브 모델은, 상기 병리학적 정보에 포함된 적어도 하나의 인자에 대한 수치를 개별적으로 출력하도록, 상기 인자의 개수에 맞추어 구성될 수 있다.
대안적으로, 상기 신경망 모델은, 상기 제1 서브 모델의 출력인 제1 특징 및 상기 제2 서브 모델의 출력인 제2 특징을 기초로, 상기 질환의 발병 또는 상기 질환의 진행 상황에 따라 연속적으로 변화하는 신체 상태를 수치 값으로 표현하도록 학습된 제3 서브 모델을 더 포함할 수 있다.
대안적으로, 상기 제3 서브 모델은, 상기 질환의 종류에 따라 결정된 가중치를 기초로, 상기 제1 특징 및 상기 제2 특징을 조합하여 생성된 제3 특징을 입력 받아 상기 수치 값을 출력할 수 있다.
대안적으로, 상기 제1 서브 모델 및 상기 제2 서브 모델 각각은, 라벨이 지정되지 않은 샘플을 포함하는 학습 데이터를 이용하여 수행되는 자기 지도 학습(semi-supervised learning)을 기반으로 학습될 수 있다.
대안적으로, 상기 질환은, 혈관 질환을 포함할 수 있다.
대안적으로, 상기 생물학적 정보는, 기 심혈관 질환에 포함된 관상동맥 질환과 관련된 신체 특성 인자로서, 나이, 성별, 키, 또는 몸무게 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 병리학적 정보는, 기 심혈관 질환에 포함된 관상동맥질환의 진행 정도를 반영하는 병리학적 특성 인자로서, 심근경색 여부, 혈관 칼슘화의 정도, 혈전의 안정성, 관상동맥의 혈관 내 속도, 또는 관상동맥의 협착의 정도 중 적어도 하나를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝 기반으로 연속적인 신체 상태를 계측하는 동작들을 수행하도록 한다. 이때, 상기 동작들은, 심전도 데이터를 획득하는 동작 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는 동작을 포함하고, 상기 신경망 모델은, 상기 질환과 상관관계를 갖는 상기 대상의 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된 것을 특징으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 딥러닝 기반으로 연속적인 신체 상태를 계측하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서(processor), 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory) 및 심전도 데이터를 획득하기 위한 네트워크부(network unit)를 포함하고, 상기 프로세서는, 질환과 상관관계를 갖는 대상의 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는 것을 특징으로 한다.
본 개시는 심전도 데이터를 이용하여 신체적인 요인과 질환에 대한 병리학적 요인을 개별적으로 추론하여 신체 상태에 영향을 주는 요소들을 설명 가능하게 파악함으로써, 질환의 이전 또는 이후 단계를 대비할 수 있는 방법을 제공할 수 있다. 또한, 본 개시는 예측하려는 질환과 관련된 환자의 신체 상태를 연속적인 수치로 나타냄으로써, 질환의 이전 또는 이후 단계를 대비할 수 있는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 신경망 모델을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 신경망 모델의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델의 추론 방법을 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델을 구성하는 서브 모델들의 추론 방법을 나타내는 흐름도이다.
도 2는 본 개시의 일 실시예에 따른 신경망 모델을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 신경망 모델의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델의 추론 방법을 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델을 구성하는 서브 모델들의 추론 방법을 나타내는 흐름도이다.
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.
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 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
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 1을 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 1은 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(ASIC: 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 심전도 데이터를 기반으로 신경망 모델을 이용하여 심전도 데이터를 측정한 대상의 연속적인 신체 상태를 계측할 수 있다. 프로세서(110)는 심전도 데이터를 입력받아, 질환과 관련된 신체 상태, 예를 들어 질환의 발병 여부 또는 질환의 진행 상황에 대응되는 신체 상태를 추정하도록 신경망 모델을 학습시킬 수 있다. 이때 질환의 발생 여부는 이산적인 값일 수 있고, 질환의 진행 상황은 시간의 흐름에 따라 변하는 연속적인 값일 수 있다. 프로세서(110)는 신경망 모델을 이용하여 질환을 나타내거나, 질환에 영향을 미치는 연속적인 신체 상태를 추론할 수 있다.
본 개시에 따르면, 프로세서(110)는 이산적인 값으로 나타나는 질환의 발병 여부를 예측할 뿐만 아니라, 연속적으로 진행되는 질환에 따른 신체 상태를 예측하므로 질환의 발병 가능성을 정확히 예측할 수 있다. 따라서, 본 개시의 프로세서(110)를 통해, 우리는 질병의 예방 방안 및 치료 계획을 세밀하게 수립할 수 있다.
프로세서(110)는 신체 상태를 예측하기 위해 복수의 서브 모델들을 개별적으로 학습시킬 수 있다. 예를 들어 프로세서(110)는 심전도 데이터를 이용하여, 심전도 데이터의 측정 대상의 신체적인 특성을 나타내는 생물학적 정보에 관한 제1 특징을 출력하는 제1 서브 모델을 학습시킬 수 있다. 그리고, 프로세서(110)는 심전도 데이터를 이용하여, 질환에 의해 발생하는 신체의 변화, 즉 질환의 진행 정도에 영향을 미치는 병리학적 정보에 관한 제2 특징을 출력하는 제2 서브 모델을 학습시킬 수 있다. 그리고 프로세서(110)는 제1 서브 모델에서 출력된 제1 특징 및 제2 서브 모델에서 출력된 제2 특징을 이용하여, 질환과 관련된 신체 상태를 추론하는 제3 서브 모델을 학습시킬 수 있다.
제1 특징은 생물학적 정보에 포함된 적어도 하나의 인자(factor) 및 인자에 대응되는 수치를 포함할 수 있다. 생물학적 인자는 질환에 따라 달라질 수 있다. 예를 들어, 생물학적 인자는 나이, 키, 몸무게 등을 포함할 수 있다. 제2 특징은 병리학적 정보에 포함된 적어도 하나의 인자 및 인자에 대응되는 수치를 포함할 수 있다. 병리학적 인자는 질환에 따라 달라질 수 있다. 예를 들어 심혈관 질환인 경우, 병리학적 인자는 심근경색 여부, 혈관 칼슘화의 정도, 혈전의 안정성, 관상동맥의 혈관 내 속도, 관상동맥의 협착의 정도 등을 포함할 수 있다.
프로세서(110)는 제1 서브 모델 및 제2 서브 모델에 샘플 및 샘플에 대응되는 라벨을 포함하는 학습 데이터를 입력하여, 지도 학습(supervised learning)에 기반한 학습을 수행할 수 있다. 이 경우, 제1 서브 모델에 입력되는 샘플은 심전도 데이터이고, 라벨은 제1 특징이 될 수 있다. 제2 서브 모델에 입력되는 샘플은 심전도 데이터이고, 라벨은 제2 특징이 될 수 있다. 또한 프로세서(110)는 제1 서브 모델 및 제2 서브 모델에 라벨이 지정되지 않은 샘플을 포함하는 학습 데이터를 입력하여, 자기 지도 학습(semi-supervised learning)에 기반한 학습을 수행할 수 있다. 이 경우, 제1 서브 모델은 심전도 데이터로부터 제1 특징을 추출하고, 제2 서브 모델은 심전도 데이터로부터 제2 특징을 추출할 수 있다. 제1 서브 모델 및 제2 서브 모델이 추출하는 인자는 질환의 종류에 따라 달라질 수 있다.
신경망 모델, 제1 서브 모델, 제2 서브 모델 및 제3 서브 모델은 각각 적어도 하나의 신경망을 포함할 수 있다. 신경망은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network), 트랜스포머(transformer) 등과 같은 신경망들 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다.
본 개시에 따르면, 프로세서(110)는 질환의 위험 요인으로 작용할 수 있는 인자들에 대응되는 신경망 모델이 개별적으로 학습되고 추론할 수 있다. 따라서, 우리는 프로세서(110)를 통해 각 인자가 질환에 영향을 미치는 정도를 정확하게 파악할 수 있다. 그리고, 프로세서(110)는 질환에 영향을 미치는 인자를 정확히 타겟팅함으로써, 질환 예방 및 치료에 기초가 되는 자료를 제공할 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 2는 본 개시의 일 실시예에 따른 신경망 모델을 나타내는 블록도이다.
도 2를 참조하면, 신경망 모델(200)은 심전도 데이터(300)를 입력받고 심전도 데이터(300)를 측정한 대상의 질환과 관련된 신체 상태(400)를 연속적인 수치로 출력할 수 있다.
본 명세서에서 심전도(ECG: electrocardiogram) 데이터는 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환 유무를 판별할 수 있게 하는 심전도 신호를 포함할 수 있다. 심전도 데이터(300)는 심전도 측정 기기로부터 획득되거나, 네트워크를 통해 획득된 것일 수 있다.
신경망 모델(200)은 질환과 관련된 생물학적 정보에 관한 제1 특징을 출력하는 제1 서브 모델(210), 질환과 관련된 병리학적 정보에 관한 제2 특징을 출력하는 제2 서브 모델(220) 및 제1 서브 모델(210)의 출력값과 제2 서브 모델(220)의 출력값을 이용하여 질환의 진단을 위해 연속적으로 변화하는 신체 상태(400)를 수치값으로 출력하는 제3 서브 모델(230)을 포함할 수 있다.
제1 서브 모델(210) 및 제2 서브 모델(220) 각각은 출력하는 정보에 따라 복수개로 구성될 수 있다. 예를 들어, 제1 서브 모델(210)은 심전도 데이터(300)로부터 질환과 관련된 생물학적 특징을 나타내는 신체 특성 인자들 각각에 대응되는 제1 특징을 출력할 수 있다. 이때, 제1 서브 모델(210)의 개수는 신체 특성 인자들의 개수에 대응될 수 있다. 복수개의 제1 서브 모델(210) 각각은 신체 특성 인자에 대한 수치를 개별적으로 출력할 수 있다. 예를 들어, 제2 서브 모델(220)은 심전도 데이터(300)로부터 질환의 진행 정도에 따라 결정되는 병리학적 특성 인자들 각각에 대응되는 제2 특징을 출력할 수 있다. 이때, 제2 서브 모델(220)의 개수는 병리학적 특성 인자들의 개수에 대응될 수 있다. 복수개의 제2 서브 모델(220) 각각은 병리학적 특성 인자에 대한 수치를 개별적으로 출력할 수 있다.
한편 질환과 관련된 위험 인자의 개수는 질환의 종류에 따라 달라질 수 있다. 따라서 본 개시에 따른 신경망 모델을 통해 인자의 개수에 맞추어 제1 서브 모델 및 제2 서브 모델을 구성할 수 있는바, 우리는 제1 서브 모델과 제2서브 모델을 모듈화하여 관리할 수 있다.
제3 서브 모델(230)은 제1 서브 모델(210)의 출력인 제1 특징과 제2 서브 모델(220)의 출력인 제2 특징을 이용하여 질환과 관련된 신체 상태(400)를 수치로 출력할 수 있다. 제3 서브 모델(230)은 제1 특징 및 제2 특징을 병합하여 생성된 제3 특징을 입력 받아 신체 상태(400)를 출력할 수 있다. 이때 제1 특징 및 제2 특징은 질환의 종류에 따라 가중치가 부여되어 제3 특징으로 조합될 수 있다. 다시 말해, 프로세서(110)는 질환의 종류에 따라 제1 특징 및 제2 특징의 조합을 위한 가중치를 조절할 수 있다. 제3 서브 모델(230)은 질환의 종류에 따라 비중이 조절된 제1 특징 및 제2 특징을 기초로 질환의 종류에 맞춰 연속적으로 변화하는 신체 상태(400)를 예측할 수 있다. 제3 서브 모델(230)에서 출력되는 값은 질환에 대한 신체 상태(400)를 나타내는 연속적인 수치일 수 있다. 따라서, 의료진은 해당 수치를 기초로 질환 발병 여부를 판단하거나, 질환의 진행 상태를 파악할 수 있다.
즉, 본 개시에 따른 신경망 모델(200)은 인위적으로 설정된 기준에 따른 질환 발병 여부만을 단순히 예측하지 않고, 질환과 관련된 인자들을 종합적으로 파악하여 신체 상태를 예측할 수 있다. 우리는 이러한 신경망 모델(200)을 이용하여 질환과 관련된 다양한 인자들이 신체에 영향을 미침으로써 발생하는 신체 상태의 복잡한 변화를 정확하게 파악할 수 있다.
도
3은 본 개시의 일 실시예에 따른 신경망 모델의 내부 구성을 나타내는 블록도이다
.
도 3을 참조하면, 신경망 모델(200)은 제1 특징(211)을 출력하도록 학습된 복수의 제1 서브 모델(210), 제2 특징(221)을 출력하도록 학습된 복수의 제2 서브 모델(220), 제1 특징(211) 및 제2 특징(221)을 병합하여 신체 상태(400)를 출력하도록 학습된 제3 서브 모델(230)을 포함할 수 있다.
제1 특징(211)은 생물학적 정보에 포함된 인자 및 인자에 대응되는 수치를 포함할 수 있다. 제2 특징(221)은 병리학적 정보에 포함된 인자 및 인자에 대응되는 수치를 포함할 수 있다.
제1 서브 모델(210)이 개별적으로 학습하는 신체 특성 인자의 종류는 학습 데이터에 포함된 라벨에 의해 결정되거나, 제1 서브 모델(210)에 의해 직접 추출될 수 있다. 마찬가지로, 제2 서브 모델(220)이 개별적으로 학습하는 병리학적 특성 인자의 종류는 학습 데이터에 포함된 라벨에 의해 결정되거나, 제2 서브 모델(220)에 의해 직접 추출될 수 있다. 즉 학습 방법에 따라 제1 서브 모델(210) 및 제2 서브 모델(220)은 인자에 대응되는 수치만을 출력하거나, 수치와 이에 대응되는 인자를 함께 출력할 수 있다.
이하에서는 신경망 모델(200)이 심혈관 질환, 특히 관상동맥 질환에 대한 신체 상태(400)를 계측하기 위해 동작하는 것을 예를 들어 설명하나, 본 개시가 적용되는 질환의 종류가 이에 제한되는 것은 아니다. 관상동맥 질환 유발에 관련이 있는 위험 인자들은 널리 알려져 있다. 관상동맥 질환과 인과관계가 없는 위험 인자일지라도, 질환과의 상관관계가 존재하므로 질병의 원인을 규명하거나, 질병을 예방하기 위한 중요한 도구로 사용될 수 있다.
예를 들어, 관상동맥 질환에 영향을 미치는 신체 특성 인자는 나이, 성별, 키, 몸무게 등을 포함할 수 있으며, 관상동맥 질환에 대한 가족력 또는 개인력을 더 포함할 수 있다. 또한 관상동맥 질환에 영향을 미치는 병리학적 특성 인자는 심근경색 여부, 혈관 칼슘화의 정도, 혈전의 안정성, 관상동맥의 혈관 내 속도, 관상동맥의 협착의 정도 등을 포함할 수 있으며, 혈당, 혈압, 콜레스테롤 수치, 중성지방 수치, 비만 여부, 흡연 여부 등을 더 포함할 수 있다.
본 개시에 따른 신경망 모델(200)은 비교적 쉽게 획득할 수 있는 심전도 데이터(300)를 이용하여, 관상동맥 질환 유발에 관련된 위험 인자들이 관상동맥 질환에 어느 정도의 영향을 미치는지 개별적으로 학습하고 추론할 수 있다. 또한, 본 개시에 따른 신경망 모델(200)은 자기 지도 학습을 통해 학습되어 관상동맥 질환 유발에 관련된 인자들을 스스로 추출하고, 각각의 인자들이 관상동맥 질환에 어느 정도의 영향을 미치는지 추론할 수 있다.
제1 서브 모델(210) 및 제2 서브 모델(220)이 지도 학습을 통해 학습되는 경우, 복수의 제1 서브 모델(210)은 심전도 데이터(300)를 입력받아 심전도 데이터(300)로부터 나이, 성별, 키, 몸무게를 각각 추론하도록 학습된다.
복수의 제1 서브 모델(210)에서 나이에 대한 수치, 성별에 대한 수치, 키에 대한 수치, 몸무게에 대한 수치가 각각 출력될 수 있다. 해당 수치는 관상동맥 질환에 대한 영향을 나타내는 수치일 수 있다. 복수의 제2 서브 모델(220)은 심전도 데이터(300)를 입력받아 심전도 데이터(300)로부터 심근경색 여부, 혈관 칼슘화의 정도, 혈전의 안정성, 관상동맥의 혈관 내 속도, 관상동맥의 협착의 정도를 각각 추론하도록 학습된다. 복수의 제2 서브 모델(220)에서 심근경색 여부에 대한 수치, 혈관 칼슘화에 대한 수치, 혈전의 안정성에 대한 수치, 관상동맥의 혈관 내 속도에 대한 수치, 관상동맥의 협착에 대한 수치가 각각 출력될 수 있다. 해당 수치는 관상동맥 질환에 대한 영향을 나타내는 수치일 수 있다.
제3 서브 모델(230)은 제1 서브 모델(210) 및 제2 서브 모델(220)에서 출력된 수치 값들을 기초로 생성된 제3 특징을 입력받을 수 있다. 제3 특징은 프로세서(110)에 의해 조합된 값으로써, 프로세서(110)는 질환의 종류에 따라 제1 서브 모델(210) 및 제2 서브 모델(220)에서 출력된 수치 값들에 가중치를 부여하여 조합할 수 있다. 예를 들어, 특정 질환과 신체 특성 인자 간의 상관 관계가 높다고 밝혀진 경우, 프로세서(110)는 제1 서브 모델(210)에서 출력되는 수치 값들에 높은 가중치를 부여할 수 있다. 반대로 특정 질환에 대해 신체 특성 인자가 미치는 영향력이 낮고 병리학적 특성 인자에 의한 발병률이 높다고 밝혀진 경우, 프로세서(110)는 제2 서브 모델(220)에서 출력되는 수치 값들에 높은 가중치를 부여할 수 있다.
제3 서브 모델(230)은 제3 특징을 이용하여, 관상동맥 질환에 대한 신체 상태(400)를 수치로 출력할 수 있다. 출력되는 수치는 관상동맥의 건강함 정도를 나타내거나, 관상동맥 질환에 대한 확률을 나타내거나, 협심증의 정도, 심근경색의 가능성을 나타내는 수치로 해석될 수 있다. 의료진은 해당 수치를 해석하여, 심전도 데이터(300)를 측정한 대상에 대해 협심증에 대한 진단을 내리거나, 약물을 투여하고, 수술을 수행하는 등의 치료 계획을 세울 수 있다. 또는 의료진은 질병의 예방을 위한 계획을 수립하여 안내할 수 있다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델의 추론 방법을 나타내는 흐름도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터를 획득할 수 있다(S110). 컴퓨팅 장치(100)는 심전도 측정 기기로부터 심전도 데이터를 획득하거나, 네트워크를 통해 획득할 수 있다.
컴퓨팅 장치(100)는 사전 학습된 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터를 측정한 대상의 질환의 발병 또는 질환의 진행 상황에 대응되는 신체 상태를 추론할 수 있다(S120). 컴퓨팅 장치(100)는 심전도 데이터를 이용하여 특정 질환과 관련된 연속적인 신체 상태를 수치로 출력하도록 사전에 신경망 모델을 학습시킬 수 있다. 신경망 모델은 도 2 및 도 3을 통해 전술한 신경망 모델일 수 있다.
컴퓨팅 장치(100)는 질환과 상관관계를 갖는 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징 또는 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 신경망 모델을 학습시킬 수 있다.
컴퓨팅 장치(100)는 지도 학습 또는 자기 지도 학습을 통해 신경망 모델을 학습시킬 수 있다. 구체적으로 컴퓨팅 장치(100)는 학습 데이터로서 심전도 데이터에 질환과 관련된 다양한 인자들 및 각 인자와 질환과의 연관성을 나타내는 수치를 신경망 모델에 입력함으로써 신경망 모델을 학습시킬 수 있다. 또는 컴퓨팅 장치(100)는 라벨링되지 않은 심전도 데이터를 포함하는 학습 데이터를 이용하여, 신경망 모델이 질환과 관련된 인자들을 스스로 추출하고, 각 인자와 질환과의 연관성을 나타내는 수치를 출력하도록 신경망 모델을 학습시킬 수 있다.
사전 학습된 신경망 모델은 심전도 데이터를 입력받고, 질환과 관련된 수치를 출력할 수 있다. 해당 수치는 심전도 데이터를 측정한 대상의 신체 상태를 나타내는 것이며, 질환과 관련된 수치이다. 해당 수치는 질환의 발병 여부를 나타내거나, 질환의 진행 상태를 나타낼 수 있다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델을 구성하는 서브 모델들의 추론 방법을 나타내는 흐름도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터를 획득할 수 있다(S210). 이는 도 4의 S110 단계와 유사하므로 자세한 설명을 생략한다.
컴퓨팅 장치(100)는 제1 서브 모델을 통해 생물학적 정보에 관한 제1 특징을 출력할 수 있다(S220). 제1 서브 모델은 심전도 데이터를 기초로 제1 특징을 출력하도록 학습된 것일 수 있다. 제1 특징은 생물학적 정보에 포함된 적어도 하나의 인자 또는 해당 인자에 대한 수치를 포함할 수 있다. 제1 서브 모델은 복수개일 수 있으며, 제1 서브 모델 각각은 생물학적 정보에 포함된 적어도 하나의 인자를 개별적으로 출력할 수 있다. 이에 따라 제1 서브 모델의 개수는 인자의 개수에 맞추어 구성될 수 있다.
컴퓨팅 장치(100)는 제2 서브 모델을 통해 병리학적 정보에 관한 제2 특징을 출력할 수 있다(S230). 제2 서브 모델은 심전도 데이터를 기초로 제2 특징을 출력하도록 학습된 것일 수 있다. 제2 특징은 병리학적 정보에 포함된 적어도 하나의 인자 또는 해당 인자에 대한 수치를 포함할 수 있다. 제2 서브 모델은 복수개일 수 있으며, 제2 서브 모델 각각은 병리학적 정보에 포함된 적어도 하나의 인자를 개별적으로 출력할 수 있다. 이에 따라 제2 서브 모델의 개수는 인자의 개수에 맞추어 구성될 수 있다.
이때 제1 서브 모델 및 제2 서브 모델 각각은 라벨이 지정되지 않은 샘플을 포함하는 학습 데이터를 이용하여 수행되는 자기 지도 학습을 기반으로 학습된 것일 수 있다.
컴퓨팅 장치(100)는 제1 서브 모델에서 출력된 제1 특징 및 제2 서브 모델에서 출력된 제2 특징을 기초로, 제3 서브 모델을 통해 신체 상태에 대한 수치를 출력할 수 있다(S240). 제3 서브 모델은 제1 특징 및 제2 특징을 기초로, 질환의 발병 또는 질환의 진행 상황에 따라 연속적으로 변화하는 신체 상태를 수치 값으로 표현하도록 학습된 것일 수 있다. 컴퓨팅 장치(100)는 질환의 종류에 따라 제1 특징 및 제2 특징을 조합하는 가중치를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 가중치에 따라 제1 특징 및 제2 특징을 조합하여 제3 특징을 생성할 수 있다. 이에 따라 제3 서브 모델은 제3 특징을 입력받아 신체 상태를 나타내는 수치 값을 출력할 수 있다.
한편 도 5에서 S220 단계 및 S230 단계가 순차적으로 수행되는 것으로 도시되었으나, S220 단계 및 S230 단계는 병렬적으로 수행될 수 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 (11)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법으로서,
심전도 데이터를 획득하는 단계; 및
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는 단계;
를 포함하고,
상기 신경망 모델은,
상기 질환과 상관관계를 갖는 상기 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된,
방법.
- 제1항에 있어서,
상기 신경망 모델은,
상기 심전도 데이터를 기초로 상기 제1 특징을 출력하도록 학습된 제1 서브 모델;
을 포함하고,
상기 제1 서브 모델은
상기 생물학적 정보에 포함된 적어도 하나의 인자(factor)에 대한 수치를 개별적으로 출력하도록, 상기 인자의 개수에 맞추어 구성되는,
방법.
- 제2항에 있어서,
상기 신경망 모델은,
상기 심전도 데이터를 기초로 상기 제2 특징을 출력하도록 학습된 제2 서브 모델;
을 더 포함하고,
상기 제2 서브 모델은,
상기 병리학적 정보에 포함된 적어도 하나의 인자에 대한 수치를 개별적으로 출력하도록, 상기 인자의 개수에 맞추어 구성되는,
방법.
- 제3항에 있어서,
상기 신경망 모델은,
상기 제1 서브 모델의 출력인 제1 특징 및 상기 제2 서브 모델의 출력인 제2 특징을 기초로, 상기 질환의 발병 또는 상기 질환의 진행 상황에 따라 연속적으로 변화하는 신체 상태를 수치 값으로 표현하도록 학습된 제3 서브 모델;
을 더 포함하는,
방법.
- 제4 항에 있어서,
상기 제3 서브 모델은,
상기 질환의 종류에 따라 결정된 가중치를 기초로, 상기 제1 특징 및 상기 제2 특징을 조합하여 생성된 제3 특징을 입력 받아 상기 수치 값을 출력하는,
방법.
- 제3 항에 있어서,
상기 제1 서브 모델 및 상기 제2 서브 모델 각각은,
라벨이 지정되지 않은 샘플을 포함하는 학습 데이터를 이용하여 수행되는 자기 지도 학습(semi-supervised learning)을 기반으로 학습된,
방법.
- 제1항에 있어서,
상기 질환은,
심혈관 질환을 포함하는,
방법.
- 제7항에 있어서,
상기 생물학적 정보는,
상기 심혈관 질환에 포함된 관상동맥 질환과 관련된 신체 특성 인자로서, 나이, 성별, 키, 또는 몸무게 중 적어도 하나를 포함하는,
방법.
- 제8항에 있어서,
상기 병리학적 정보는,
상기 심혈관 질환에 포함된 관상동맥 질환의 진행 정도를 반영하는 병리학적 특성 인자로서, 심근경색 여부, 혈관 칼슘화의 정도, 혈전의 안정성, 관상동맥의 혈관 내 속도, 또는 관상동맥의 협착의 정도 중 적어도 하나를 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 딥러닝 기반으로 연속적인 신체 상태를 계측하는 동작들을 수행하도록 하며,
상기 동작들은,
심전도 데이터를 획득하는 동작; 및
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는 동작;
을 포함하고,
상기 신경망 모델은,
상기 질환과 상관관계를 갖는 상기 대상의 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된,
컴퓨터 프로그램.
- 딥러닝 기반으로 연속적인 신체 상태를 계측하기 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor);
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
심전도 데이터를 획득하기 위한 네트워크부(network unit);
를 포함하고,
상기 프로세서는,
질환과 상관관계를 갖는 대상의 신체 특성을 나타내는 생물학적 정보에 관한 제1 특징, 또는 상기 질환의 진행 정도를 반영하는 병리학적 정보에 관한 제2 특징 중 적어도 하나를 기초로 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터를 측정한 대상의 질환의 발병 또는 상기 질환의 진행 상황에 대응되는 신체 상태를 추론하는,
장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2022/014109 WO2023048463A1 (ko) | 2021-09-25 | 2022-09-21 | 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 |
EP22873168.3A EP4385413A1 (en) | 2021-09-25 | 2022-09-21 | Method, computer program, and device for continuously measuring body condition on basis of deep learning |
CN202280062072.1A CN117979902A (zh) | 2021-09-25 | 2022-09-21 | 以深度学习为基础计测连续的身体状态的方法、计算机程序及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20210126782 | 2021-09-25 | ||
KR1020210126782 | 2021-09-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230044127A true KR20230044127A (ko) | 2023-04-03 |
Family
ID=85936532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220118514A KR20230044127A (ko) | 2021-09-25 | 2022-09-20 | 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230044127A (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100748184B1 (ko) | 2005-05-11 | 2007-08-10 | 인하대학교 산학협력단 | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 |
-
2022
- 2022-09-20 KR KR1020220118514A patent/KR20230044127A/ko not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100748184B1 (ko) | 2005-05-11 | 2007-08-10 | 인하대학교 산학협력단 | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8554580B2 (en) | Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses | |
JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
KR101841222B1 (ko) | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 | |
Kumar et al. | Identification of cardiac patients based on the medical conditions using machine learning models | |
Ahmed et al. | Performance of artificial intelligence models in estimating blood glucose level among diabetic patients using non-invasive wearable device data | |
Archana et al. | Automated cardioailment identification and prevention by hybrid machine learning models | |
Apostolopoulos et al. | A medical decision support system for the prediction of the coronary artery disease using fuzzy cognitive maps | |
JP7495397B2 (ja) | モバイルデバイスを用いたユーザの健康状態の継続的監視 | |
Sharma et al. | Classification of heart disease from MRI images using convolutional neural network | |
KR20230044127A (ko) | 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 | |
US20230120397A1 (en) | Systems and methods for modelling a human subject | |
EP4385413A1 (en) | Method, computer program, and device for continuously measuring body condition on basis of deep learning | |
JP7495398B2 (ja) | モバイルデバイスを用いる機械学習健康分析 | |
CN117979902A (zh) | 以深度学习为基础计测连续的身体状态的方法、计算机程序及装置 | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
KR102049829B1 (ko) | 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 | |
KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
Mane et al. | Heart disease prediction using machine learning and neural networks | |
Garcia-Rios et al. | Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2 | |
Rao et al. | Machine Learning Based Cardiovascular Disease Prediction | |
Loku et al. | Prevention of diabetes by devising a prediction analytics model | |
KR20240026107A (ko) | 생체신호 데이터의 증강 방법, 컴퓨터 프로그램 및 장치 | |
KR20240013675A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
KR20240013674A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
Popa et al. | Risk Estimator using a Multi-Layer Perceptron Network for Coronary Artery Disease Prevention. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |