KR20230109885A - 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법 - Google Patents
인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20230109885A KR20230109885A KR1020220005681A KR20220005681A KR20230109885A KR 20230109885 A KR20230109885 A KR 20230109885A KR 1020220005681 A KR1020220005681 A KR 1020220005681A KR 20220005681 A KR20220005681 A KR 20220005681A KR 20230109885 A KR20230109885 A KR 20230109885A
- Authority
- KR
- South Korea
- Prior art keywords
- liposuction
- prognosis
- surgical
- surgery
- learning model
- Prior art date
Links
- 238000004393 prognosis Methods 0.000 title claims abstract description 115
- 238000007443 liposuction Methods 0.000 title claims abstract description 97
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 86
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 101710154918 Trigger factor Proteins 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 20
- 230000001939 inductive effect Effects 0.000 claims description 17
- 210000004003 subcutaneous fat Anatomy 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000001839 endoscopy Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005549 size reduction Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 208000034656 Contusions Diseases 0.000 description 3
- 206010030113 Oedema Diseases 0.000 description 3
- 208000002193 Pain Diseases 0.000 description 3
- 210000001789 adipocyte Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010060954 Abdominal Hernia Diseases 0.000 description 2
- 208000021970 Abdominal wall defect Diseases 0.000 description 2
- 206010018852 Haematoma Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010040102 Seroma Diseases 0.000 description 2
- 208000009443 Vascular Malformations Diseases 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 208000034526 bruise Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000002052 colonoscopy Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002357 laparoscopic surgery Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000021184 main course Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 210000004911 serous fluid Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
- A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0013—Medical image data
-
- 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
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B90/361—Image-producing devices, e.g. surgical cameras
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Urology & Nephrology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법에 관한 것으로, 상기 장치는 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의하는 유발 요인 정의부, 지방흡입 수술 전후 또는 수술 과정에서 상기 환자의 수술 부위에 대한 내시경 영상을 수집하는 내시경 영상 수집부, 상기 복수의 유발 요인들과 상기 내시경 영상을 독립변수로 하고 상기 지방흡입 수술 직후에 수술 예후를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 학습 모델 구축부, 및 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자에 대한 수술 예후를 예측하는 예후 예측부를 포함한다.
Description
본 발명은 지방흡입 수술 예후 예측 기술에 관한 것으로, 보다 상세하게는 인공지능(AI) 기반의 학습 모델을 통해 내시경으로 촬영된 수술 부위의 이미지를 분석하여 수술 경과를 정확도 높게 예측할 수 있는 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법에 관한 것이다.
지방흡입술(Liposuction)은 인간의 몸에 비정상적으로 축적된 피하 지방을 흡입 제거하여 교정하는 수술 방법으로서, 장시간의 운동이나 무리한 다이어트 없이도 몸에 축적된 지방을 손쉽게 제거할 수 있고, 체내 지방과 체중이 감소되어 건강 증진 효과 및 몸매 개선 효과를 제공할 수 있다.
지방흡입 수술의 중요한 특성 중 한가지는 직접 수술적 조작이 가해지는 피하 지방층을 육안으로 볼 수 없는 상태에서 집도의의 손끝 감각에만 의존하여 시행이 되는 “블라인드(Blind) 수술” 이라는 점이다. 바로 이점이 지방흡입 수술에서 수많은 위험과 합병증을 만들어 내게 되는 근본적인 원인이라 할 수 있다. 즉, 눈으로 볼 수 없는 상태에서 피부 밑 피하 지방층에 캐뉼라를 집어넣어 스트로크 모션을 가하여 지방을 추출하기 때문에, 수술 도구인 캐뉼라가 어느 정도의 손상을 조직에 가하는 지를 정확하게 알 수 없는 상태에서 수술이 이루어지게 된다.
이에 최근에는 지방흡입 수술 시 초음파를 통해 지방층의 양상을 파악할 수 있도록 하고 있다. 하지만, 비침습적 진단 도구인 초음파는 수술이라고 하는 인위적 조작이 가해지기 전 정상상태에서 피하 지방층과 근육층 등을 구별하는 용도 정도로만 사용 가능할 뿐이며 침습적인 수술 행위가 가해진 뒤에는 지방층의 양상을 정확하게 파악하기 어렵다. 예컨대, 수술 종료 후 지방층에 수술로 인한 피가 고인 건지 아니면 수술을 위해 투입한 용액이 모여 있는 건지 초음파로는 구별이 거의 불가능하며, 장기에 대한 손상, 장기 천공 등이 발생하였다고 해도 수술 직후 이를 초음파로 구분하기는 어렵다.
수술 종료 후 수술의 안전성 여부는 비침습적 진단 도구인 초음파 보다 내시경이 보다 정확히 확인해 줄 수 있다. 일반적으로 내시경(위 혹은 대장 내시경, 복강경 등)은 해부학적 지식을 갖춘 의료인이 내시경 장비가 보여주는 영상 정보를 본인의 해부학적, 병리학적 지식을 근거로 판단을 하여 진단을 하거나 혹은 치료 계획을 수립해 나가는 장비라고 규정할 수 있다. 이를 위해서는 의료인의 육안으로 판단이 가능한 수준의 영상 시야가 확보되어야 한다. 따라서, 내시경 카메라가 초점을 맞출 수 있는 정도의 물리적 거리 즉, 카메라의 전방에 비교적 넓은 공간이 필요하다.
하지만, 지방흡입이 이루어지는 피하 지방층의 경우에는 시야가 확보될 만한 공간 자체가 없어서 내시경을 삽입한다 하더라도 지방 조직 등에 밀접 촬영되어 조직의 국소 확대 사진들 밖에 얻을 수 없기 때문에 이를 가지고 의료인이 직접 육안으로 임상적 의의를 판단하는 것이 불가능하다.
따라서, 지방흡입 수술 종료 시에 내시경을 통해 수집된 영상들에 대해 임상적 의미를 해석하여 수술의 안전성을 향상시킬 수 있는 기술이 요구되었다.
본 발명의 일 실시예는 인공지능(AI) 기반의 학습 모델을 통해 내시경으로 촬영된 수술 부위의 이미지를 분석하여 수술 경과를 정확도 높게 예측할 수 있는 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 인공지능 기반의 부작용 발생 예측을 수행하는 통계학적 확률기반의 학습 모델을 구축하고, 지방흡입 수술 대상자의 부작용 발생확률을 예측하여 위험발생을 알릴 수 있는 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 수술 전에 내시경을 통해 지방층의 상태를 사전 확인하여 수술의 안전성을 높일 수 있고, 수술 후에 내시경 촬영을 통해 획득된 지방층 영상 정보를 구축된 학습 모델에 적용하여 수술의 예후를 예측함으로써 수술 안전 모니터링할 수 있는 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반의 지방흡입 수술 예후 예측 장치는 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의하는 유발 요인 정의부, 지방흡입 수술 전후 또는 수술 과정에서 상기 환자의 수술 부위에 대한 내시경 영상을 수집하는 내시경 영상 수집부, 상기 복수의 유발 요인들과 상기 내시경 영상을 독립변수로 하고 상기 지방흡입 수술 직후에 수술 예후를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 학습 모델 구축부, 및 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자에 대한 수술 예후를 예측하는 예후 예측부를 포함한다.
상기 유발 요인 정의부는 지방흡입 수술 부위와 지방흡입량, 수술시간, 환자의 개인정보 및 신체정보를 포함하여 상기 복수의 유발 요인들을 정의할 수 있다.
상기 내시경 영상 수집부는 수술 부위에 대해 내시경 검사를 통해 촬영되는 영상 정보를 수신하고 전처리를 수행하여 상기 환자의 수술 과정에서 이루어지는 피하 지방층의 상태 변화에 관한 이미지 데이터를 수집할 수 있다.
상기 학습 모델 구축부는 상기 복수의 유발 요인들과 상기 내시경 영상의 조합에서 수술 예후에 관한 사례들을 학습하여 지방흡입 수술 직후 환자의 발생 가능한 부작용을 포함하는 수술 경과를 예측하는 학습 모델을 구축할 수 있다.
상기 학습 모델 구축부는 상기 독립변수에 관한 특징 벡터를 생성하고 상기 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득하고, 상기 독립변수에 대응되는 종속변수의 실제값과 상기 예측 벡터 간의 오차를 산출하여 상기 오차를 줄이는 방향으로 상기 기 구축된 학습 모델의 가중치를 보정할 수 있다.
상기 예후 예측부는 상기 학습 모델로부터 복수의 부작용들에 대한 발생확률을 획득하고 상기 발생확률을 통합하여 수술 성공 확률과 회복 예상기간을 각각 예측하여 예측 예후 정보를 생성할 수 있다.
상기 예후 예측부는 상기 예측 예후 정보로서 예측되는 부작용 및 발생 확률, 부작용의 수준, 수술 부위의 사이즈 감소 중 적어도 하나 이상을 포함할 수 있다.
실시예들 중에서, 인공지능 기반의 지방흡입 수술 예후 예측 방법은 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의하는 단계, 지방흡입 수술 전후 또는 수술 과정에서 상기 환자의 수술 부위에 대한 내시경 영상을 수집하는 단계, 상기 복수의 유발 요인들과 상기 내시경 영상을 독립변수로 하고 상기 지방흡입 수술 직후에 수술 예후를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 단계, 및 상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자에 대한 수술 예후를 예측하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법은 인공지능(AI) 기반의 학습 모델을 통해 내시경으로 촬영된 수술 부위의 이미지를 분석하여 수술 경과를 정확도 높게 예측할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법은 인공지능 기반의 부작용 발생 예측을 수행하는 통계학적 확률기반의 학습 모델을 구축하고, 지방흡입 수술 대상자의 부작용 발생확률을 예측하여 위험발생을 알릴 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법은 수술 전에 내시경을 통해 지방층의 상태를 사전 확인하여 수술의 안전성을 높일 수 있고, 수술 후에 내시경 촬영을 통해 획득된 지방층 영상 정보를 구축된 학습 모델에 적용하여 수술의 예후를 예측함으로써 수술 안전 모니터링할 수 있다.
도 1은 본 발명에 따른 수술 예후 예측 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 수술 예후 예측 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 수술 예후 예측 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반의 지방흡입 수술 예후 예측 방법을 설명하는 순서도이다.
도 5는 일 실시예에 따른 내시경 지방흡입 장치를 나타내는 도면이다.
도 2는 도 1에 있는 수술 예후 예측 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 수술 예후 예측 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반의 지방흡입 수술 예후 예측 방법을 설명하는 순서도이다.
도 5는 일 실시예에 따른 내시경 지방흡입 장치를 나타내는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 수술 예후 예측 시스템을 설명하는 도면이다.
도 1을 참조하면, 인공지능 기반의 지방흡입 수술 예후 예측 시스템(이하 수술 예후 시스템)(100)은 사용자 단말(110), 수술 예후 예측 장치(130), 데이터베이스(150) 및 내시경 지방흡입 장치(170)를 포함할 수 있다.
사용자 단말(110)은 지방흡입 수술 예후 예측 결과를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 수술 예후 예측 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 수술 예후 예측 장치(130)에 동시에 연결되어 데이터를 주고받을 수 있다. 한편, 사용자 단말(110)은 필요에 따라 수술 예후 예측 장치(130)와 연동하여 디스플레이의 역할을 수행할 수 있다. 이때, 사용자 단말(110)은 전용 프로그램을 통해 수술 예후 예측 장치(130)와 연동할 수 있다.
수술 예후 예측 장치(130)는 데이터베이스(150)와 연동하여 환자의 지방흡입 수술 과정에서 환자의 지방층 상태정보를 모니터링하고 수술 직후의 부작용 발생을 예측하여 지방흡입 수술 예후를 정확도 높게 예측할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 수술 예후 예측 장치(130)는 사용자 단말(110)과 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 유선 또는 무선 네트워크를 통해 사용자 단말(110)과 통신을 수행할 수 있다.
일 실시예에서, 수술 예후 예측 장치(130)는 데이터베이스(150)와 연동하여 지방흡입 수술 예후 예측에 필요한 정보를 저장할 수 있다. 한편, 수술 예후 예측 장치(130)는 도 1과 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다.
또한, 수술 예후 예측 장치(130)는 내시경 지방흡입 장치(170)와 연동하여 지방흡입 수술을 수행하는 환자의 지방층 영상 정보를 획득할 수 있다. 수술 예후 예측 장치(130)는 내시경 지방 흡입 장치(170)와 연동하여 환자의 수술 부위 피하 지방층을 촬영한 영상정보를 획득할 수 있습니다. 수술 예후 예측 장치(130)는 수술 전후 및 수술 과정에서 내시경 지방흡입 장치(170)를 통해 지방층 상태를 촬영한 영상 정보를 수집하고 인공지능(AI) 기반의 학습 모델로 학습하여 각 수술의 예후 및 결과와 매칭시켜 수술 예후를 예측할 수 있다.
데이터베이스(150)는 수술 예후 예측 장치(130)가 환자의 지방흡입 수술 직후에 수술의 주요 경과를 예측하기 위한 다양한 정보들을 저장할 수 있다. 예를 들어, 데이터베이스(150)는 지방흡입 수술 예후 예측을 위한 학습 데이터셋 및 학습 모델에 관한 데이터를 저장할 수 있으며, 반드시 이에 한정되지 않고, 인공지능 기반의 지방흡입 수술 예후 예측 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
내시경 지방흡입 장치(170)는 캐뉼라(Cannula)에 내시경이 장착되어 환자의 신체에 해당하는 수술 부위에 삽입되어 지방 등을 흡입하는 과정에서 해당 부위를 촬영할 수 있는 장치에 해당할 수 있다. 캐뉼라는 몸속에 삽입하는 가늘고 긴 형태의 관을 포함할 수 있고, 해당 관의 선단부는 밀폐되고 후단부는 개방되며, 수술 부위- 예를 들어, 지방층 -에 삽입하여 전/후 방향으로 움직임으로써 지방 세포를 파괴하여 지방 세포를 외부로 추출할 수 있다. 캐뉼라는 밀폐되는 선단부가 유선형으로 형성되어 수술 부위 삽입시 신체 내부 기관 또는 근육에 상처내는 것을 방지할 수 있다.
또한, 내시경 지방흡입 장치(170)는 캐뉼라의 내부에 내시경 카메라가 형성되어 지방층을 촬영할 수 있다. 내시경 지방흡입 장치(170)는 수술 예후 예측 장치(130)와 유선으로 직접 연결되거나 네트워크를 통해 연결되어 내시경 카메라를 통해 촬영된 지방층 영상 정보를 수술 예후 예측 장치(130)로 전송할 수 있다. 여기에서, 내시경 지방흡입 장치(170)는 내시경이 캐뉼라에 장착되어 일체로 구현하였지만, 이에 한정되지 않고 내시경이 독립된 장비로 구현되어 지방흡입 수술 전과 후의 지방층에 대해 내시경 검사를 수행하여 내시경 영상을 획득할 수도 있다.
도 2는 도 1에 있는 수술 예후 예측 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 수술 예후 예측 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 수술 예후 예측 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 수술 예후 예측 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 수술 예후 예측 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 수술 예후 예측 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 수술 예후 예측 장치(130)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 수술 예후 예측 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 수술 예후 예측 장치(130)는 유발 요인 정의부(310), 내시경 영상 수집부(330), 학습 모델 구축부(350), 예후 예측부(370) 및 제어부(370)를 포함할 수 있다.
유발 요인 정의부(310)는 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의할 수 있다. 여기에서, 유발 요인은 지방흡입 수술 과정에서 부작용을 유발하는 원인요소들에 해당할 수 있다. 유발 요인은 환자의 건강상태, 지방흡입 수술 조건 등을 포함하여 다양하게 정의될 수 있으며, 여기서는 지방흡입 수술의 부작용 발생에 큰 영향을 주는 것으로 알려진 대표적인 요소들을 예로 들어 설명하지만, 반드시 이에 한정되는 것은 아니다.
일 실시예에서, 유발 요인 정의부(310)는 지방흡입 수술 부위와 지방흡입량, 수술 시간, 환자의 개인정보 및 신체정보를 포함하여 복수의 유발 요인들을 정의할 수 있다. 보다 구체적으로, 환자의 개인정보에 관한 유발 요인은 성별, 나이 등을 포함할 수 있고, 환자의 신체정보에 관한 유발 요인은 환자의 체중, 지방층의 두께, 종괴나 종양, 혈관 기형, 복벽 결손이나 탈장 등을 포함할 수 있다. 유발 요인 정의부(310)에 의해 정의된 복수의 유발 요인들은 수 만건의 지방흡입 수술 과정들에서 다양한 방식으로 측정 및 수집될 수 있고, 기계학습을 위한 학습 데이터로 활용될 수 있다.
내시경 영상 수집부(330)는 환자의 지방흡입 수술 과정에서 또는 수술 종료 시 내시경 지방흡입 장치(170)를 통해 촬영된 내시경 영상을 수집할 수 있다. 여기에서, 내시경 영상은 수술 행위가 가해지는 지방층이 어떤 상태인지를 보여주는 지방층 이미지에 해당할 수 있다. 일 실시예에서, 내시경 영상 수집부(330)는 내시경 지방흡입 장치(170)를 통해 수술하는 과정에서 캐뉼라의 움직임을 따라 내시경 카메라에서 촬영한 피하 지방층 영상을 수집할 수 있다. 다른 일 실시예에서, 내시경 영상 수집부(330)는 지방흡입 수술 전과 종료 시 내시경 검사를 통해 촬영한 피하 지방층 영상을 수집할 수 있다. 내시경 영상 수집부(330)는 보다 정확도 높은 정보 수집을 위하여 수집된 영상 데이터에 대한 전처리 연산을 수행할 수도 있다. 예를 들어, 내시경 영상 수집부(330)는 노이즈 제거(noise filtering), 신호 증폭, 정규화(normalization), 재샘플링(resampling) 등의 전처리 연산을 통해 이후 동작에 보다 적합한 형태로 데이터를 변환할 수 있다.
학습 모델 구축부(350)는 복수의 유발 요인들과 내시경 영상을 독립변수로 하고 지방흡입 수술이 이루어진 직후에 수술 예후를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행할 수 있다. 즉, 학습 모델 구축부(350)는 복수의 유발 요인들과 내시경 영상의 다양한 조합들에서 수술 예후에 관한 다양한 사례들을 학습하여 지방흡입 수술 직후 환자의 천공, 장액종, 부종, 통증 등의 부작용 발생을 포함한 수술 경과를 비교적 정확히 예측할 수 있는 학습 모델을 구축할 수 있다. 한편, 기계학습을 위한 학습 알고리즘은 상황별 또는 용도별 다양하게 사용 가능하며, 대표적으로 SVM(Support Vector Machine), LSTM(Long Short-Term Memory), 오토인코더(autoencoder) 등이 사용될 수 있다.
일 실시예에서, 학습 모델 구축부(350)는 독립변수에 관한 특징 벡터를 생성할 수 있다. 여기에서, 독립변수는 복수의 유발 요인들과 내시경 영상을 포함할 수 있으며, 특징 벡터는 독립변수들로부터 도출되는 매개 변수를 기초로 생성될 수 있다. 복수의 유발 요인들은 특정 범위 내의 값으로 수치화되어 표현될 수 있고, 내시경 영상은 수술 전 지방층 이미지를 기초로 변환되는 값으로 표현될 수 있다. 즉, 특징 벡터는 독립변수들 각각에 대응되는 값들의 집합으로 정의될 수 있다. 한편, 복수의 유발 요인들 및 내시경 영상 중 일부는 이미지 데이터 변형을 통해 수치화된 값으로 변환될 수 있다. 예를 들어, 2차원 그래프는 학습 전 이미지 특징을 가지면서 연산을 최소화하는 크기로 수정될 수 있다.
학습 모델 구축부(350)는 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득할 수 있다. 여기에서, 학습 모델은 특징 벡터를 입력 데이터로 하여 예측 벡터를 출력 데이터로 생성할 수 있으며, 해당 과정에서 특징 벡터와 예측 벡터 간의 차원 축소가 발생할 수 있다. 즉, 예측 벡터의 차원수는 예측하고자 하는 부작용의 개수에 대응될 수 있고, 수술 예후 예측 장치(130)를 통해 사전에 설정될 수 있다.
학습 모델 구축부(350)는 독립변수에 대응되는 종속변수의 실제값과 예측 벡터 간의 오차를 산출할 수 있다. 학습 모델 구축부(350)은 학습 모델에 의해 예측된 정보와 실제 환자의 지방흡입 수술 과정에서 수집된 부작용 발생 사례를 비교하여 그 오차를 산출할 수 있다. 오차는 종속변수에 대응되는 부작용 별로 각각 산출될 수 있으며, 부작용별 오차들은 하나로 통합되어 전체 오차율에 대한 정보로 변환될 수 있다. 학습 모델 구축부(350)는 오차를 줄이는 방향으로 기 구축된 학습 모델의 가중치를 보정할 수 있다.
예후 예측부(350)는 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 지방흡입 수술 직후에 예후를 예측할 수 있다. 예후 예측부(350)는 지방흡입 수술 환자로부터 수집되는 내시경 영상 정보와 환자의 개인정보, 신체정보를 학습 모델에 입력한 결과를 이용하여 수술 예후를 예측할 수 있다. 즉, 수술 예후 예측 장치(130)는 예후 예측부(350)를 통해 환자의 수술이 끝나자 마자 예후를 예측하여 그에 대한 대응을 준비하도록 알림으로써 지방흡입 수술의 안전성을 높이고 환자의 안전을 보장하는 효과를 제공할 수 있다.
일 실시예에서, 예후 예측부(350)는 학습 모델로부터 복수의 부작용들에 대한 발생확률을 획득하고 발생확률을 통합하여 수술 성공 확률과 회복 예상기간을 각각 예측할 수 있다. 지방흡입 수술의 부작용은 장액종, 혈종, 부종, 멍, 통증 등을 포함할 수 있으며, 학습 모델은 입력 조건 하에서 각 부작용들에 대한 발생확률을 생성하여 출력으로 제공할 수 있다. 예를 들어, 수술 후 장액종이 발생할 확률, 혈종이나 멍, 부종, 통증 호소 등이 어느 정도 수준이 될 지, 사이즈 감소가 어느 정도 이루어질 지 등을 예측할 수 있다. 예후 예측부(350)는 다양한 방법을 사용하여 복수의 부작용들 각각의 발생확률을 하나로 통합할 수 있다. 예를 들어, 예후 예측부(350)는 발생확률들의 평균을 통해 수술 성공 확률을 결정하거나 또는 가장 높거나 낮은 발생확률을 제외시킨 후 평균을 통해 수술 성공 확률을 결정할 수도 있다.
또한, 예후 예측부(350)는 수술 전 지방층 이미지와 수술 과정에서 수집한 지방층 이미지들 간의 비교를 통해 지방층 변화 이미지를 생성하고 생성된 지방층 변화 이미지를 학습 모델에 적용하여 해당 변화의 의미를 분석할 수 있다. 예후 예측부(350)는 지방층 변화 이미지를 기초로 학습 모델에 입력 벡터를 생성할 수 있고, 학습 모델에 의해 출력된 결과를 기초로 예측 예후 정보를 생성할 수 있다. 여기에서, 예측 예후 정보는 예측되는 부작용에 대한 발생 확률, 해당 수술에 대한 성공 확률, 신체 변화도 및 수술 후 관리 데이터 중 적어도 하나 이상을 포함할 수 있다. 예후 예측부(350)는 예측 예후 정보로서 예측되는 부작용 및 발생 확률, 부작용의 수준, 수술 부위의 사이즈 감소 중 적어도 하나 이상을 포함할 수 있다.
예를 들어, 수술이 이루어진 직후에 장기가 천공된 피하 지방층 속을 내시경 카메라로 촬영한 수백장의 이미지로 학습한 학습모델을 구축할 경우, 특정 환자의 수술 시 촬영된 내시경 영상을 학습모델에 적용시 비슷한 양상이 보일 경우 내부 장기의 천공이 의심된다 라는 예측을 할 수 있다. 즉, 피하 지방층은 공간이 전혀 없어 내시경 카메라로 촬영된 영상을 육안으로 구분이 어렵지만 인공지능 기반의 학습을 통해 내시경 영상 속 지방층의 양상을 해석할 수 있고 수술 예후를 예측할 수 있다.
제어부(370)는 수술 예후 예측 장치(130)의 전체적인 동작을 제어하고, 유발 요인 정의부(310), 내시경 영상 수집부(330), 학습 모델 구축부(350) 및 예후 예측부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 인공지능 기반의 지방흡입 수술 예후 예측 방법을 설명하는 순서도이다.
도 4를 참조하면, 수술 예후 예측 장치(130)는 유발 요인 정의부(310)를 통해 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의할 수 있다(단계 S410). 수술 예후 예측 장치(130)는 내시경 영상 수집부(330)를 통해 환자의 지방흡입 수술 과정에서 촬영되는 내시경 영상을 수집할 수 있다(단계 S430).
또한, 수술 예후 예측 장치(130)는 학습 모델 구축부(350)를 통해 복수의 유발 요인들과 내시경 영상을 독립변수로 하고 수술의 주요 경과를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행할 수 있다(단계 S450). 수술 예후 예측 장치(130)는 예후 예측부(370)를 통해 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자의 수술의 예후를 예측할 수 있다(단계 S470).
도 5는 일 실시예에 따른 내시경 지방흡입 장치를 나타내는 도면이다.
도 5를 참조하면, 내시경 지방흡입 장치(170)는 캐뉼라(510)와 내시경(530), 손으로 잡고 캐뉼라(510)가 삽입된 수술 부위를 핸들링 할 수 있는 핸드피스(550), 핸드피스(550)의 후단부에 장착되고 지방이 연통되어 환자의 피하 지방층으로부터 흡입된 지방 등이 수거공간까지 이동하는 통로가 되는 튜브(570), 핸드피스(550)의 전단부 또는 핸드피스(550)의 내부에 설치되며 내시경 영상을 수술 예후 예측 장치(130)로 전송하는 통신부(590)를 포함한다.
캐뉼라(510)는 피부를 관통하여 피부 내부로 삽입되며, 특히 피부 내부의 지방층까지 삽입된 후 전후 또는 좌우로 움직이는 스트로크 동작을 통해 지방세포를 분리하고 파괴하는 반복적인 작업을 수행한다. 캐뉼라(510)는 지방흡입 수술 시 혈관을 찔러 출혈과 멍을 유발하고 피부 조직을 손상시키거나 파열시키는 과정이 수반될 수 있다.
내시경(530)은 캐뉼라(510)와 연동하여 캐뉼라(510)에 의해 수술행위가 가해지는 지방층을 촬영할 수 있다. 내시경(530)은 일반적으로 의료 목적으로 신체의 내부를 살펴보기 위한 의료 기구로, 끝에 카메라가 있다. 여기에서, 내시경(530)은 카메라를 통해 지방흡입 수술전에 추출하고자 하는 지방층의 상태를 촬영하여 추출하고자 하는 지방층에 종괴나 종양, 혈관 기형 혹은 복벽 결손이나 탈장 등이 있는지 여부를 사전에 정확히 확인 후 수술을 진행할 수 있도록 하여 수술의 안정성을 높이도록 할 수 있다. 또한, 내시경(530)은 수술 과정에서 지방층의 상태 변화를 촬영하여 수술 예후를 예측하는 데 사용할 수 있다.
통신부(590)는 수술 예후 예측 장치(130)와 네트워크로 연결되어 내시경 영상 즉, 내시경 카메라로 촬영된 지방층 이미지들을 수술 예후 예측 장치(130)로 전송할 수 있다.
본 발명에 따른 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법은 지방흡입 수술 종료 시 내시경 장비로 수술 진행된 전체 부위를 탐색 하듯 검사를 진행하고 검사 영상 자료를 기계학습을 통해 각 수술의 예후 및 결과와 매칭시킴으로써 수술 직후에 수술의 주요 경과를 정확도 높게 즉각 예측할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 수술 예후 예측 시스템
110: 사용자 단말 130: 수술 예후 예측 장치
150: 데이터베이스 170: 내시경 지방흡입 장치
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 유발 요인 정의부 330: 내시경 영상 수집부
350: 학습 모델 구축부 370: 예후 예측부
390: 제어부
510: 캐뉼라 530: 내시경
550: 핸드피스 570: 튜브
590: 통신부
110: 사용자 단말 130: 수술 예후 예측 장치
150: 데이터베이스 170: 내시경 지방흡입 장치
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 유발 요인 정의부 330: 내시경 영상 수집부
350: 학습 모델 구축부 370: 예후 예측부
390: 제어부
510: 캐뉼라 530: 내시경
550: 핸드피스 570: 튜브
590: 통신부
Claims (8)
- 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의하는 유발 요인 정의부;
지방흡입 수술 전후 또는 수술 과정에서 상기 환자의 수술 부위에 대한 내시경 영상을 수집하는 내시경 영상 수집부;
상기 복수의 유발 요인들과 상기 내시경 영상을 독립변수로 하고 상기 지방흡입 수술 직후에 수술 예후를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 학습 모델 구축부; 및
상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자에 대한 수술 예후를 예측하는 예후 예측부를 포함하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 제1항에 있어서, 상기 유발 요인 정의부는
지방흡입 수술 부위와 지방흡입량, 수술시간, 환자의 개인정보 및 신체정보를 포함하여 상기 복수의 유발 요인들을 정의하는 것을 특징으로 하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 제1항에 있어서, 상기 내시경 영상 수집부는
수술 부위에 대해 내시경 검사를 통해 촬영되는 영상 정보를 수신하고 전처리를 수행하여 상기 환자의 수술 과정에서 이루어지는 피하 지방층의 상태 변화에 관한 이미지 데이터를 수집하는 것을 특징으로 하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 제1항에 있어서, 상기 학습 모델 구축부는
상기 복수의 유발 요인들과 상기 내시경 영상의 조합에서 수술 예후에 관한 사례들을 학습하여 지방흡입 수술 직후 환자의 발생 가능한 부작용을 포함하는 수술 경과를 예측하는 학습 모델을 구축하는 것을 특징으로 하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 제4항에 있어서, 상기 학습 모델 구축부는
상기 독립변수에 관한 특징 벡터를 생성하고 상기 특징 벡터를 기 구축된 학습 모델에 입력한 결과로서 기 정의된 복수의 부작용들의 발생확률을 포함하는 예측 벡터를 획득하고, 상기 독립변수에 대응되는 종속변수의 실제값과 상기 예측 벡터 간의 오차를 산출하여 상기 오차를 줄이는 방향으로 상기 기 구축된 학습 모델의 가중치를 보정하는 것을 특징으로 하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 제1항에 있어서, 상기 예후 예측부는
상기 학습 모델로부터 복수의 부작용들에 대한 발생확률을 획득하고 상기 발생확률을 통합하여 수술 성공 확률과 회복 예상기간을 각각 예측하여 예측 예후 정보를 생성하는 것을 특징으로 하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 제6항에 있어서, 상기 예후 예측부는
상기 예측 예후 정보로서 예측되는 부작용 및 발생 확률, 부작용의 수준, 수술 부위의 사이즈 감소 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 인공지능 기반의 지방흡입 수술 예후 예측 장치.
- 환자의 사용자 정보에 기초하여 지방흡입 수술의 부작용에 관한 복수의 유발 요인들을 정의하는 단계;
지방흡입 수술 전후 또는 수술 과정에서 상기 환자의 수술 부위에 대한 내시경 영상을 수집하는 단계;
상기 복수의 유발 요인들과 상기 내시경 영상을 독립변수로 하고 상기 지방흡입 수술 직후에 수술 예후를 종속변수로 하여 변수들 간의 상관관계에 관한 기계학습을 수행하는 단계; 및
상기 기계학습의 결과로 생성된 학습 모델을 이용하여 특정 환자에 대한 수술 예후를 예측하는 단계를 포함하는 인공지능 기반의 지방흡입 수술 예후 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220005681A KR20230109885A (ko) | 2022-01-14 | 2022-01-14 | 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220005681A KR20230109885A (ko) | 2022-01-14 | 2022-01-14 | 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230109885A true KR20230109885A (ko) | 2023-07-21 |
Family
ID=87430001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220005681A KR20230109885A (ko) | 2022-01-14 | 2022-01-14 | 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230109885A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR200332474Y1 (ko) | 2003-06-30 | 2003-11-07 | 김두기 | 내시경 기능을 구비한 지방흡입기 |
-
2022
- 2022-01-14 KR KR1020220005681A patent/KR20230109885A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR200332474Y1 (ko) | 2003-06-30 | 2003-11-07 | 김두기 | 내시경 기능을 구비한 지방흡입기 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220093216A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| CN110838118B (zh) | 用于医疗过程中异常检测的系统和方法 | |
| US8527251B2 (en) | Method and system for multi-component heart and aorta modeling for decision support in cardiac disease | |
| EP3453321B1 (en) | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| US11062792B2 (en) | Discovering genomes to use in machine learning techniques | |
| CN111275755B (zh) | 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 | |
| US20210166812A1 (en) | Apparatus and methods for the management of patients in a medical setting | |
| KR20130111669A (ko) | 가시적 무손실 압축을 이용한 의료 영상 압축 시스템 및 방법 | |
| CN115778403A (zh) | 心电图分析方法、装置、电子设备和存储介质 | |
| JP4651271B2 (ja) | コンピュータ援用患者診断決定支援システム | |
| KR102149748B1 (ko) | 심폐음 신호 획득 방법 및 장치 | |
| KR20230109885A (ko) | 인공지능 기반의 지방흡입 수술 예후 예측 장치 및 방법 | |
| Kastaniotis et al. | Using kinect for assesing the state of Multiple Sclerosis patients | |
| CN115547502A (zh) | 基于时序数据的血透病人风险预测装置 | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| CN110910980A (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| KR20090002123A (ko) | 영상 기반의 아토피 진단 지원 방법 및 장치 | |
| US20240008803A1 (en) | Body fluid volume estimation device, body fluid volume estimation method, and non-transitory computer-readable medium | |
| CN117690583B (zh) | 基于物联网的康复护理交互式管理系统及方法 | |
| KR102149753B1 (ko) | 심폐음 신호 획득 방법 및 장치 | |
| WO2023032438A1 (ja) | 回帰推定装置および方法、プログラム並びに学習済みモデルの生成方法 | |
| EP4198997A1 (en) | A computer implemented method, a method and a system | |
| Lai et al. | Detection of aortic valve using deep learning approaches | |
| WO2023102166A9 (en) | Direct medical treatment predictions using artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |