KR20230115631A - 의료 진단 장치 및 이의 제어 방법 - Google Patents
의료 진단 장치 및 이의 제어 방법 Download PDFInfo
- Publication number
- KR20230115631A KR20230115631A KR1020220012316A KR20220012316A KR20230115631A KR 20230115631 A KR20230115631 A KR 20230115631A KR 1020220012316 A KR1020220012316 A KR 1020220012316A KR 20220012316 A KR20220012316 A KR 20220012316A KR 20230115631 A KR20230115631 A KR 20230115631A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- spectrum
- liquid
- obtaining
- neural network
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims description 47
- 239000007788 liquid Substances 0.000 claims abstract description 251
- 238000001228 spectrum Methods 0.000 claims abstract description 217
- 239000013077 target material Substances 0.000 claims abstract description 107
- 239000000376 reactant Substances 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims description 129
- 239000000463 material Substances 0.000 claims description 93
- 238000006243 chemical reaction Methods 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 50
- 238000001514 detection method Methods 0.000 abstract 1
- 239000000306 component Substances 0.000 description 43
- 239000002082 metal nanoparticle Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 28
- 238000001069 Raman spectroscopy Methods 0.000 description 24
- 238000000926 separation method Methods 0.000 description 22
- 230000010100 anticoagulation Effects 0.000 description 15
- 239000012530 fluid Substances 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000011068 loading method Methods 0.000 description 13
- 238000000746 purification Methods 0.000 description 13
- 238000012546 transfer Methods 0.000 description 11
- 210000000601 blood cell Anatomy 0.000 description 10
- 239000000758 substrate Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 239000008280 blood Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000001965 increasing effect Effects 0.000 description 8
- 238000002156 mixing Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 239000000427 antigen Substances 0.000 description 7
- 102000036639 antigens Human genes 0.000 description 7
- 108091007433 antigens Proteins 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011859 microparticle Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 210000004712 air sac Anatomy 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000003146 anticoagulant agent Substances 0.000 description 5
- 229940127219 anticoagulant drug Drugs 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010897 surface acoustic wave method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000002381 plasma Anatomy 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000013076 target substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 1
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 1
- 101710098119 Chaperonin GroEL 2 Proteins 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 102000013498 tau Proteins Human genes 0.000 description 1
- 108010026424 tau Proteins Proteins 0.000 description 1
- 210000001138 tear Anatomy 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/150007—Details
- A61B5/150358—Strips for collecting blood, e.g. absorbent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/150007—Details
- A61B5/150755—Blood sample preparation for further analysis, e.g. by separating blood components or by mixing
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/8483—Investigating reagent band
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Hematology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
진단 장치가 개시된다. 진단 장치는 메모리 및 프로세서를 포함하고, 프로세서는, 피검체로부터 채취되며 제1 타겟 물질을 포함하는 제1 액체에 대응되는 제1 스펙트럼에 대한 정보, 및 제1 액체에 제1 타겟 물질의 검출을 위한 제1 반응 물질이 첨가됨에 따라 제1 반응 물질과 결합된 제1 타겟 물질을 포함하는 제2 액체에 대응되는 제2 스펙트럼에 대한 정보를 획득하고, 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보에 기초하여 제1 타겟 물질의 제1 농도 정보를 획득하고, 제1 농도 정보에 기초하여 피검체에 대한 진단 정보를 획득한다.
Description
실시 예는 액체 정제 장치에 관한 것이다.
실시 예는 의료 진단 장치에 관한 것이다.
실시 예는 의료 진단 시스템에 관한 것이다.
피검체로부터 채취된 액체(예로, 혈액이나 소변 등)에 기초하여 피검체의 건강 상태나 질병 유무 등을 진단하는 기술에 대한 연구가 활발히 진행되고 있다. 예를 들어, 상기 기술은 액체에 대한 스펙트럼 정보를 분석하여 피검체에 대한 진단 결과를 획득할 수 있다. 통상적으로 상기 기술은 항원-항체 반응이 이루어진 혈액에 대한 스펙트럼 정보를 기초로 진단 결과를 획득한다.
그러나, 혈액에는 항원 외에도 혈구성분을 비롯한 다양한 성분이 존재하고, 이로 인해 스펙트럼 정보는 오차를 포함하게 된다. 따라서, 정확한 진단 결과를 획득하기 위해서는 스펙트럼 정보의 오차 발생을 방지하거나 오차를 보상하기 위한 기술이 필요하다.
본 발명이 해결하고자 하는 일 기술적 과제는, 피검체에 대한 진단 결과의 정확도를 향상시킬 수 있는 액체 정제 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 일 기술적 과제는, 타겟 물질에 대한 스펙트럼 정보의 오차를 보상할 수 있는 진단 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 진단 장치에 있어서, 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 피검체로부터 채취되며 제1 타겟 물질을 포함하는 제1 액체에 대응되는 제1 스펙트럼에 대한 정보, 및 상기 제1 액체에 상기 제1 타겟 물질의 검출을 위한 제1 반응 물질이 첨가됨에 따라 상기 제1 반응 물질과 결합된 상기 제1 타겟 물질을 포함하는 제2 액체에 대응되는 제2 스펙트럼에 대한 정보를 획득하고, 상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보에 기초하여 상기 제1 타겟 물질의 제1 농도 정보를 획득하고, 상기 제1 농도 정보에 기초하여 상기 피검체에 대한 진단 정보를 획득하는 진단 장치가 제공될 수 있다.
상기 제1 액체는, 상기 제1 반응 물질을 포함하지 않을 수 있다.
상기 제2 스펙트럼에 대한 정보는 상기 제2 스펙트럼의 피크값을 포함하고, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 스펙트럼의 피크값 및 농도 정보가 매칭되어 상기 메모리에 미리 저장된 테이블에 기초하여 상기 제2 스펙트럼의 피크값에 대응되는 농도 정보를 획득하고, 상기 제1 스펙트럼에 대한 정보를 제1 신경망 모델에 입력하여 상기 농도 정보를 보정하기 위한 계수를 획득하고, 상기 계수에 기초하여 상기 농도 정보를 보정하여 상기 제1 농도 정보를 획득할 수 있다.
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 농도 정보를 획득할 수 있다.
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 특징 벡터를 획득하고, 상기 제1 스펙트럼에 대한 정보 및 상기 특징 벡터를 제3 신경망 모델에 입력하여 상기 제1 농도 정보를 획득할 수 있다.
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제1 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 특징 벡터를 획득하고, 상기 제2 스펙트럼에 대한 정보를 상기 제2 신경망 모델에 입력하여 제2 특징 벡터를 획득하고, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 제4 신경망 모델에 입력하여 상기 제1 농도 정보를 획득할 수 있다.
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제1 스펙트럼에 대한 정보 및 상기 제1 농도 정보를 제5 신경망 모델에 입력하여 상기 진단 정보를 획득할 수 있다.
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제1 액체에 포함된 제2 타겟 물질의 검출을 위한 제2 반응 물질이 첨가됨에 따라 상기 제2 반응 물질과 결합된 상기 제2 타겟 물질을 포함하는 제3 액체에 대응되는 제3 스펙트럼에 대한 정보를 획득하고, 상기 제1 스펙트럼에 대한 정보 및 상기 제3 스펙트럼에 대한 정보에 기초하여 상기 제2 타겟 물질의 제2 농도 정보를 획득하고, 상기 제1 스펙트럼에 대한 정보, 상기 제1 농도 정보 및 상기 제2 농도 정보를 상기 제5 신경망 모델에 입력하여 상기 진단 정보를 획득할 수 있다.
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제6 신경망 모델에 입력하여 상기 진단 정보를 획득할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 진단 장치의 제어 방법에 있어서, 피검체로부터 채취되며 제1 타겟 물질을 포함하는 제1 액체에 대응되는 제1 스펙트럼에 대한 정보, 및 상기 제1 액체에 상기 제1 타겟 물질의 검출을 위한 제1 반응 물질이 첨가됨에 따라 상기 제1 반응 물질과 결합된 상기 제1 타겟 물질을 포함하는 제2 액체에 대응되는 제2 스펙트럼에 대한 정보를 획득하는 단계; 상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보에 기초하여 상기 제1 타겟 물질의 제1 농도 정보를 획득하는 단계; 및 상기 제1 농도 정보에 기초하여 상기 피검체에 대한 진단 정보를 획득하는 단계;를 포함하는 제어 방법이 제공될 수 있다.
상기 제1 농도 정보를 획득하는 단계는, 스펙트럼의 피크값 및 농도 정보가 매칭되어 상기 메모리에 미리 저장된 테이블에 기초하여 상기 제2 스펙트럼의 피크값에 대응되는 농도 정보를 획득하는 단계, 상기 제1 스펙트럼에 대한 정보를 제1 신경망 모델에 입력하여 상기 농도 정보를 보정하기 위한 계수를 획득하는 단계, 및 상기 계수에 기초하여 상기 농도 정보를 보정하여 상기 제1 농도 정보를 획득하는 단계를 포함할 수 있다.
상기 제1 농도 정보를 획득하는 단계는, 상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 농도 정보를 획득할 수 있다.
상기 제1 농도 정보를 획득하는 단계는, 상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 특징 벡터를 획득하는 단계, 및 상기 제1 스펙트럼에 대한 정보 및 상기 특징 벡터를 제3 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는 단계를 포함할 수 있다.
상기 제1 농도 정보를 획득하는 단계는, 상기 제1 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 특징 벡터를 획득하는 단계, 상기 제2 스펙트럼에 대한 정보를 상기 제2 신경망 모델에 입력하여 제2 특징 벡터를 획득하는 단계, 및 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 제4 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는 단계를 포함할 수 있다.
상기 진단 정보를 획득하는 단계는, 상기 제1 스펙트럼에 대한 정보 및 상기 제1 농도 정보를 제5 신경망 모델에 입력하여 상기 진단 정보를 획득할 수 있다.
상기 제어 방법은, 상기 제1 액체에 포함된 제2 타겟 물질의 검출을 위한 제2 반응 물질이 첨가됨에 따라 상기 제2 반응 물질과 결합된 상기 제2 타겟 물질을 포함하는 제3 액체에 대응되는 제3 스펙트럼에 대한 정보를 획득하는 단계; 및 상기 제1 스펙트럼에 대한 정보 및 상기 제3 스펙트럼에 대한 정보에 기초하여 상기 제2 타겟 물질의 제2 농도 정보를 획득하는 단계;를 더 포함하고, 상기 진단 정보 획득 단계는, 상기 제1 스펙트럼에 대한 정보, 상기 제1 농도 정보 및 상기 제2 농도 정보를 상기 제5 신경망 모델에 입력하여 상기 진단 정보를 획득할 수 있다.
상기 진단 정보를 획득하는 단계는, 상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제6 신경망 모델에 입력하여 상기 진단 정보를 획득할 수 있다.
본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 피검체로부터 채취된 액체에 대한 스펙트럼 정보의 오차가 감소될 수 있다. 진단 장치는 스펙트럼 정보의 오차를 보상할 수 있다. 이에 따라, 피검체에 대한 진단 결과의 정확도가 향상될 수 있다.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.
본 개시의 다른 양상, 이점 및 두드러진 특징들은 첨부된 도면과 관련하여 본 발명의 다양한 실시 예들을 개시하는 다음의 상세한 설명으로부터 당업자에게 명백해질 것이다.
본 개시의 특정 실시 예의 양상, 특징 및 이점은 첨부된 도면들을 참조하여 후술되는 설명을 통해 보다 명확해질 것이다.
도 1은 본 개시의 일 실시 예에 따른 진단 시스템의 구성을 나타내는 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 액체 정제 장치의 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 액체 정제 장치를 상부에서 바라본 도면이다.
도 4는 본 개시의 일 실시 예에 따른 액체 정제 장치를 하부에서 바라본 도면이다.
도 5는 본 개시의 일 실시 예에 따른 액체 정제 장치를 상부에서 바라본 도면이다.
도 6은 본 개시의 일 실시 예에 따른 필터부를 나타내는 도면이다.
도 7은 본 개시의 일 실시 예에 따른 분리부를 나타내는 도면이다.
도 8은 본 개시의 일 실시 예에 따른 액체 정보 획득 장치의 액체 정보 획득 방법을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 진단 장치의 구성을 나타내는 블록도이다.
도 10은 본 개시의 일 실시 예에 따른 스펙트럼에 대한 정보를 도면이다.
도 11은 본 개시의 제1 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 12는 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면이다.
도 13은 본 개시의 제2 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 14는 본 개시의 제3 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 15는 본 개시의 제4 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 16은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 17은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 18은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 19는 본 개시의 일 실시 예에 따른 진단 장치의 제어 방법을 나타내는 순서도이다.
도 1은 본 개시의 일 실시 예에 따른 진단 시스템의 구성을 나타내는 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 액체 정제 장치의 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 액체 정제 장치를 상부에서 바라본 도면이다.
도 4는 본 개시의 일 실시 예에 따른 액체 정제 장치를 하부에서 바라본 도면이다.
도 5는 본 개시의 일 실시 예에 따른 액체 정제 장치를 상부에서 바라본 도면이다.
도 6은 본 개시의 일 실시 예에 따른 필터부를 나타내는 도면이다.
도 7은 본 개시의 일 실시 예에 따른 분리부를 나타내는 도면이다.
도 8은 본 개시의 일 실시 예에 따른 액체 정보 획득 장치의 액체 정보 획득 방법을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 진단 장치의 구성을 나타내는 블록도이다.
도 10은 본 개시의 일 실시 예에 따른 스펙트럼에 대한 정보를 도면이다.
도 11은 본 개시의 제1 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 12는 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면이다.
도 13은 본 개시의 제2 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 14는 본 개시의 제3 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 15는 본 개시의 제4 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 16은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 17은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 18은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 19는 본 개시의 일 실시 예에 따른 진단 장치의 제어 방법을 나타내는 순서도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 개시의 일 실시 예에 따른 진단 시스템의 구성을 나타내는 블록도이다.
도 1을 참조하면, 진단 시스템(1000)은 액체 정제 장치(100), 액체 정보 획득 장치(200) 및 진단 장치(300)를 포함할 수 있다.
액체 정제 장치(100)는 액체를 분리하기 위한 장치이다. 예를 들어, 액체 정제 장치(100)는 혈액의 혈구성분과 혈장성분을 분리할 수 있다. 또는, 액체 정제 장치(100)는 제1 반응 물질이 첨가된 제1 혈액과 제2 반응 물질이 첨가된 제2 혈액을 분리할 수 있다. 액체는 피검체의 소변, 타액, 정액, 땀, 눈물 및 뇌척수액 중 적어도 하나를 포함할 수 있다. 피검체는, 사람 또는 동물일 수 있다.
액체 정제 장치(100)는 바이오칩(biochip)으로 구현될 수 있다.
액체 정보 획득 장치(200)는 액체에 대한 정보인 액체 정보를 획득하기 위한 장치이다. 액체 정보는 액체에 대응되는 스펙트럼 정보를 포함할 수 있다. 스펙트럼 정보는 파장 별(또는 주파수 별) 세기를 나타낼 수 있다. 스펙트럼 정보(또는 스펙트럼에 대한 정보라 지칭함)는 라만 신호를 포함할 수 있다.
액체 정보 획득 장치(200)는 광이 어떠한 매질을 통과할 때 발생하는 라만 산란에 기초하여 스펙트럼 정보를 획득할 수 있다. 예를 들어, 액체 정보 획득 장치(200)는 액체 정제 장치(100)에 의해 획득된 액체에 레이저 빔을 조사하고, 액체 내 미세입자로부터 산란된 레이저 빔을 획득할 수 있다. 액체 정제 장치(100)는 산란된 레이저 빔에 기초하여 액체에 대응되는 스펙트럼 정보를 획득할 수 있다. 스펙트럼 정보, 즉 라만 신호의 파장 및 파장 대역에서의 세기는 미세입자의 성분에 따라 달라질 수 있다.
액체 정보 획득 장치(200)는 스펙트럼 정보 중 특정 주파수에만 대응되는 세기를 포함할 수 있다. 예를 들어, 미세입자에 라만 활성분자가 결합된 경우, 액체 정보 획득 장치(200)는 라만 활성분자에 대응되는 주파수에서의 라만 신호의 피크 값을 획득할 수 있다.
액체 정보 획득 장치(200)는 액체에 광을 조사하기 위한 광원을 포함할 수 있다. 광원은 액체 내 미세입자로부터 라만 산란을 유도하기 위한 레이저 빔을 조사할 수 있다.
액체 정보 획득 장치(200)는 광학계를 포함할 수 있다. 광학계는, 광원으로부터 조사된 광을 액체로 전달하고 액체 내 미세입자로부터 산란된 광을 센싱하기 위한 구성을 포함할 수 있다. 예를 들어, 광학계는 필터, 미러, 렌즈, 슬릿, 격자 및 센서 중 적어도 하나를 포함할 수 있다. 센서는, 액체 내 미세입자로부터 산란된 광을 센싱할 수 있다.
액체 정보 획득 장치(200)는 분광기(spectrometer)로 구현될 수 있다.
진단 장치(300)는 액체와 관련된 각종 분석 데이터를 획득하기 위한 구성이다. 진단 장치(300)는 의료 진단 장치일 수 있다. 예를 들어, 진단 장치(300)는 액체 정보 획득 장치(200)에 의해 획득된 액체를 구성하는 복수의 물질에 대한 식별 정보 및 농도 정보를 획득할 수 있다. 또한, 진단 장치(300)는 액체에 포함된 복수의 물질의 농도 비율을 획득할 수 있다.
진단 장치(300)는 각종 진단 결과를 획득할 수 있다. 예를 들어, 진단 장치(300)는 피검체에 대응되는 건강 상태 또는 질병 유무를 포함하는 진단 결과를 획득할 수 있다. 진단 결과는, 피검체가 가지고 있을 것으로 예상되는 질병에 대한 식별 정보 및 피검체가 해당 질병을 가지고 있을 확률 정보를 포함할 수 있다.
진단 장치(300)는 서버 또는 사용자 단말 장치로 구현될 수 있다.
도 2는 본 개시의 일 실시 예에 따른 액체 정제 장치의 구성을 나타내는 블록도이다.
도 2를 참조하면, 액체 정제 장치(100)는 로딩부(110), 항응고부(120), 필터부(130), 반응부(140), 농축부(160) 및 분리부(150)를 포함할 수 있다.
로딩부(110)는 액체가 주입되는 주입구 및 액체를 이동시키기 위한 채널을 포함할 수 있다. 로딩부(110)는 주입구를 통해 액체를 수용하고, 수용된 액체를 액체 정제 장치(100)의 다른 구성에 전달할 수 있다. 예를 들어, 로딩부(110)는 제1 액체를 수용하고, 제1 액체 중 일부를 항응고부(120)로 전달할 수 있다. 또는, 로딩부(110)는 제1 액체 중 일부를 챔버로 전달할 수 있다.
항응고부(120)는 액체에 대한 항응고 처리를 수행하기 위한 구성이다. 항응고부(120)는 항응고제가 저장된 챔버를 포함할 수 있다. 예를 들어, 항응고부(120)는 로딩부(110)에 의해 수용된 제1 액체가 필터부(130)로 이동하는 경로상에 위치할 수 있다. 항응고부(120)는 제1 액체를 입력받는 입구, 항응고 처리된 제1 액체를 출력하는 출구를 포함할 수 있다. 또는, 항응고부(120)는 제1 액체가 필터부(130)로 흐르는 채널에 항응고제를 주입하기 위한 파이프를 포함할 수 있다.
필터부(130)는 항응고 처리된 액체를 수용할 수 있다. 필터부(130)는 수용된 액체에 포함된 적어도 하나의 성분의 농도를 저감시킬 수 있다. 예를 들어, 적어도 하나의 성분은 혈구성분을 포함할 수 있다. 혈구성분은 적혈구, 백혈구 및 혈소판을 포함할 수 있다.
필터부(130)는 액체가 흐르는 필터 채널과 액체에 포함된 적어도 하나의 성분을 필터링하기 위한 유체 구조를 포함할 수 있다. 필터 채널은 항응고부(120)에 의해 항응고 처리된 제1 액체를 수용할 수 있다. 유체 구조는 필터 채널의 외측으로 돌출 형성되며 공기 주머니를 포함하는 돌출부를 포함할 수 있다. 예를 들어, 유체 구조는 LCAT(Lateral Cavity Acoustic Transducer)을 포함할 수 있다.
필터부(130)는 필터 채널 및 공기 주머니로 전달되는 진동에 기초하여 액체에 포함된 적어도 하나의 성분을 필터링할 수 있다. 필터 채널 및 공기 주머니로 진동이 전달되면, 필터 채널 및 공기 주머니의 계면에서 액체의 와류가 생성될 수 있다. 액체의 와류는 필터 채널을 통과하는 액체에 포함된 적어도 하나의 성분을 붙잡을 수 있다. 이에 따라, 필터부(130)는 적어도 하나의 성분의 농도가 저감된 액체를 획득할 수 있다. 예를 들어, 필터부(130)는 항응고 처리된 제1 액체를 수용하여 항응고 처리된 제1 액체에 포함된 혈구성분을 필터링할 수 있다. 이에 따라, 필터부(130)는 혈구성분의 농도가 저감된 제2 액체를 획득할 수 있다. 제2 액체는 혈장(plasma) 또는 혈청(serum)일 수 있다.
반응부(140)는 타겟 물질 검출을 위한 반응 물질과 액체에 포함된 타겟 물질 간의 기설정된 반응을 유도할 수 있다. 타겟 물질은 항원을 포함할 수 있다. 반응 물질은 항체를 포함할 수 있다. 반응 물질은 라만 활성분자(또는 라만 리포터)가 결합된 금속(예로, 금) 나노 입자에 결합되어 있을 수 있다. 기설정된 반응이란 화학적 반응을 의미하며, 일 예로는 항원-항체 반응을 포함할 수 있다. 복수의 금속 나노 입자는 항체를 통해 항원과 결합할 수 있다. 이에 따라, 항원을 중심으로 복수의 금속 나노 입자가 결합된 하나의 금속 나노 입자 덩어리가 형성될 수 있다.
반응부(140)는 제2 액체와 반응 물질을 반응시켜 제3 액체를 획득할 수 있다. 제2 액체는 반응 물질과 기설정된 반응이 일어나는 제1 물질 및 기설정된 반응이 일어나지 않는 제2 물질을 포함할 수 있다. 제3 액체는 반응 물질과 기설정된 반응이 이루어진 상태의 제1 물질 및 반응 물질과 기설정된 반응이 이루어지지 않은 상태의 제2 물질을 포함할 수 있다.
반응부(140)는 반응 물질을 저장하는 반응 물질 저장부를 포함할 수 있다. 반응부(140)는 제2 액체 및 반응 물질의 혼합율을 증가시키기 위한 혼합 채널을 포함할 수 있다. 예를 들어, 혼합 채널은 지그재그(zigzag) 형태를 가질 수 있다.
분리부(150)는 액체에 포함된 물질을 분리하기 위한 구성이다. 예를 들어, 분리부(150)는 제3 액체에 포함된 제1 물질 및 제2 물질을 분리할 수 있다. 분리부(150)는 다양한 방식에 기초하여 제1 물질 및 제2 물질을 분리할 수 있다. 일 예로, 분리부(150)는 표면 음파(Surface Acoustic Wave, SAW)에 기초하여 분자량에 따라 제1 물질 및 제2 물질을 분리할 수 있다. 분리부(150)는 표면 음파 필터를 포함할 수 있다.
분리부(150)는 분리된 복수의 물질을 이동시키기 위한 채널을 포함할 수 있다. 예를 들어, 분리부(150)는 제1 물질을 이동시키기 위한 제1 아웃렛 채널 및 제2 물질을 이동시키기 위한 제2 아웃렛 채널을 포함할 수 있다.
농축부(160)는 액체에 대한 농축처리를 수행하여 액체에 포함된 타겟 물질의 농도를 증가시키기 위한 구성이다. 농축처리는 건조, 가열 및 베이킹 중 적어도 하나를 포함할 수 있다. 또는, 농축부(160)는 기설정된 크기 보다 작은 크기의 물질만 통과시키는 필터(예로, 멤브레인 필터) 또는 파이프를 포함할 수 있다. 이 때, 농축부(160)는 반응 물질을 통해 타겟 물질과 결합된 상태의 제1 금속 나노 입자보다 크기가 작은 물질들은 통과시키고, 제1 금속 나노 입자는 통과시키지 않을 수 있다. 이에 따라, 농축부(160)는 제1 금속 나노 입자의 농도가 증가된 액체를 획득할 수 있다. 즉, 농축부(160)는 타겟 물질의 농도가 증가된 액체를 획득할 수 있다.
농축부(160)는 분리부(150)에 의해 분리된 제1 물질을 포함하는 제4 액체를 획득할 수 있다. 제4 액체는 항체를 통해 제1 물질과 결합된 상태의 제1 금속 나노 입자를 포함할 수 있다. 제4 액체는 제1 금속 나노 입자보다 분자량이 제3 물질(예로, 단백질)이나 분리부(150)에 의해 정확히 분리되지 않은 제2 물질을 포함할 수 있다. 또는, 제4 액체는 제1 물질과 결합되지 않은 상태의 제2 금속 나노 입자를 포함할 수 있다. 농축부(160)는 제1 금속 나노 입자를 제외한 나머지 물질의 적어도 일부는 통과시키고, 제1 금속 나노 입자는 통과시키지 않음으로써 제1 금속 나노 입자의 농도가 향상된 제5 액체를 획득할 수 있다. 이에 따라, 농축부(160)는 제4 액체에 비해 제1 물질의 농도가 향상된 제5 액체를 획득할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 액체 정제 장치를 상부에서 바라본 도면이다. 도 4는 본 개시의 일 실시 예에 따른 액체 정제 장치를 하부에서 바라본 도면이다.
도 3을 참조하면, 액체 정제 장치(100)는 기판(10), 로딩부(110), 항응고부(120), 필터부(130), 반응부(140), 분리부(150), 농축부(160) 및 챔버(31, 32, 33, 34, 35)를 포함할 수 있다.
로딩부(110)는 기판(10)의 상부에 형성될 수 있다. 로딩부(110)는 제1 액체를 수용할 수 있다. 로딩부(110)는 제1 액체 중 일부를 제1 챔버(31)로 전달할 수 있다. 제1 챔버(31)는 전달된 제1 액체를 저장할 수 있다.
로딩부(110)는 제1 액체를 항응고부(120)로 전달할 수 있다. 항응고부(120)는 제1 액체에 대해 항응고 처리를 수행할 수 있다. 항응고부(120)는 항응고 처리된 제1 액체를 필터부(130)로 전달할 수 있다.
필터부(130)는 제1 액체가 흐르는 필터 채널(131) 및 필터 채널(131)의 외측으로 돌출 형성되며 공기 주머니를 포함하는 유체 구조(132), 필터 채널(131) 및 유체 구조(132)에 음파를 제공하는 제1 진동발생부(133)를 포함할 수 있다.
필터부(130)는 제1 진동발생부(133)에 의해 생성되는 음파에 기초하여 제1 액체에 포함된 적어도 하나의 제1 성분(예로, 혈구성분)을 필터링할 수 있다. 제1 진동발생부(133)에 의해 생성되는 음파에 의해 필터 채널(131) 및 유체 구조(132)가 진동할 수 있다. 필터 채널(131) 및 유체 구조(132)가 진동함에 따라 필터 채널(131)과 공기 주머니의 계면에서 제1 액체의 와류가 생성될 수 있다. 적어도 하나의 제1 성분은 생성된 제1 액체의 와류에 갇힐 수 있다. 이에 따라, 필터부(130)는 제1 액체에 비해 적어도 하나의 제1 성분의 농도가 저감된 제2 액체를 획득할 수 있다.
필터부(130)는 유체 구조(132)에 포함된 공기 주머니에 기초하여 제1 액체 및 제2 액체를 이동시킬 수 있다. 공기 주머니는 제1 진동발생부(133)에 의해 생성된 음파에 기초하여 압축 및 팽창을 반복할 수 있다. 공기 주머니는 제1 액체 및 2 액체를 펌핑할 수 있다. 필터부(130)는 제2 액체를 출력할 수 있다. 유체 구조(132) 및 제1 진동발생부(133)는 LCAT(Lateral Cavity Acoustic Transducer)을 구성할 수 있다.
도 4를 참조하면, 제1 진동발생부(133)는 기판(10)의 하부에 위치할 수 있다. 제1 진동발생부(133)는 복수의 전극(1331, 1332)을 포함할 수 있다. 복수의 전극(1331, 1332)는 서로 마주보도록 배치될 수 있다. 복수의 전극(1331, 1332)는 압전 전극일 수 있다.
다시 도 3을 참조하면, 필터부(130)는 제2 액체 중 일부를 제2 챔버(32)로 전달할 수 있다. 제2 액체는 제1 액체에서 혈구성분이 제거된 혈액일 수 있다.
필터부(130)는 제2 액체를 반응부(140)에 전달할 수 있다. 반응부(140)는 금속 나노 입자에 결합된 반응 물질을 저장하는 반응 물질 저장부(141)를 포함할 수 있다. 금속 나노 입자에는 라만 활성분자가 결합되어 있을 수 있다.
제2 액체는 반응 물질 저장부(141)를 통과하면서 반응 물질과 혼합될 수 있다. 제2 액체에 포함된 타겟 물질(또는 제1 물질)과 반응 물질 사이에서는 항원-항체 반응이 일어날 수 있다. 이 과정에서 항원을 중심으로 적어도 하나의 금속 나노 입자가 뭉쳐진 금속 나노 입자 덩어리가 형성될 수 있다.
반응부(140)는 제2 액체 및 반응 물질의 혼합율을 증가시키기 위한 지그재그(zigzag) 형태의 혼합 채널(142)을 포함할 수 있다. 혼합 채널(142)을 통과하는 동안 타겟 물질 및 반응 물질 간의 항원-항체 반응이 일어날 수 있다. 이에 따라 금속 나노 입자 덩어리의 개수가 증가될 수 있다. 도시되지 않았으나, 반응부(140)는 제2 액체 및 반응 물질의 혼합율을 증가시키기 위한 LCAT(Lateral Cavity Acoustic Transducer)을 포함할 수 있다.
반응부(140)는 제2 액체에 기초하여 제3 액체를 획득할 수 있다. 제3 액체는 반응 물질과의 반응을 통해 금속 나노 입자 덩어리를 형성한 제1 물질, 및 반응 물질과 반응하지 않아 금속 나노 입자 덩어리를 형성하지 않은 복수의 제2 물질을 포함할 수 있다. 반응부(140)는 제3 액체를 분리부(150)에 전달할 수 있다.
분리부(150)는 음파를 생성하는 제2 진동발생부(151), 제1 아웃렛 채널(152) 및 제2 아웃렛 채널(153)을 포함할 수 있다. 제2 진동발생부(151)는 기판(10)의 후면에 마련될 수 있다. 제2 진동발생부(151)는 IDT 전극일 수 있다. IDT 전극은, 서로 마주보는 복수의 바(1511, 1512)와 복수의 바(1511, 1512)로부터 돌출되는 복수의 핑거(1513)를 포함할 수 있다. 음파는 표면 음향파(SAW: Surface Acoustic Wave)일 수 있다.
분리부(150)는 음파에 기초하여 분자량에 따라 제3 액체에 포함된 복수의 물질을 분리할 수 있다. 분리부(150)는 액체가 흐르는 채널 주변에 진동을 발생시키고, 진동에 기초하여 복수의 물질을 분리할 수 있다. 예를 들어, 분리부(150)는 타겟 물질과 결합된 물질(예로, 항체와 결합된 금속 나노 입자)와 타겟 물질과 결합되지 않은 물질을 분리할 수 있다. 분리부(150)는 타겟 물질과 결합되지 않은 물질을 필터링하여 제4 액체를 획득할 수 있다. 제4 액체는 제3 액체에서 타겟 물질과 결합되지 않은 물질의 농도가 저감된 상태의 액체일 수 있다.
분리부(150)는 제1 아웃렛 채널(152)을 통해 제4 액체를 제3 챔버(33)에 전달할 수 있다. 분리부(150)는 제2 아웃렛 채널(153)을 통해 타겟 물질과 결합되지 않은 물질을 제4 챔버(34)에 전달할 수 있다.
농축부(160)는 제3 챔버(33)에 수용된 제4 액체에 대한 농축처리를 수행할 수 있다. 농축부(160)는 제4 액체에 포함된 복수의 물질 중 타겟 물질을 포함하는 금속 나노 입자 덩어리는 통과시키지 않고 나머지 물질은 통과시킬 수 있다. 이에 따라, 농축부(160)는 금속 나노 입자 또는 타겟 물질의 농도가 향상된 제5 액체를 획득할 수 있다.
한편, 피검체에 대한 진단 결과를 획득하기 위해서는 복수의 바이오 마커(또는 타겟 물질)가 필요할 수 있다. 이하에서는 복수의 바이오 마커를 포함하는 액체를 정제하기 위한 액체 정제 장치에 대해 설명하도록 한다.
도 5는 본 개시의 일 실시 예에 따른 액체 정제 장치를 상부에서 바라본 도면이다.
도 5를 참조하면, 액체 정제 장치(500)는 로딩부(110), 항응고부(120), 필터부(130), 제1 반응부(540), 제2 반응부(542), 제1 분리부(551), 제2 분리부(552), 제1 농축부(561) 및 제2 농축부(562)를 포함할 수 있다. 한편, 로딩부(110), 항응고부(120), 필터부(130)는 도 3 및 도 4를 참조하여 설명한 바 중복 설명은 생략한다. 또한, 제1 반응부(541) 및 제2 반응부(542)의 기본적인 동작은 도 3의 반응부(140)를 통해 명확히 이해될 수 있으며, 제1 분리부(551) 및 제2 분리부(552)의 기본적인 동작은 도 3의 분리부(150)를 통해 명확히 이해될 수 있으며, 제1 농축부(561) 및 제2 농축부(562)의 기본적인 동작은 도 3의 농축부(560)를 통해 명확히 이해될 수 있다. 따라서, 도 3과 중복되는 설명은 생략한다.
제1 반응부(541)는 제1 반응 물질 저장부(543) 및 제1 반응 채널(544)을 포함할 수 있다. 제1 반응 물질 저장부(543)는 제1 타겟 물질 검출을 위한 제1 반응 물질을 저장할 수 있다. 제1 반응 채널(544)은 제1 타겟 물질과 제1 반응 물질의 혼합율을 증가시킬 수 있다. 제1 반응 채널(544)은 제1 타겟 물질 및 제1 반응 물질 사이의 항원-항체 반응을 유도할 수 있다.
제2 반응부(542)는 제2 반응 물질 저장부(543) 및 제1 반응 채널(544)을 포함할 수 있다. 제2 반응 물질 저장부(545)는 제2 타겟 물질 검출을 위한 제2 반응 물질을 저장할 수 있다. 제2 반응 채널(546)은 제2 타겟 물질과 제2 반응 물질의 혼합율을 증가시킬 수 있다. 제2 반응 채널(546)은 제2 타겟 물질 및 제2 반응 물질 사이의 항원-항체 반응을 유도할 수 있다.
제1 반응부(541)를 통과한 제1 액체는, 제1 타겟 물질 및 제1 반응 물질 간의 반응에 의해 형성된 제1 금속 나노 입자 덩어리와 제1 타겟 물질과 결합되지 않은 복수의 제1 물질을 포함할 수 있다. 제2 반응부(542)를 통과한 제2 액체는, 제2 타겟 물질 및 제2 반응 물질 간의 반응에 의해 형성된 제2 금속 나노 입자 덩어리와 제2 타겟 물질과 결합되지 않은 복수의 제2 물질을 포함할 수 있다.
제1 분리부(551)는 제1 액체에 포함된 제1 금속 나노 입자 덩어리와 복수의 제1 물질을 분리할 수 있다. 제1 분리부(551)는 제1 금속 나노 입자 덩어리를 제3 챔버(33)로 전달하고, 복수의 제1 물질을 제4 챔버(34)로 전달할 수 있다. 제1 농축부(561)는 제3 챔버(33)에 수용된 제1 금속 나노 입자 덩어리에 대한 농축처리를 수행할 수 있다.
제2 분리부(552)는 제2 액체에 포함된 제2 금속 나노 입자 덩어리와 복수의 제2 물질을 분리할 수 있다. 제2 분리부(552)는 제2 금속 나노 입자 덩어리를 제6 챔버(36)로 전달하고, 복수의 제2 물질을 제7 챔버(37)로 전달할 수 있다. 제2 농축부(562)는 제6 챔버(36)에 수용된 제2 금속 나노 입자 덩어리에 대한 농축처리를 수행할 수 있다. 제2 농축부(562)의 농축처리를 통해 적어도 하나의 물질은 제2 금속 나노 입자와 분리되어 제8 챔버(38)에 수용될 수 있다.
도 6은 본 개시의 일 실시 예에 따른 필터부를 나타내는 도면이다.
도 6을 참조하면, 필터부(130)는 제1 필터 채널(131) 및 제1 필터 채널(131)의 외측으로 돌출 형성되는 유체 구조(132)를 포함할 수 있다. 유체 구조(132)는 제1 필터 채널(131)의 방향(x)과 둔각을 이루도록 형성될 수 있다. 즉, 제1 필터 채널(131)의 방향(x) 및 유체 구조(132)의 돌출 방향(y) 사이의 각도(A1)는 90도 내지 180도일 수 있다.
제1 필터 채널(131)로 흐르는 제1 액체(60)는 제1 물질(61) 및 제2 물질(62)을 포함할 수 있다. 제1 물질(61)은 혈구성분 중 하나이며, 제2 물질(62)은 혈장성분 중 하나일 수 있다.
유체 구조(132)는 제1 액체(60)가 유입되지 않는 공기 주머니(1321)를 포함할 수 있다. 공기 주머니(1321)는 펌프로서 기능할 수 있다. 제1 진동발생부(133)에 의해 생성된 제1 음파에 기초하여 공기 주머니(1321)는 수축 및 팽창을 반복할 수 있다. 이에 따라, 공기 주머니(1321)는 제1 필터 채널(131)의 방향(x)으로 제1 액체(60)를 펌핑할 수 있다.
유체 구조(132)는 필터로서 기능할 수 있다. 제1 진동발생부(133)로부터 제1 물질(61)의 크기에 대응되는 주파수를 갖는 제1 음파가 발생되면, 제1 필터 채널(131) 및 공기 주머니(1321)의 계면(1322)의 주변 영역에서 제1 액체(60)의 와류(63)가 생성될 수 있다. 제1 물질(61)은 와류(63)에 갇힐 수 있다. 이에 따라, 유체 구조(132)는 제1 물질(61)을 필터링할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 분리부를 나타내는 도면이다.
도 7을 참조하면, 분리부(150)는 액체(71)가 흐르는 채널(70) 및 채널(70)에 측면에 위치하여 음파를 생성하는 제2 진동발생부(151)를 포함할 수 있다. 분리부(150)는 채널(70)로부터 분기되는 제1 아웃렛 채널(152) 및 제2 아웃렛 채널(153)을 포함할 수 있다. 도 7에서는 분리부(150)가 대칭 구조를 갖는 것으로 도시되었으나, 이에 한정되는 것은 아니며 비대칭 구조를 가질 수도 있다. 분리부(150)는 3 이상의 아웃렛 채널을 포함할 수 있다.
액체(71)는 타겟 물질(72), 타겟 물질(72)과 반응하는 반응 물질(73), 반응 물질(73) 및 라만 활성분자(74)가 결합된 금속 나노 입자(75)를 포함할 수 있다. 타겟 물질(72) 및 반응 물질(73) 간의 항원-항체 반응에 의해 금속 나노 입자 덩어리(76)가 형성될 수 있다. 타겟 물질(72)은 복수의 반응 물질(73)과 반응할 수 있다. 금속 나노 입자 덩어리(76)는 복수의 금속 나노 입자를 포함할 수 있다.
분리부(150)는 음파에 기초하여 분자량에 따라 액체(71)에 포함된 복수의 물질을 분리할 수 있다. 액체(71)에 포함된 복수의 물질은 음파와 만나면 분자량에 따라 정렬될 수 있다. 이 때, 복수의 물질은 채널(70)의 방향과 예각을 이루도록 이동할 수 있다.
분리부(150)는 분자량이 기설정된 값보다 큰 제1 물질은 제1 아웃렛 채널(152)을 통해 제3 챔버(33)로 전달할 수 있다. 분리부(150)는 분자량이 기설정된 값보다 작은 제2 물질은 제2 아웃렛 채널(153)을 통해 제4 챔버(34)로 전달할 수 있다. 제1 물질은 타겟 물질(72) 및 반응 물질(73) 간의 항원-항체 반응에 의해 형성된 금속 나노 입자 덩어리(76)를 포함할 수 있다. 제2 물질은 타겟 물질(72) 또는 타겟 물질(72)가 결합된 물질을 제외한 다양한 물질을 포함할 수 있다. 예를 들어, 제2 물질은 타겟 물질(72)과 반응하지 않은 반응 물질(73)을 포함할 수 있다. 또는, 제2 물질은 타겟 물질(72)과 반응하지 않은 반응 물질(73)에 결합된 금속 나노 입자 및 라만 활성분자를 포함할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 액체 정보 획득 장치의 액체 정보 획득 방법을 설명하기 위한 도면이다.
도 8을 참조하면, 액체(81)가 도포되는 기판(82)이 마련될 수 있다. 액체(81)는 액체 정제 장치(100)의 복수의 챔버(31, 32, 33)에 저장된 액체 중 하나일 수 있다. 액체 정보 획득 장치(200)의 광원(210)은 기판(82)에 도포된 액체(81)에 광을 조사할 수 있다. 센서(220)는 액체(81)에 포함된 미세입자로부터 산란된 광(84)을 센싱할 수 있다. 액체 정보 획득 장치(200)는 산란된 광(84)에 기초하여 액체(81)에 대한 스펙트럼 정보를 획득할 수 있다.
표면 증강 산란(Surface Enhanced Raman Scattering)을 위해 기판(82)에는 금속 패턴(83)이 형성될 수 있다. 금속 패턴(83)에 의해 센서(220)에 의해 센싱되는 산란된 광(84)은 증폭될 수 있다.
복수의 챔버(31, 32, 33)에서 채취된 복수의 액체에 대한 액체 정보 획득 방법은 상이할 수 있다. 제1 챔버(31)에 저장된 제1 액체 및 제2 챔버(32)에 저장된 제2 액체는 표면 증강 산란을 위한 금속 나노 입자를 포함하지 않을 수 있다. 이에 따라, 제1 액체 및 제2 액체에 대한 액체 정보를 획득하는 경우 제1 액체 및 제2 액체는 금속 패턴(83)이 형성된 기판(82)에 도포될 수 있다. 제3 챔버(33)에 저장된 제3 액체는 금속 나노 입자를 포함할 수 있다. 제3 액체는 금속 패턴(83)이 형성되지 않은 기판(82)에 도포될 수 있다. 또는, 표면 증강 산란 효과를 보다 향상시키기 위해 제3 액체는 금속 패턴(83)이 형성된 기판(82)에 도포될 수 있다.
도 9는 본 개시의 일 실시 예에 따른 진단 장치의 구성을 나타내는 블록도이다. 도 9를 참조하면, 진단 장치(300)는 통신 인터페이스(310), 메모리(320) 및 프로세서(330)를 포함할 수 있다.
통신 인터페이스(310)는 적어도 하나의 통신 회로를 포함하며, 다양한 유형의 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(310)는 외부 장치로부터 피검체의 혈액에 대응되는 스펙트럼에 대한 정보를 수신할 수 있다.
통신 인터페이스(310)는 와이파이 통신 모듈, 셀룰러 통신모듈, 3G(3세대) 이동통신 모듈, 4G(4세대) 이동통신 모듈, 4세대 LTE(Long Term Evolution) 통신 모듈, 5G(5세대) 이동통신 모듈 및 유선 이더넷(Ethernet) 중 적어도 하나를 포함할 수 있다.
메모리(320)는 진단 장치(300)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 진단 장치(300)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 메모리(320)는 복수의 신경망 모델에 대한 정보를 저장할 수 있다. 복수의 신경망 모델에 대한 정보는 복수의 신경망 모델 각각에 대응되는 파라미터에 대한 정보, 복수의 신경망 모델의 학습을 위한 학습 데이터를 포함할 수 있다. 학습 데이터는 스펙트럼의 세기에 대응되는 농도를 나타내는 라벨 데이터(또는 그라운드 트루스)를 포함할 수 있다. 학습 데이터는 스펙트럼의 세기 또는 농도에 대응되는 진단 결과를 나타내는 라벨 데이터를 포함할 수 있다. 메모리(320)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리) 또는 휘발성 메모리 등으로 구현될 수 있다.
프로세서(330)는 메모리(320)와 전기적으로 연결되어 진단 장치(300)의 전반적인 기능 및 동작을 제어할 수 있다. 프로세서(330)는 통신 인터페이스(310)를 통해 외부 장치로부터, 피검체로부터 채취된 액체에 대한 스펙트럼 정보(또는 스펙트럼에 대한 정보)를 수신할 수 있다. 또는, 프로세서(330)는 입력 인터페이스를 통해 스펙트럼 정보를 획득할 수 있다. 스펙트럼에 대한 정보는, 스펙트럼을 나타내는 수치, 벡터, 및 스펙트럼에 포함된 적어도 하나의 피크값을 포함할 수 있다. 스펙트럼의 피크값이 나타나는 주파수는, 타겟 물질과 결합된 금속 나노 입자에 결합된 라만 활성분자에 대응될 수 있다.
프로세서(330)는 복수의 액체에 대한 스펙트럼에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(330)는 피검체로부터 채취된 제1 액체에 대응되는 스펙트럼에 대한 정보를 획득할 수 있다. 제1 액체는 피검체의 전혈일 수 있다. 프로세서(330)는 제1 액체에서 혈구성분의 농도가 저감된 제2 액체에 대응되는 스펙트럼에 대한 정보를 획득할 수 있다. 프로세서(330)는 제2 액체에 제1 타겟 물질(예로, 제1 항원)의 검출을 위한 제1 반응 물질(예로, 제1 항체)이 첨가된 제3 액체에 대응되는 스펙트럼에 대한 정보를 획득할 수 있다. 프로세서(330)는 제2 액체에 제2 타겟 물질(예로, 제2 항원)의 검출을 위한 제2 반응 물질(예로, 제2 항체)이 첨가된 제4 액체에 대응되는 스펙트럼에 대한 정보를 획득할 수 있다.
프로세서(330)는 스펙트럼에 대한 정보에 기초하여 타겟 물질의 농도 정보를 획득할 수 있다. 타겟 물질의 농도 정보는, 타겟 물질의 농도를 나타내는 수치, 타겟 물질의 농도에 대응되는 특징 벡터, 및 타겟 물질의 농도에 대응되는 스펙트럼의 피크값을 포함할 수 있다.
프로세서(330)는 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보에 기초하여 제1 타겟 물질의 제1 농도 정보를 획득할 수 있다. 여기서, 제1 스펙트럼에 대한 정보는, 제1 타겟 물질을 포함하고 제1 타겟 물질과 반응하는 제1 반응 물질은 포함하지 않는 제1 액체에 대한 정보일 수 있다. 제2 스펙트럼에 대한 정보는, 제1 액체에 제1 반응 물질이 첨가된 제2 액체에 대한 정보일 수 있다. 예를 들어, 제1 액체는 도 3의 제2 챔버(32)에 수용된 액체일 수 있다. 제2 액체는 도 3의 제3 챔버(33)에 수용된 액체일 수 있다. 제2 액체는, 제1 액체에 비해 제1 타겟 물질을 제외한 나머지 성분(예로, 제1 타겟 물질이 아닌 단백질)의 함량이 적을 수 있다. 나머지 성분은 스펙트럼에 대한 정보를 획득할 때 노이즈로 작용할 수 있다. 따라서, 프로세서(330)는 나머지 성분이 제거되지 않은 제1 액체와 나머지 성분의 적어도 일부가 제거된 제2 액체 각각에 대한 스펙트럼에 대한 정보를 이용함으로써 나머지 성분에 의한 노이즈가 감소된 제1 농도 정보를 획득할 수 있다.
프로세서(330)는 제2 스펙트럼에 대한 정보와, 스펙트럼의 피크값 및 농도 정보가 매칭된 룩업 테이블에 기초하여 농도 정보를 획득할 수 있다. 룩업 테이블은 메모리(320)에 미리 저장되어 있을 수 있다. 예를 들어, 프로세서(330)는 룩업 테이블에서 제2 스펙트럼의 피크값에 대응되는 농도 정보를 식별할 수 있다.
프로세서(330)는 룩업 테이블에 기초하여 획득된 농도 정보를 보정할 수 있다. 예를 들어, 프로세서(330)는 제1 스펙트럼에 대한 정보를 제1 신경망 모델에 입력하여 농도 정보를 보정하기 위한 계수를 획득할 수 있다. 프로세서(330)는 계수에 기초하여 농도 정보를 보정하여 제1 타겟 물질의 제1 농도 정보를 획득할 수 있다.
프로세서(330)는 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 타겟 물질에 대한 제1 농도 정보를 획득할 수 있다. 제2 신경망 모델은 스펙트럼에 대한 정보에 기초하여 농도 정보를 획득하도록 학습된 모델일 수 있다.
프로세서(330)는 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 특징 벡터를 획득할 수 있다. 프로세서(330)는 특징 벡터 및 제1 스펙트럼에 대한 정보를 제3 신경망 모델에 입력하여 제1 농도 정보를 획득할 수 있다. 제3 신경망 모델은 스펙트럼에 대한 정보 및 농도 정보에 기초하여 보정된 농도 정보를 획득하도록 학습된 모델일 수 있다. 특징 벡터는 제2 신경망 모델에 포함된 레이어(예로, fully connected layer)의 출력단에서 획득될 수 있다.
프로세서(330)는 제1 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 특징 벡터를 획득할 수 있다. 프로세서(330)는 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제2 특징 벡터를 획득할 수 있다. 프로세서(330)는 제1 특징 벡터 및 제2 특징 벡터를 제4 신경망 모델에 입력하여 제1 농도 정보를 획득할 수 있다. 제4 신경망 모델은 농도 정보에 기초하여 보정된 농도 정보를 획득하도록 학습된 모델일 수 있다.
프로세서(330)는 스펙트럼에 대한 정보 및 농도 정보에 기초하여 진단 정보를 획득할 수 있다. 예를 들어, 프로세서(330)는 제1 스펙트럼에 대한 정보 및 제1 농도 정보를 제5 신경망 모델에 입력하여 진단 정보를 획득할 수 있다. 또는, 프로세서(330)는 제1 스펙트럼에 대한 정보, 제1 타겟 물질의 제1 농도 정보 및 제2 타겟 물질의 제2 농도 정보를 제5 신경망 모델에 입력하여 진단 정보를 획득할 수 있다. 제5 신경망 모델은 스펙트럼 정보 및 농도 정보에 기초하여 진단 정보를 획득하도록 학습된 모델일 수 있다.
프로세서(330)는 복수의 액체에 대응되는 스펙트럼에 대한 정보에 기초하여 진단 정보를 획득할 수 있다. 예를 들어, 프로세서(330)는 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보를 제6 신경망 모델 입력하여 진단 정보를 획득할 수 있다. 제6 신경망 모델은 스펙트럼 정보에 기초하여 진단 정보를 획득하도록 학습된 모델일 수 있다
한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(330)와 메모리(320)를 통해 동작된다. 프로세서(330)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(320)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은 학습을 통해 만들어질 수 있다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
인공 신경망은 심층 신경망(DNN: Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
도 10은 본 개시의 일 실시 예에 따른 스펙트럼에 대한 정보를 도면이다.
도 10을 참조하면, 스펙트럼에 대한 정보(S)(또는 스펙트럼 정보)는 파수(wavenumber)에 따른 라만 신호의 세기를 의미할 수 있다. 스펙트럼 정보(S)는 파수와 라만 신호의 세기가 서로 매칭된 벡터 형태의 데이터일 수 있다. 후술되는 다양한 실시 예에서 스펙트럼 정보(S)는 신경망 모델에 입력될 수 있다. 이 때, 신경망 모델에 입력되는 스펙트럼 정보(S)는 복수의 파수에 각각 대응되는 복수의 세기를 포함할 수 있다. 또는, 스펙트럼 정보(S)는 특정 파수(예로, 라만 활성분자에 대응되는 파수)에 대응되는 단일의 세기를 의미할 수 있다.
스펙트럼 정보(S)는 정규화 된 데이터일 수 있다. 예를 들어, 특정 액체에 제1 세기의 레이저 빔이 조사되어 제1 라만 신호가 획득되고, 제2 세기의 레이저 빔이 조사되어 제2 라만 신호가 획득될 수 있다. 이 때, 진단 장치(300)는 제1 라만 신호의 면적과 제2 라만 신호의 면적이 동일해지도록 제1 라만 신호 또는 제2 라만 신호의 세기를 조절할 수 있다.
도 11은 본 개시의 제1 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 11을 참조하면, 진단 장치(300)는 제1 액체에 대응되는 제1 스펙트럼에 대한 정보(S1) 및 제2 액체에 대응되는 제2 스펙트럼에 대한 정보(S2)를 획득할 수 있다. 제1 액체는 제1 타겟 물질(예로, 항원A)을 포함하고 제1 타겟 물질에 대응되는 제1 반응 물질(예로, 항체A')을 포함하지 않을 수 있다. 제2 액체는 제1 액체에 제1 반응 물질이 첨가된 액체로, 제1 반응 물질과 결합된 제1 타겟 물질을 포함할 수 있다.
진단 장치(300)는 제2 스펙트럼에 대한 정보(S2) 및 룩-업 테이블(302)에 기초하여 제1 타겟 물질의 제1 농도 정보(303)를 획득할 수 있다. 룩-업 테이블(302)은 서로 매칭되는 스펙트럼의 피크값 및 농도를 포함할 수 있다. 진단 장치(300)는 제2 스펙트럼에 대한 정보(S2)에 기초하여 제2 스펙트럼의 피크값을 획득할 수 있다. 예를 들어, 진단 장치(300)는 제2 스펙트럼에 대한 정보(S2)에서 기설정된 파수에 대응되는 세기를 피크값으로 식별할 수 있다. 여기서, 기설정된 파수는, 제1 반응 물질과 결합된 금속나노입자에 결합된 라만 활성분자에 대응될 수 있다.
진단 장치(300)는 제2 스펙트럼에 대한 정보(S2)에서 획득된 피크값과 룩-업 테이블(302)에 기초하여 제1 농도 정보(303)를 획득할 수 있다. 예를 들어, 진단 장치(300)는 제2 스펙트럼에 대한 정보(S2)에서 획득된 피크값에 대응되는 농도를 룩-업 테이블(302)에서 식별하여 제1 농도 정보(303)로 획득할 수 있다.
한편, 제2 액체는 제1 타겟 물질 이외의 다른 여러가지 성분(예로, 단백질 등)을 포함할 수 있다. 이에 따라, 룩-업 테이블(302)에 기초하여 획득된 제1 농도 정보(303)는 오차를 포함할 수 있다.
진단 장치(300)는 제1 스펙트럼에 대한 정보(S1)에 기초하여 제1 농도 정보(303)를 보정할 수 있다. 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1)를 제1 신경망 모델(M1)에 입력하여 농도 정보를 보정하기 위한 계수(301)를 획득할 수 있다. 이 때, 제1 스펙트럼에 대한 정보(S1)는 복수의 파수에 따른 복수의 세기를 포함할 수 있다. 진단 장치(300)는 계수(301)에 기초하여 제1 농도 정보(303)를 보정할 수 있다. 예를 들어, 진단 장치(300)는 제1 농도 정보(303)에 계수(301)를 곱하여 제2 농도 정보(304)를 획득할 수 있다.
도 12는 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면이다.
도 12를 참조하면, 제1 신경망 모델(M1)의 학습 데이터는, 복수의 제1 스펙트럼 정보(S1), 복수의 제2 스펙트럼 정보(S2) 및 제1 그라운드 트루스(GT1)를 포함할 수 있다. 제1 그라운드 트루스(GT1)는 타겟 물질을 포함한 액체에 대응되는 스펙트럼 정보에 대응되는 타겟 물질의 밀도 정보를 포함할 수 있다. 제1 그라운드 트루스(GT1)는 진단 장치(300)의 메모리(320)에 미리 저장되어 있을 수 있다.
진단 장치(300)는 제1 그라운드 트루스(GT1)에 기초하여 제1 신경망 모델(M1)을 학습시킬 수 있다. 진단 장치(300)는 제1 스펙트럼 정보(S1) 및 제2 스펙트럼 정보(S2)에 기초하여 제2 농도 정보(304)를 획득할 수 있다. 제2 농도 정보(304)를 획득하는 방법은 도 11에서 설명한 바 상세한 설명은 생략하도록 한다. 진단 장치(300)는 제2 농도 정보(304) 및 제1 그라운드 트루스(GT1)에 포함된 농도 정보에 기초하여 제1 로스값을 획득할 수 있다. 진단 장치(300)는 제1 로스값이 기설정된 값보다 작아질 때까지 제1 신경망 모델(M1)의 파라미터(예로, 가중치)를 업데이트할 수 있다. 즉, 진단 장치(300)는 역전파(backpropagation)에 기초하여 제1 신경망 모델(M1)을 학습시킬 수 있다.
한편, 도 12에서는 진단 장치(300)가 지도 학습에 기초하여 제1 신경망 모델(M1)을 학습시키는 것을 예로 들었으나, 이는 일 실시 예에 불과하며, 진단 장치(300)는 비지도 학습(예로, 강화학습)에 기초하여 제1 신경망 모델(M1)을 학습시킬 수도 있다.
도 13은 본 개시의 제2 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 13을 참조하면, 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1) 및 제2 스펙트럼에 대한 정보(S2)를 제2 신경망 모델(M2)에 입력하여 제1 타겟 물질의 농도 정보(311)를 획득할 수 있다. 예를 들어, 제2 스펙트럼에 대한 정보(S2)는 특정 파수(예로, 라만 활성분자에 대응되는 파수)에 대응되는 단일의 세기를 의미할 수 있다.
제1 액체 및 제2 액체는 공통적으로 제1 타겟 물질 외에도 다른 성분(예를 들어, 혈구성분)을 포함할 수 있다. 제2 신경망 모델(M2)은 하나의 액체에 대응되는 스펙트럼 정보에만 기초하는 것이 아닌, 다른 성분을 공통적으로 포함하는 복수의 액체에 대응되는 스펙트럼 정보에 기초하여 농도 정보(311)를 획득할 수 있다. 따라서, 농도 정보(311)의 정확도가 향상될 수 있다.
진단 장치(300)는 제2 신경망 모델(M2)을 학습시킬 수 있다. 제2 신경망 모델(M2)의 학습 데이터는, 복수의 제1 스펙트럼 정보(S1), 복수의 제2 스펙트럼 정보(S2) 및 제2 그라운드 트루스를 포함할 수 있다. 제2 그라운드 트루스는, 스펙트럼 정보에 대응되는 농도 정보를 포함할 수 있다. 진단 장치(300)는 농도 정보(311) 및 제2 그라운드 트루스에 포함된 농도 정보에 기초하여 제2 로스값을 획득할 수 있다. 진단 장치(300)는 제2 로스값이 기설정된 값보다 작아질 때까지 제2 신경망 모델(M2)의 파라미터(예로, 가중치)를 업데이트할 수 있다.
도 14는 본 개시의 제3 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 14를 참조하면, 진단 장치(300)는 제2 스펙트럼에 대한 정보(S2)를 제2 신경망 모델(M2)에 입력하여 특징 벡터(321)를 획득할 수 있다. 특징 벡터(321)는 제2 신경망 모델(M2)의 완전 연결 계층(FC)을 통해 출력될 수 있다. 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1) 및 특징 벡터(321)를 제3 신경망 모델(M3)에 입력하여 농도 정보(322)를 획득할 수 있다.
진단 장치(300)는 제3 신경망 모델(M3)을 학습시킬 수 있다. 제3 신경망 모델(M3)의 학습 데이터는, 복수의 제1 스펙트럼 정보(S1), 복수의 제2 스펙트럼 정보(S2) 및 제3 그라운드 트루스를 포함할 수 있다. 제3 그라운드 트루스는, 스펙트럼 정보 및 특징 벡터에 대응되는 농도 정보를 포함할 수 있다. 진단 장치(300)는 농도 정보(322) 및 제3 그라운드 트루스에 포함된 농도 정보에 기초하여 제3 로스값을 획득할 수 있다. 진단 장치(300)는 제3 로스값이 기설정된 값보다 작아질 때까지 제3 신경망 모델(M3)의 파라미터(예로, 가중치)를 업데이트할 수 있다.
진단 장치(300)는 제3 신경망 모델(M3)을 학습시키는 동안 제2 신경망 모델(M2) 또한 학습시킬 수 있다. 진단 장치(300)는 제3 로스값이 기설정된 값보다 작아질 때까지 제2 신경망 모델(M2)의 파라미터를 업데이트할 수 있다. 또는, 진단 장치(300)는 제2 신경망 모델(M2)의 학습이 완료된 후에 제3 신경망 모델(M3)을 학습시킬 수 있다. 이 때, 제3 신경망 모델(M3)의 파라미터가 업데이트되는 동안 제2 신경망 모델(M2)의 파라미터는 고정(freeze)될 수 있다.
도 15는 본 개시의 제4 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 15를 참조하면, 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1)를 제2 신경망 모델(M2)에 입력하여 제1 특징 벡터(331)를 획득할 수 있다. 진단 장치(300)는 제2 스펙트럼에 대한 정보(S2)를 제2 신경망 모델(M2)에 입력하여 제2 특징 벡터(332)를 획득할 수 있다. 진단 장치(300)는 제1 특징 벡터(331) 및 제2 특징 벡터(332)를 제4 신경망 모델(M4)에 입력하여 농도 정보(333)를 획득할 수 있다.
진단 장치(300)는 제4 신경망 모델(M4)을 학습시킬 수 있다. 제4 신경망 모델(M4)의 학습 데이터는, 복수의 제1 스펙트럼 정보(S1), 복수의 제2 스펙트럼 정보(S2) 및 제4 그라운드 트루스를 포함할 수 있다. 제4 그라운드 트루스는, 특징 벡터에 대응되는 농도 정보를 포함할 수 있다. 진단 장치(300)는 농도 정보(333) 및 제4 그라운드 트루스에 포함된 농도 정보에 기초하여 제4 로스값을 획득할 수 있다. 진단 장치(300)는 제4 로스값이 기설정된 값보다 작아질 때까지 제4 신경망 모델(M4)의 파라미터(예로, 가중치)를 업데이트할 수 있다.
진단 장치(300)는 제4 신경망 모델(M4)을 학습시키는 동안 제2 신경망 모델(M2) 또한 학습시킬 수 있다. 진단 장치(300)는 제4 로스값이 기설정된 값보다 작아질 때까지 제2 신경망 모델(M2)의 파라미터를 업데이트할 수 있다. 또는, 진단 장치(300)는 제2 신경망 모델(M2)의 학습이 완료된 후에 제4 신경망 모델(M4)을 학습시킬 수 있다. 이 때, 제4 신경망 모델(M4)의 파라미터가 업데이트되는 동안 제2 신경망 모델(M2)의 파라미터는 고정(freeze)될 수 있다.
도 16은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 16을 참조하면, 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1) 및 제1 타겟 물질의 농도 정보(341)를 제5 신경망 모델(M5)에 입력하여 진단 정보(342)를 획득할 수 있다. 예를 들어, 진단 정보(342)는 피검체가 가지고 있으리라 예상되는 질병에 대한 정보를 포함할 수 있다. 이 때, 제1 타겟 물질은 질병의 바이오 마커일 수 있다.
진단 장치(300)는 제5 신경망 모델(M5)을 학습시킬 수 있다. 제5 신경망 모델(M5)의 학습 데이터는, 복수의 제1 스펙트럼 정보(S1), 복수의 농도 정보(341) 및 제5 그라운드 트루스를 포함할 수 있다. 복수의 농도 정보(341)는 상술한 여러 실시 예에 따라 획득될 수 있다. 제5 그라운드 트루스는, 스펙트럼 정보 및 농도 정보에 대응되는 진단 정보를 포함할 수 있다.
진단 장치(300)는 진단 정보(342) 및 제5 그라운드 트루스에 포함된 진단 정보에 기초하여 제5 로스값을 획득할 수 있다. 진단 장치(300)는 제5 로스값이 기설정된 값보다 작아질 때까지 제5 신경망 모델(M5)의 파라미터(예로, 가중치)를 업데이트할 수 있다. 진단 장치(300)는 제5 신경망 모델(M5)을 학습시키는 동안 농도 정보(341)를 출력한 신경망 모델을 학습시킬 수 있다. 예를 들어, 농도 정보(341)가 제2 신경망 모델(M2)에 의해 획득된 경우, 진단 장치(300)는 제5 로스값이 기설정된 값보다 작아질 때까지 제2 신경망 모델(M2)의 파라미터를 업데이트할 수 있다. 또는, 진단 장치(300)는 농도 정보(341)를 출력하는 신경망 모델의 학습이 완료된 후에 제5 신경망 모델(M5)을 학습시킬 수 있다.
한편, 질병 진단은 하나의 바이오 마커에 기초하여 수행될 수 있으나, 복수의 바이오 마커에 의해 수행될 수도 있다.
도 17은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 17을 참조하면, 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1), 제1 타겟 물질의 제1 농도 정보(351) 및 제2 타겟 물질의 제2 농도 정보(352)를 제5 신경망 모델(M5)에 입력하여 진단 정보(353)를 획득할 수 있다. 예를 들어, 진단 정보(353)는 알츠하이머에 대한 진단 결과를 포함할 수 있다. 제1 타겟 물질은 타우 단백질이고, 제2 타겟 물질은 베타-아밀로이드일 수 있다.
도 18은 본 개시의 일 실시 예에 따른 농도 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 18을 참조하면, 진단 장치(300)는 제1 스펙트럼에 대한 정보(S1) 및 제2 스펙트럼에 대한 정보(S2)를 제6 신경망 모델(M6)에 입력하여 진단 정보(361)를 획득할 수 있다. 제1 스펙트럼에 대한 정보(S1)는 제1 타겟 물질을 포함하는 제1 액체에 대응될 수 있다. 제2 스펙트럼에 대한 정보(S2)는 제1 타겟 물질 및 제1 타겟 물질과 결합된 제1 반응 물질을 포함하는 제2 액체에 대응될 수 있다.
진단 장치(300)는 제6 신경망 모델(M6)을 학습시킬 수 있다. 제6 신경망 모델(M6)의 학습 데이터는, 복수의 제1 스펙트럼 정보(S1), 복수의 제2 스펙트럼 정보(S2) 및 제6 그라운드 트루스를 포함할 수 있다. 제6 그라운드 트루스는, 스펙트럼 정보에 대응되는 진단 정보를 포함할 수 있다. 진단 장치(300)는 진단 정보(361) 및 제6 그라운드 트루스에 포함된 진단 정보에 기초하여 제6 로스값을 획득할 수 있다. 진단 장치(300)는 제6 로스값이 기설정된 값보다 작아질 때까지 제6 신경망 모델(M6)의 파라미터(예로, 가중치)를 업데이트할 수 있다.
본 개시에 따른 복수의 신경망 모델(M1, M2, M3, M4, M5, M6)로 입력되는 입력 데이터에 대해서는 전처리가 수행될 수 있다. 예를 들어, 복수의 입력 데이터에 대한 연쇄 결합(concatenation)이 수행될 수 있다.
복수의 신경망 모델(M1, M2, M3, M4, M5, M6) 중 일부는 통합될 수 있다.
도 19는 본 개시의 일 실시 예에 따른 진단 장치의 제어 방법을 나타내는 순서도이다.
도 19를 참조하면, 진단 장치(300)는 피검체로부터 채취된 제1 액체에 대응되는 제1 스펙트럼에 대한 정보 및 제2 액체에 대응되는 제2 스펙트럼에 대한 정보를 획득할 수 있다(S1910). 제1 액체는 제1 타겟 물질을 포함할 수 있다. 제2 액체는 제1 액체에 제1 타겟 물질에 대응되는 제1 반응 물질이 첨가된 액체일 수 있다. 제2 액체는 제1 반응 물질과 결합된 제1 타겟 물질을 포함할 수 있다.
진단 장치(300)는 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보에 기초하여 제1 타겟 물질의 제1 농도 정보를 획득할 수 있다(S1920). 예를 들어, 진단 장치(100)는 제2 스펙트럼에 대한 정보 및 스펙트럼의 피크값 및 농도 정보가 매칭된 룩-업 테이블에 기초하여 농도 정보를 획득할 수 있다. 진단 장치(100)는 제1 스펙트럼에 대한 정보를 제1 신경망 모델에 입력하여 농도 정보를 보정하기 위한 계수를 획득할 수 있다. 진단 장치(300)는 계수에 기초하여 농도 정보에 대한 보정을 수행하여 보정된 농도 정보를 획득할 수 있다.
진단 장치(300)는 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 농도 정보를 획득할 수 있다.
진단 장치(300)는 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 특징 벡터를 획득할 수 있다. 진단 장치(300)는 제1 스펙트럼에 대한 정보 및 특징 벡터를 제3 신경망 모델에 입력하여 제1 농도 정보를 획득할 수 있다.
진단 장치(300)는 제1 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 특징 벡터를 획득할 수 있다. 진단 장치(300)는 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제2 특징 벡터를 획득할 수 있다. 진단 장치(300)는 제1 특징 벡터 및 제2 특징 벡터를 제4 신경망 모델에 입력하여 제1 농도 정보를 획득할 수 있다.
진단 장치(300)는 제1 농도 정보에 기초하여 피검체에 대한 진단 정보를 획득할 수 있다(S1930). 진단 장치(300)는 제1 스펙트럼에 대한 정보 및 제1 농도 정보를 제5 신경망 모델에 입력하여 진단 정보를 획득할 수 있다.
진단 장치(300)는 제1 액체에 제2 반응 물질이 첨가된 제3 액체에 대응되는 제3 스펙트럼에 대한 정보를 획득할 수 있다. 제3 액체는 제2 반응 물질과 결합된 제2 타겟 물질을 포함할 수 있다. 진단 장치(300)는 제1 스펙트럼에 대한 정보 및 제3 스펙트럼에 대한 정보에 기초하여 제2 타겟 물질의 제2 농도 정보를 획득할 수 있다. 진단 장치(300)는 제1 스펙트럼에 대한 정보, 제1 농도 정보 및 제2 농도 정보를 제5 신경망 모델에 입력하여 진단 정보를 획득할 수 있다.
진단 장치(300)는 제1 스펙트럼에 대한 정보 및 제2 스펙트럼에 대한 정보를 제6 신경망 모델에 입력하여 진단 정보를 획득할 수 있다.
이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어로 구현되는 경우, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될것이다.
100: 액체 정제 장치
200: 액체 정보 획득 장치
300: 진단 장치 1000: 진단 시스템
300: 진단 장치 1000: 진단 시스템
Claims (17)
- 진단 장치에 있어서,
적어도 하나의 인스트럭션을 저장하는 메모리; 및
프로세서;를 포함하고,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
피검체로부터 채취되며 제1 타겟 물질을 포함하는 제1 액체에 대응되는 제1 스펙트럼에 대한 정보, 및 상기 제1 액체에 상기 제1 타겟 물질의 검출을 위한 제1 반응 물질이 첨가됨에 따라 상기 제1 반응 물질과 결합된 상기 제1 타겟 물질을 포함하는 제2 액체에 대응되는 제2 스펙트럼에 대한 정보를 획득하고,
상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보에 기초하여 상기 제1 타겟 물질의 제1 농도 정보를 획득하고,
상기 제1 농도 정보에 기초하여 상기 피검체에 대한 진단 정보를 획득하는
진단 장치. - 제1 항에 있어서,
상기 제1 액체는,
상기 제1 반응 물질을 포함하지 않는 것을 특징으로 하는
진단 장치. - 제1 항에 있어서,
상기 제2 스펙트럼에 대한 정보는 상기 제2 스펙트럼의 피크값을 포함하고,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
스펙트럼의 피크값 및 농도 정보가 매칭되어 상기 메모리에 미리 저장된 테이블에 기초하여 상기 제2 스펙트럼의 피크값에 대응되는 농도 정보를 획득하고,
상기 제1 스펙트럼에 대한 정보를 제1 신경망 모델에 입력하여 상기 농도 정보를 보정하기 위한 계수를 획득하고,
상기 계수에 기초하여 상기 농도 정보를 보정하여 상기 제1 농도 정보를 획득하는
진단 장치. - 제1 항에 있어서,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는
진단 장치. - 제1 항에 있어서,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 특징 벡터를 획득하고,
상기 제1 스펙트럼에 대한 정보 및 상기 특징 벡터를 제3 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는
진단 장치. - 제1 항에 있어서,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
상기 제1 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 특징 벡터를 획득하고,
상기 제2 스펙트럼에 대한 정보를 상기 제2 신경망 모델에 입력하여 제2 특징 벡터를 획득하고,
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 제4 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는
진단 장치. - 제1 항에 있어서,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
상기 제1 스펙트럼에 대한 정보 및 상기 제1 농도 정보를 제5 신경망 모델에 입력하여 상기 진단 정보를 획득하는
진단 장치. - 제7 항에 있어서,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
상기 제1 액체에 포함된 제2 타겟 물질의 검출을 위한 제2 반응 물질이 첨가됨에 따라 상기 제2 반응 물질과 결합된 상기 제2 타겟 물질을 포함하는 제3 액체에 대응되는 제3 스펙트럼에 대한 정보를 획득하고,
상기 제1 스펙트럼에 대한 정보 및 상기 제3 스펙트럼에 대한 정보에 기초하여 상기 제2 타겟 물질의 제2 농도 정보를 획득하고,
상기 제1 스펙트럼에 대한 정보, 상기 제1 농도 정보 및 상기 제2 농도 정보를 상기 제5 신경망 모델에 입력하여 상기 진단 정보를 획득하는
진단 장치. - 제1 항에 있어서,
상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제6 신경망 모델에 입력하여 상기 진단 정보를 획득하는
진단 장치. - 진단 장치의 제어 방법에 있어서,
피검체로부터 채취되며 제1 타겟 물질을 포함하는 제1 액체에 대응되는 제1 스펙트럼에 대한 정보, 및 상기 제1 액체에 상기 제1 타겟 물질의 검출을 위한 제1 반응 물질이 첨가됨에 따라 상기 제1 반응 물질과 결합된 상기 제1 타겟 물질을 포함하는 제2 액체에 대응되는 제2 스펙트럼에 대한 정보를 획득하는 단계;
상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보에 기초하여 상기 제1 타겟 물질의 제1 농도 정보를 획득하는 단계; 및
상기 제1 농도 정보에 기초하여 상기 피검체에 대한 진단 정보를 획득하는 단계;를 포함하는
제어 방법. - 제10 항에 있어서,
상기 제2 스펙트럼에 대한 정보는 상기 제2 스펙트럼의 피크값을 포함하고,
상기 제1 농도 정보를 획득하는 단계는,
스펙트럼의 피크값 및 농도 정보가 매칭되어 상기 메모리에 미리 저장된 테이블에 기초하여 상기 제2 스펙트럼의 피크값에 대응되는 농도 정보를 획득하는 단계,
상기 제1 스펙트럼에 대한 정보를 제1 신경망 모델에 입력하여 상기 농도 정보를 보정하기 위한 계수를 획득하는 단계, 및
상기 계수에 기초하여 상기 농도 정보를 보정하여 상기 제1 농도 정보를 획득하는 단계를 포함하는
제어 방법. - 제10 항에 있어서,
상기 제1 농도 정보를 획득하는 단계는,
상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는
제어 방법. - 제10 항에 있어서,
상기 제1 농도 정보를 획득하는 단계는,
상기 제2 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 특징 벡터를 획득하는 단계, 및
상기 제1 스펙트럼에 대한 정보 및 상기 특징 벡터를 제3 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는 단계를 포함하는
제어 방법. - 제10 항에 있어서,
상기 제1 농도 정보를 획득하는 단계는,
상기 제1 스펙트럼에 대한 정보를 제2 신경망 모델에 입력하여 제1 특징 벡터를 획득하는 단계,
상기 제2 스펙트럼에 대한 정보를 상기 제2 신경망 모델에 입력하여 제2 특징 벡터를 획득하는 단계, 및
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 제4 신경망 모델에 입력하여 상기 제1 농도 정보를 획득하는 단계를 포함하는
제어 방법. - 제10 항에 있어서,
상기 진단 정보를 획득하는 단계는,
상기 제1 스펙트럼에 대한 정보 및 상기 제1 농도 정보를 제5 신경망 모델에 입력하여 상기 진단 정보를 획득하는
제어 방법. - 제15 항에 있어서,
상기 제1 액체에 포함된 제2 타겟 물질의 검출을 위한 제2 반응 물질이 첨가됨에 따라 상기 제2 반응 물질과 결합된 상기 제2 타겟 물질을 포함하는 제3 액체에 대응되는 제3 스펙트럼에 대한 정보를 획득하는 단계; 및
상기 제1 스펙트럼에 대한 정보 및 상기 제3 스펙트럼에 대한 정보에 기초하여 상기 제2 타겟 물질의 제2 농도 정보를 획득하는 단계;를 더 포함하고,
상기 진단 정보 획득 단계는,
상기 제1 스펙트럼에 대한 정보, 상기 제1 농도 정보 및 상기 제2 농도 정보를 상기 제5 신경망 모델에 입력하여 상기 진단 정보를 획득하는
제어 방법. - 제10 항에 있어서,
상기 진단 정보를 획득하는 단계는,
상기 제1 스펙트럼에 대한 정보 및 상기 제2 스펙트럼에 대한 정보를 제6 신경망 모델에 입력하여 상기 진단 정보를 획득하는
제어 방법.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220012316A KR20230115631A (ko) | 2022-01-27 | 2022-01-27 | 의료 진단 장치 및 이의 제어 방법 |
| AU2022201995A AU2022201995A1 (en) | 2022-01-27 | 2022-03-23 | Liquid refining apparatus and diagnosis system including the same |
| US17/702,903 US20230233155A1 (en) | 2022-01-27 | 2022-03-24 | Liquid refining apparatus and diagnosis system including the same |
| US17/702,898 US20230236181A1 (en) | 2022-01-27 | 2022-03-24 | Liquid refining apparatus and diagnosis system including the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220012316A KR20230115631A (ko) | 2022-01-27 | 2022-01-27 | 의료 진단 장치 및 이의 제어 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230115631A true KR20230115631A (ko) | 2023-08-03 |
Family
ID=87568064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220012316A KR20230115631A (ko) | 2022-01-27 | 2022-01-27 | 의료 진단 장치 및 이의 제어 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230115631A (ko) |
-
2022
- 2022-01-27 KR KR1020220012316A patent/KR20230115631A/ko not_active Application Discontinuation
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230207068A1 (en) | Methods of Profiling Mass Spectral Data Using Neural Networks | |
| US9861297B2 (en) | Gas analysis device and gas analysis method | |
| Zhang et al. | A review of machine learning for near-infrared spectroscopy | |
| WO2006051847A1 (ja) | Ｈｉｖ等のウイルス感染の有無、又はプリオン感染の有無を近赤外線分光法により検査・判定する方法、及び同方法に使用する装置 | |
| JP2023525494A (ja) | 生物学的液体中の病原体の存在を検出する方法 | |
| KR20230115631A (ko) | 의료 진단 장치 및 이의 제어 방법 | |
| KR20230115629A (ko) | 액체 정제 장치 및 이를 포함하는 진단 시스템 | |
| US20230233155A1 (en) | Liquid refining apparatus and diagnosis system including the same | |
| Meléndez et al. | Portable electronic nose based on digital and analog chemical sensors for 2, 4, 6-trichloroanisole discrimination | |
| US20240018185A1 (en) | Method for estimating purified state | |
| Wang et al. | A novel DPSO-SVM system for variable interval selection of endometrial tissue sections by near infrared spectroscopy | |
| Gracia Moisés et al. | Data Augmentation Techniques for Machine Learning Applied to Optical Spectroscopy Datasets in Agrifood Applications: A Comprehensive Review | |
| Stedman et al. | Distinguishing chemicals using CMUT chemical sensor array and artificial neural networks | |
| US20180322247A1 (en) | Systems, Methods and Computer Readable Storage Media for Analyzing a Sample | |
| EP3673269B1 (en) | Methods, devices and systems for quantifying biomarkers | |
| Chicca et al. | Neuromorphic Sensors, Olfaction. | |
| US20220230414A1 (en) | Method and device for detecting out-of-distribution using noise filter | |
| KR102185652B1 (ko) | 램-웨이브 기반 검체 분석방법 및 검체 분석용 소자 | |
| CA3147338A1 (en) | A method for analyzing a peritoneal dialysis sample | |
| Makalkin et al. | Experimental observation of blood erythrocyte structure in the field of standing surface acoustic waves | |
| Cohen et al. | Artificial neural network in predicting cancer based on infrared spectroscopy | |
| Alstrøm et al. | Data-driven modeling of nano-nose gas sensor arrays | |
| Saetchnikov et al. | Array sensor: plasmonic improved optical resonance methods and instrument for biomedical diagnostics | |
| WO2023090015A1 (ja) | 情報処理装置、情報処理装置の作動方法、情報処理装置の作動プログラム、校正済み状態予測モデルの生成方法、並びに校正済み状態予測モデル | |
| US20230010416A1 (en) | Systems and methods for compound concentration sensing in fluids |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |