KR20230119901A - 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 - Google Patents
머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 Download PDFInfo
- Publication number
- KR20230119901A KR20230119901A KR1020220016224A KR20220016224A KR20230119901A KR 20230119901 A KR20230119901 A KR 20230119901A KR 1020220016224 A KR1020220016224 A KR 1020220016224A KR 20220016224 A KR20220016224 A KR 20220016224A KR 20230119901 A KR20230119901 A KR 20230119901A
- Authority
- KR
- South Korea
- Prior art keywords
- raman
- machine learning
- signal
- raman signal
- inflammatory disease
- Prior art date
Links
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 38
- 201000010099 disease Diseases 0.000 title claims description 37
- 238000004611 spectroscopical analysis Methods 0.000 title description 5
- 208000027866 inflammatory disease Diseases 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 50
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 claims description 43
- 238000003745 diagnosis Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 36
- 206010061218 Inflammation Diseases 0.000 claims description 26
- 230000004054 inflammatory process Effects 0.000 claims description 26
- 238000001237 Raman spectrum Methods 0.000 claims description 24
- 238000013399 early diagnosis Methods 0.000 claims description 19
- 238000007689 inspection Methods 0.000 claims description 13
- 239000000090 biomarker Substances 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 12
- 230000002485 urinary effect Effects 0.000 claims description 11
- 239000002105 nanoparticle Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 201000003146 cystitis Diseases 0.000 claims description 8
- 201000008383 nephritis Diseases 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 7
- 230000001154 acute effect Effects 0.000 claims description 7
- 201000011510 cancer Diseases 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 208000017169 kidney disease Diseases 0.000 claims description 7
- 239000002207 metabolite Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 2
- 238000003841 Raman measurement Methods 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 16
- 208000005615 Interstitial Cystitis Diseases 0.000 description 13
- 208000004608 Ureteral Obstruction Diseases 0.000 description 13
- 210000003734 kidney Anatomy 0.000 description 11
- 210000000626 ureter Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 210000002700 urine Anatomy 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 230000002757 inflammatory effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 150000002632 lipids Chemical class 0.000 description 3
- 238000002705 metabolomic analysis Methods 0.000 description 3
- 230000001431 metabolomic effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 239000013077 target material Substances 0.000 description 3
- 206010037596 Pyelonephritis Diseases 0.000 description 2
- 241000700159 Rattus Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 208000014001 urinary system disease Diseases 0.000 description 2
- 206010007027 Calculus urinary Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000000450 Pelvic Pain Diseases 0.000 description 1
- 206010046411 Ureteric stenosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 208000008281 urolithiasis 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
- A61B5/0059—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; determining position of probes within or on the body of the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; determining position of probes within or on the body of the patient
- A61B5/061—Determining position of a probe within the body employing means separate from the probe, e.g. sensing internal probe position employing impedance electrodes on the surface of the body
- A61B5/064—Determining position of a probe within the body employing means separate from the probe, e.g. sensing internal probe position employing impedance electrodes on the surface of the body using markers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Urology & Nephrology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치가 제공된다. 본 발명에 따른 염증 질환 분류 방법은 검체들을 준비하고 전처리하는 단계, 라만 분광 검사를 통해 라만 시그널 및 라만 시그널의 스펙트럼을 획득하는 단계, 라만 시그널 및 라만 시그널의 스펙트럼 분포를 분석하는 단계, 미리 설정된 기계 학습 프로그램을 통해 진단 데이터를 정량화하는 단계, 및 라만 시그널 및 스펙트럼 분포와 정량화된 진단 데이터들을 비교하여 진단 결과를 추출하는 단계를 포함한다.
Description
본 발명은 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치에 관한 것이다.
비뇨기계 염증 질환 중 간질성 방광염(Interstitial cystitis/bladder pain syndrome, IC/BPS)의 경우, 골반 통증을 유발하는 난치성 질환이며 빈번한 배뇨를 유발하고 극심한 통증을 유발한다. 방광염과 같은 비뇨기계 염증 질환을 진단하기 위해 환자의 증상 확인, 및 소변의 세균 검사 등을 통해 임상 진단이 내려지고 있으나 아직은 정량화된 평가 기준이 없는 상태이다.
또 다른 비뇨기계 염증 질환인 요로 결석, 요관 협착, 요관 폐색, 및 신장염 등은 신장의 손상을 발생시켜 만성 또는 급성 신장 질환을 일으킬 수 있기 때문에 조기 진단을 위한 정량화된 평가 기준이 더욱 요구되고 있다.
근래에는 질병의 조기 진단을 위해 대사체학(Metabolomics)이 연구되고 있으며, 대사체학은 대사체군(Metabolome)을 다양한 생리 및 병리학적 상태와 관련지어 대사체 메커니즘을 밝히는 중요한 학문이다. 다만, 대사체학은 암의 조기 진단 및 모니터링을 위한 바이오 마커로써 큰 잠재력을 보여주고 있으나, 정량화된 진단 방안으로서의 임상 적용을 위해서는 복잡한 생물학적 산물에 대한 개선된 분석 방법이 더 필요하였다.
더욱 개선된 질병 조기 진단 방법으로는 기체 크로마토그래피 질량 분석법(Gas Chromatography Mass Spectrometry, GC-MS)과 액체 크로마토그래피 등의 질량 분석법, 라만 분광법(Raman Spectroscopy), 및 표면 증강 라만 분광법(Surface Enhanced Raman Spectroscopy) 등이 대두되었다.
하지만, 라만 분광법 등 종래 기술에 따른 조기의 조기 진단 방법들은 특정 검체나 개별 인자들에 대한 검사 결과들로 명확하게 특정 질병을 분류하고 정량화해서 진단하기가 어려운 문제가 있었다. 구체적으로, 특정 시료나 검체에 대해 다양한 범위로 검출된 스펙트럼 분포나 검출 신호들만을 확인해서는 명확하게 특정 질병을 분류별로 정량화하고 진단하기에는 그 정확도가 떨어지는 문제가 있었다.
본 발명이 해결하고자 하는 과제는 머신 러닝 기반의 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치를 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는 비뇨기계 염증 질환 및 질병에 대해 표면-증강 라만 분광 방식으로 화학적 바이오 마커를 검출하고, 환자의 염증 질환 유형 분류 및 조기 진단을 수행할 수 있는 염증 질환 분류 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 염증 질환 분류 방법은 검체들을 준비하고 전처리하는 단계, 라만 분광 검사를 통해 라만 시그널 및 라만 시그널의 스펙트럼을 획득하는 단계, 상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포를 분석하는 단계, 미리 설정된 기계 학습 프로그램을 통해 진단 데이터를 정량화하는 단계, 및 상기 라만 시그널 및 상기 스펙트럼 분포와 정량화된 진단 데이터들을 비교하여 진단 결과를 추출하는 단계를 포함한다.
상기 라만 시그널 및 라만 시그널의 스펙트럼 획득 단계는 표면-증강 라만 산란(surface-enhanced Raman scattering) 방식의 검사를 수행해서 상기 라만 시그널 및 상기 라만 시그널의 스펙트럼을 획득할 수 있다.
상기 라만 시그널 및 라만 시그널의 스펙트럼 획득 단계는 상기 표면-증강 라만 산란 검사 과정에서 바이오 마커 검출 보정을 수행하여 라만 분광 시그널을 보정하는 단계를 더 포함할 수 있다.
또한, 상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 염증 질환 분류 장치는 검체들에 대한 라만 분광 검사를 수행하여 라만 시그널과 상기 라만 시그널의 스펙트럼을 획득하는 라만 검사 모듈, 상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포를 포함하는 학습 인자들을 입력받고, 미리 설정된 기계 학습을 수행하여 진단 데이터를 정량화하는 데이터 학습 모듈, 및 상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포와 정량화된 상기 진단 데이터를 비교하여 진단 결과를 추출하는 조기 진단 모듈을 포함한다.
상기 라만 검사 모듈은 표면-증강 라만 산란 검사 키트를 포함하는 시료 검사 전처리부, 및 상기 표면-증강 라만 산란 검사 키트 상 전처리된 검체에 대한 표면-증강 라만 산란 검사를 수행하여 상기 라만 시그널을 획득하는 라만 시그널 검출부를 포함한다.
상기 라만 검사 모듈은 상기 표면-증강 라만 산란 검사 키트상 마이크로 사이즈 이상의 큰 분자들은 자동으로 필터링 되고 나노 사이즈의 바이오 마커들만 증폭된 피크의 세기 변화를 측정하여 상기 라만 분광 시그널을 보정 및 정량화하는 분광 시그널 보정부를 더 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예에 따른 염증 질환 분류 방법 및 장치로는 머신 러닝 기반 라만 분광 분석 결과와 기계 학습을 통해 환자의 염증 질환 유형을 빠르게 분류 및 정량화하고, 정량화된 결과물들을 이용해서 조기 진단을 수행할 수 있다. 이에, 신장 근처 요관의 염증을 조기에 진단하여 신장의 손상을 막을 수 있다.
또한, 본 발명의 실시예에 따른 염증 질환 분류 방법 및 장치를 통해서는 진단이 어려운 방광염과 신장염 등의 비뇨기계 질환을 더욱 빠르고 정확하게 분류하고 진단함으로써, 적절하고 신속한 치료가 가능하도록 할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 염증 질환 분류 방법을 순서대로 설명하기 위한 순서도이다.
도 2는 표면-증강 라만 산란 방식을 통해 획득한 라만 시그널 검출 결과를 나타낸 그래프이다.
도 3은 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 랜덤포레스트(Random forest) 결과를 나타낸 도면이다.
도 4는 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 주성분 분석(Principal component analysis)-선형판별분석(Linear Discriminant Analysis)을 순차적으로 수행한 결과를 나타낸 도면이다.
도 5는 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 비음수 행렬 분해(Non-Negative Matrix Factorization)-선형판별분석(Linear Discriminant Analysis)을 순차적으로 수행한 결과를 나타낸 도면이다.
도 6은 도 1에 도시된 분광 데이터 분석 및 질병 진단 모델 추출 방법을 더욱 구체적으로 나타낸 순서도이다.
도 7은 본 발명의 실시예에 따른 염증 질환 분류 장치를 구체적으로 나타낸 구성 블록도이다.
도 2는 표면-증강 라만 산란 방식을 통해 획득한 라만 시그널 검출 결과를 나타낸 그래프이다.
도 3은 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 랜덤포레스트(Random forest) 결과를 나타낸 도면이다.
도 4는 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 주성분 분석(Principal component analysis)-선형판별분석(Linear Discriminant Analysis)을 순차적으로 수행한 결과를 나타낸 도면이다.
도 5는 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 비음수 행렬 분해(Non-Negative Matrix Factorization)-선형판별분석(Linear Discriminant Analysis)을 순차적으로 수행한 결과를 나타낸 도면이다.
도 6은 도 1에 도시된 분광 데이터 분석 및 질병 진단 모델 추출 방법을 더욱 구체적으로 나타낸 순서도이다.
도 7은 본 발명의 실시예에 따른 염증 질환 분류 장치를 구체적으로 나타낸 구성 블록도이다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.
도 1은 본 발명의 실시예에 따른 염증 질환 분류 방법을 순서대로 설명하기 위한 순서도이다.
도 1을 참조하면, 염증 질환 분류 방법은 검체를 준비하고 전처리하는 단계(ST1), 라만 검사를 통해 라만 시그널을 획득하는 단계(ST2), 라만 분광 시그널을 보정하는 단계(ST3), 라만 시그널 및 라만 시그널의 스펙트럼을 분석하는 단계(ST4), 기계 학습을 수행하여 분석 결과(또는, 진단 데이터)들을 정량화하는 단계(ST5), 및 진단 결과를 추출하는 단계(ST6)를 포함한다.
구체적으로, 검체를 준비하고 전처리하는 단계(ST1)에서는 질병 검사를 위해 염증 유발 부위에서 검출한 검체, 또는 실험체로부터 검출한 검체들이 별도의 분리과정 없이 검사 키트에 배치되도록 한다. 다양한 염증 질환들 중 비뇨기계 질환을 분류하고 검진하기 위해서는 요관이나 방광 등 염증 유발 부위에서 검출한 소변을 검체로 적용할 수 있다. 그리고, 소변 검체에 대한 라만 분광 검사 및 분석을 통해 염증 수치와 관련 질병 등을 검출할 수 있다.
반면, 실험체를 통한 검사 및 분석을 통해 비뇨기계 진단 데이터들을 정량화하기 위해서는 8주령 내지 10주령 실험용 쥐들의 소변을 검체로 적용할 수 있다. 이하, 라만 검사 결과를 그래프 및 도면으로 도시하기 위해 적용된 실험체로는 8주령 내지 10주령의 실험용 쥐 23마리의 소변을 검체로 이용할 수 있었다. 더욱 구체적으로는 간질성 방광염 증상 4마리, 약한 요관 폐색 증상 5마리, 심한 요관 폐색 증상 5마리, 대조군 5마리, 정상군 4마리의 소변 1.5㎖ 중 5㎕가 각각 검체로 적용될 수 있었다.
라만 분광 검사를 통한 라만 시그널 획득 단계(ST2)에서는 표면-증강 라만 산란(surface-enhanced Raman scattering) 방식의 검사를 수행해서 라만 시그널을 획득할 수 있다. 일 실시예에 따른 표면-증강 라만 산란 방식은 라만 분광법의 검출 감도 한계를 극복할 수 있는 분석법으로서, 생물학적 및 화학적 검체들에 대한 분자 특이적 정보를 제공하는 분석법이다. 표면-증강 라만 산란 방식의 검사로는 나노 사이즈 분자들의 분자의 증폭된 특징적인 피크의 세기(intensity) 변화를 측정하여 표적 물질을 정량화한다.
구체적으로, 라만 시그널 및 라만 시그널의 스펙트럼 획득 단계(ST2)에서는 표면-증강 라만 산란 기판에 검체 5㎕를 도포하고 더 넓게 분포되면서 수분이 일부 증발되도록 약 30분 정도 대기한다. 그리고 기판 내에 검체가 넓게 분포된 부분을 라만 분광 방식으로 측정하여 라만 시그널을 획득할 수 있다.
라만 시그널을 획득하는 과정에서는 라만 시그널의 백그라운드 보정을 수행할 수 있다. 다시 말해, 표면-증강 라만 산란 방식의 검사를 통한 라만 시그널 획득시 바이오 마커 검출 보정을 수행하여 라만 분광 시그널을 보정할 수 있다.(ST3)
표면-증강 라만 산란 방식의 활성 과정에서는 표면에서의 흡수 에너지에 의해 라만 스펙트럼의 세기가 현저히 향상되도록 한다. 여기서, 표면-증강 라만 산란 규모의 척도로 사용되는 증강 인자(enhancement factor; EF)는 보통 104 내지 108이며, 단일 분자 수준의 검출이 가능한 1014에 이르기도 한다. 이에, 표면-증강 라만 산란 방식의 경우 일반적인 라만 분광 방식보다 약 106 ~ 108까지 신호의 세기가 비약적으로 증가되어 소량의 염증 마커도 검출 가능하다. 따라서, 본 발명의 일 실시예에 따른 라만 분광 시그널 보정 단계(ST3)에서는 표면-증강 라만 산란 검사 키트상 나노 사이즈의 바이오 마커들이 검사되도록 한다. 그리고, 증폭된 바이오 마커 라만 시그널의 특징적인 피크의 세기 변화를 측정하여 라만 시그널과 스펙트럼 분포를 보정 및 정량화할 수 있다.
라만 시그널과 라만 시그널의 스펙트럼 분포를 분석하는 단계(ST4)에서는 채취한 검체별로 검체 내에 포함된 대사물질의 종류, 염증 수치, 염증 종류 등을 확인한다. 그리고 대사물질의 종류, 염증 수치, 염증 종류 등에 따른 질병(예를 들어, 신장염, 방광염, 암 등의 비뇨기계 염증 질환, 및 급성 신장 질환)에 대한 진행도를 확인할 수 있다.
도 2는 표면-증강 라만 산란 방식을 통해 획득한 라만 시그널 검출 결과를 나타낸 그래프이다. 구체적으로, 도 2는 신우신염 및 간질성 방광염 검체의 표면-증강 라만 시그널을 나타낸 그래프이다.
도 2를 참조하면, 라만 시그널 및 라만 시그널의 스펙트럼 분포를 분석하는 단계(ST4)에서는 신장과 요관 사이에서 채취한 검체(SO_K)를 통해 심한 요관 폐색에 따른 염증 수치를 확인할 수 있으며, 방광에서 채취한 검체(SO_B)를 통해서도 심한 요관 폐색에 따른 염증 수치를 확인할 수 있다. 이와 달리, 신장과 요관 사이에서 채취한 다른 검체(MO_K)를 통해서는 약한 요관 폐색에 따른 염증 수치를 확인할 수 있으며, 방광에서 채취한 또 다른 검체(MO_B)를 통해서도 약한 요관 폐색에 따른 염증 수치를 확인할 수 있다. 반면, 방광에서 채취한 어느 한 검체(IC/BPS)를 통해서는 간질성 방광염에 따른 염증 수치를 확인할 수 있다.
이와 더불어, 약 650cm-1 ~ 750cm-1 범위에서는 신우신염의 염증 신호가 두드러 지고, 약 910cm-1 ~ 1060cm-1 범위에서는 간질성 방광염의 염증 신호가 우세함을 확인할 수 있다.
도 3은 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 랜덤포레스트(Random forest) 결과를 나타낸 도면이다.
도 3을 참조하면, 라만 시그널 및 라만 시그널의 스펙트럼 분포를 분석하는 단계(ST4)에서는 라만 분광 장비(예를 들어, 532nm laser, 785nm laser Raman Device)를 이용하여 500cm-1 ~ 3000cm-1 사이의 미리 설정된 파장 범위를 샘플링하고, 샘플링된 파장 범위의 스펙트럼 분포를 분석할 수 있다. 여기서, 500cm-1 ~ 3000cm-1 파장 범위에서는 간질성 방광염, 약한 요관폐색, 심한 요관폐색, 대조군 등의 관련 질병을 확인 및 분석할 수 있다.
또한, 라만 시그널의 스펙트럼 분포를 컴퓨터의 미리 설정된 프로그램을 통해 분석하면, 유기 및 무기 분자의 고유 라만 스펙트럼 분포 및 포함 범위에 따라 단백질의 종류, 지질, RNA, DNA 등의 함유량 및 증가량을 분석할 수 있다.
일 예로, 도 3과 같이, 신장과 요관 사이에서 채취한 검체(SO_K), 방광에서 채취한 검체(SO_B), 신장과 요관 사이에서 채취한 다른 검체(MO_K), 방광에서 채취한 또 다른 검체(MO_B), 및 방광에서 채취한 특정 검체(IC/BPS)별 라만 스펙트럼의 랜덤포레스트(Random forest) 앙상블 알고리즘 결과를 통해 질병 예측값을 산출하여 질병 분류 결과를 확인할 수 있다.
도 4는 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 주성분 분석(Principal component analysis)-선형판별분석(Linear Discriminant Analysis)을 순차적으로 수행한 결과를 나타낸 도면이다.
도 4를 참조하면, 라만 시그널 및 라만 시그널의 스펙트럼 분포를 분석하는 단계(ST4)에서는 라만 분광 장비(예를 들어, 532nm laser, 785nm laser Raman Device)를 이용하여 500cm-1 ~ 3000cm-1 사이의 미리 설정된 파장 범위를 샘플링하고, 샘플링된 파장 범위의 스펙트럼 분포를 분석할 수 있다. 여기서, 500cm-1 ~ 3000cm-1 파장 범위에서는 간질성 방광염, 약한 요관폐색, 심한 요관폐색, 대조군 등의 관련 질병을 확인 및 분석할 수 있다.
또한, 라만 시그널의 스펙트럼 분포를 컴퓨터의 미리 설정된 프로그램을 통해 분석하면, 유기 및 무기 분자의 고유 라만 스펙트럼 분포 및 포함 범위에 따라 단백질의 종류, 지질, RNA, DNA 등의 함유량 및 증가량을 분석할 수 있다.
도 4와 같이, 주성분 분석(PCA)을 통해 신장과 요관 사이에서 채취한 검체(SO_K), 방광에서 채취한 검체(SO_B), 신장과 요관 사이에서 채취한 다른 검체(MO_K), 방광에서 채취한 또 다른 검체(MO_B), 및 방광에서 채취한 특정 검체(IC/BPS)별 라만 스펙트럼의 주성분(PC)을 (a) 5, (b) 30, (c) 50 획득 후 선형판별분석(LDA) 모델을 통해 결과 값을 도출하여 질병 분류 결과를 확인할 수 있다.
도 5는 표면-증강 라만 산란 방식을 통해 획득한 라만 스펙트럼의 비음수 행렬 분해(Non-Negative Matrix Factorization)-선형판별분석(Linear Discriminant Analysis)을 순차적으로 수행한 결과를 나타낸 도면이다.
도 5를 참조하면, 라만 시그널 및 라만 시그널의 스펙트럼 분포를 분석하는 단계(ST4)에서는 라만 분광 장비(예를 들어, 532nm laser, 785nm laser Raman Device)를 이용하여 500cm-1 ~ 3000cm-1 사이의 미리 설정된 파장 범위를 샘플링하고, 샘플링된 파장 범위의 스펙트럼 분포를 분석할 수 있다. 여기서, 500cm-1 ~ 3000cm-1 파장 범위에서는 간질성 방광염, 약한 요관폐색, 심한 요관폐색, 대조군 등의 관련 질병을 확인 및 분석할 수 있다.
또한, 라만 시그널의 스펙트럼 분포를 컴퓨터의 미리 설정된 프로그램을 통해 분석하면, 유기 및 무기 분자의 고유 라만 스펙트럼 분포 및 포함 범위에 따라 단백질의 종류, 지질, RNA, DNA 등의 함유량 및 증가량을 분석할 수 있다.
도 5와 같이, 비음수 행렬분해(NMF)을 통해 신장과 요관 사이에서 채취한 검체(SO_K), 방광에서 채취한 검체(SO_B), 신장과 요관 사이에서 채취한 다른 검체(MO_K), 방광에서 채취한 또 다른 검체(MO_B), 및 방광에서 채취한 특정 검체(IC/BPS)별 라만 스펙트럼의 비음수 행렬분해 성분(NMFC)을 (a) 5, (b) 30, (c) 50 획득 후 선형판별분석(LDA) 모델을 통해 결과 값을 도출하여 질병 분류 결과를 확인할 수 있다.
도 6은 도 1에 도시된 분광 데이터 분석 및 질병 진단 모델 추출 방법을 더욱 구체적으로 나타낸 순서도이다.
도 6을 참조하면, 미리 설정된 기계 학습 프로그램을 통해 분석 결과들을 정량화하는 단계(ST5)는 라만 시그널 및 라만 스펙트럼 검출 결과가 기계 학습 프로그램과 데이터 베이스에 입력 값들로 입력되도록 하는 단계(SS1), 검체 검출 인적 정보를 포함한 추가 학습 인자들을 기계 학습 프로그램의 입력 값으로 추가 입력하는 단계(SS2), 적어도 하나의 기계 학습 모델 및 기계 학습 프로그램을 선택하는 단계(SS3), 선택된 기계 학습 프로그램이 입력 값들을 반영하여 학습되도록 하는 단계(SS4), 및 기계 학습 프로그램의 실행 결과에 따라 진단 데이터를 정량화하는 단계(SS5)를 포함한다.
구체적으로, 기계 학습 수행을 위해서는 먼저 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과가 입력 프로그램과 데이터 베이스에 입력 값들로 입력되도록 한다.(SS1) 이때, 미리 설정된 기계 학습 프로그램들 중 적어도 하나의 기계 학습 프로그램을 선택해서 검체 관련 정보를 비롯한 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과를 학습 인자로 추가 입력할 수 있다.(SS2,SS3)
기계 학습 프로그램으로는 PCA(Principal component analysis)-LDA(Linear Discriminant Analysis)모델, NMF(Non-Negative Matrix Factorization)-LDA(Linear Discriminant Analysis)모델, RFML(Random Forest Machine Learning) 모델, 딥러닝(예를 들어, CNN(Convolutional Neural Networks)) 등이 동반적으로 적용될 수 있다. 학습 인자 입력시에는 결과적인 분류 정보들을 명확히 구분하기 위해 검체 검출량, 검출 부위 정보, 검출 인적 정보(예를 들어, 나이, 성별, 보유 질병, 소견, 증상 등)을 각각 추가 입력할 수 있다.
기계 학습 모델 및 해당 프로그램을 통한 기계 학습 결과에 따라서는 검체 내 포함된 대사물질의 종류, 염증의 종류와 유형, 염증 수치, 및 염증 수치에 따른 질병(신장염, 방광염, 암 등의 비뇨기계 염증 질환, 급성 신장 질환)들의 진행 정보들이 업그레이드될 수 있다. 그리고, 나이, 성별, 보유 질병, 소견, 증상 등의 검체 검출 인적 정보와 관련 분류 정보에 따라 신장염, 방광염, 암 등의 비뇨기계 염증 질환 진행도, 및 급성 신장 질환의 진행도 등이 각각 진단 데이터로 정량화되고, 데이터베이스화 될 수 있다.(SS5)
진단 결과를 추출하는 단계(ST6)는 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과와 기계 학습 프로그램을 통해 정량화된 진단 데이터를 비교 분석하는 단계(SS6), 및 비교 결과에 따른 진단 결과를 설정하고 모니터 등의 표시 화면으로 표시하는 단계(SS7)를 포함한다.
구체적으로, 진단 결과를 추출하기 위해서는 검체별 표면-증강 라만 산란 검사로 추출된 라만 시그널, 및 라만 시그널의 스펙트럼 분포 결과를 기계 학습 프로그램을 통해 정량화된 진단 데이터들과 비교한다.(SS6) 그리고 라만 시그널 및 라만 시그널의 스펙트럼 분포 결과와 정량화된 진단 데이터들의 비교 결과에 따라 최종적으로 진단 결과를 추출한다.(SS7) 최종적으로 추출된 진단 결과는 별도의 모니터나 표시 화면을 통해 표시될 수 있다.
도 7은 본 발명의 실시예에 따른 염증 질환 분류 장치를 구체적으로 나타낸 구성 블록도이다.
도 7에 도시된 염증 질환 분류 장치는 라만 검사 모듈(100), 조기 진단 모듈(200), 및 데이터 학습 모듈(300)을 포함한다.
구체적으로, 라만 검사 모듈(100)은 전처리된 검체에 대한 표면-증강 라만 산란 검사를 수행하여 라만 시그널을 획득한다. 이를 위해, 라만 검사 모듈(100)은 시료 검사 및 전처리부(101), 및 라만 시그널 검출부(103)를 포함한다.
라만 검사 모듈(100)의 시료 검사 및 전처리부(101)는 질병 검사를 위해 염증 유발 부위에서 검출한 검체, 또는 실험체의 검체가 배치되어, 소정 기간 퍼지도록 전처리하는 검사 키트를 포함한다.
라만 시그널 검출부(103)는 표면-증강 라만 산란 검사 키트 상에서 전처리된 검체에 대해 표면-증강 라만 산란 검사를 수행하여 라만 시그널을 획득한다. 그리고 획득한 라만 시그널을 데이터 베이스에 저장한다.
라만 시그널 검출부(103)는 미리 설정된 표면-증강 라만 산란 방식의 검체 검사를 수행해서 라만 나노 사이즈의 분자의 증폭된 특징적인 피크의 세기(intensity) 변화를 측정하고, 표적 물질에 대한 라만 시그널과 라만 시그널의 스펙트럼을 획득 및 정량화할 수 있다.
라만 검사 모듈(100)은 라만 시그널 검출부(103)의 표면-증강 라만 산란 방식을 통한 라만 시그널을 획득시 표면-증강 라만 산란 검사 키트상 마이크로 사이즈보다 더 큰 분자들은 필터링 하며, 나노 사이즈의 바이오 마커들에 대한 증폭된 피크의 세기 변화를 측정하여 상기 라만 분광 시그널을 보정 및 정량화하는 분광 시그널 보정부(105)를 더 포함할 수 있다.
표면-증강 라만 산란 검사 방식의 경우 일반적인 라만 분광 방식보다 약 106 ~ 108까지 신호의 세기가 비약적으로 증가되어 소량의 염증 마커도 검출 가능하다. 이에, 라만 검사 모듈(100)의 분광 시그널 보정부(105)는 표면-증강 라만 산란 검사 키트상 나노 사이즈의 바이오 마커들의 증폭된 특징적인 피크의 세기 변화를 측정하여 표적 물질을 정량화한다.
데이터 학습 모듈(300)은 라만 시그널 및 라만 시그널의 스펙트럼 분포를 포함하는 학습 인자들을 입력받고 미리 설정된 기계 학습을 수행하여 진단 데이터를 정량화한다. 이를 위해, 데이터 학습 모듈(300)은 학습 인자 입력부(301), 기계학습 처리부(303), 기계학습 프로그램 입력부(305), 및 질병 진단 모델 생성부(307)를 포함할 수 있다.
데이터 학습 모듈(300)의 학습 인자 입력부(301)는 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과가 미리 설정된 프로그램과 데이터 베이스에 입력 값들로 입력되도록 한다. 이때, 학습 인자 입력부(301)는 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과 입력 시, 검출 인적 정보를 비롯한 추가 학습 인자들을 더 입력할 수 있다. 다시 말해, 학습 인자 입력시에는 결과적인 분류 정보들을 명확히 구분하기 위해 검체 검출량, 검출 부위 정보, 검출 인적 정보(예를 들어, 나이, 성별, 보유 질병, 소견, 증상 등)을 각각 추가 입력할 수 있다.
기계학습 프로그램 입력부(305)는 복수의 기계 학습 모델별 기계 학습 프로그램을 저장하고, 적어도 하나의 기계 학습 모델 및 기계 학습 프로그램을 선택해서 컴파일한다. 이때, 기계 학습 프로그램으로는 PCA(Principal component analysis)-LDA(Linear Discriminant Analysis)모델, NMF(Non-Negative Matrix Factorization)-LDA(Linear Discriminant Analysis)모델, RFML(Random Forest Machine Learning) 모델, 딥러닝(예를 들어, CNN(Convolutional Neural Networks)) 등이 동반적으로 적용될 수 있다.
기계학습 처리부(303)는 기계학습 프로그램 입력부(305)로부터 입력 및 선택된 기계 학습 프로그램을 실행시켜서 각각의 검체들에 포함된 대사물질의 종류, 염증의 종류와 유형, 염증 수치, 및 염증 수치에 따른 질병의 진행 정보들을 업그레이드한다.
질병 진단 모델 생성부(307)는 기계 학습 프로그램 실행 결과에 따라 진단 데이터를 정량화한다. 이때, 질병 진단 모델 생성부(307)는 나이, 성별, 보유 질병, 소견, 증상 등의 검체 관련 분류 정보에 따라 신장염, 방광염, 암 등의 비뇨기계 염증 질환, 급성 신장 질환의 진행도 정보들을 각각 진단 데이터로 정량화하여 데이터베이스에 저장 및 공유한다.
조기 진단 모듈(200)은 라만 시그널 및 라만 시그널의 스펙트럼 분포와 정량화된 진단 데이터를 비교 분석하여, 염증 질환에 대한 진단 결과를 추출한다. 이를 위해, 조기 진단 모듈(200)은 데이터 처리부(202), 질병 진단 모델 추출부(204), 데이터 비교 검출부(206), 진단 결과 추출부(208)를 포함할 수 있다.
조기 진단 모듈(200)의 데이터 처리부(202)는 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과들을 읽어들이고 나이, 성별, 보유 질병, 소견, 증상 등의 검체 관련 분류 정보에 따라 분류한다. 이때, 질병 진단 모델 추출부(204)는 데이터 학습 모듈(300)로부터 정량화된 진단 데이터를 실시간으로 읽어들인다.
비교 검출부(206)는 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과와 정량화된 진단 데이터를 비교 분석한다. 비교 검출부(206)는 검체별로 표면-증강 라만 산란 검사를 통해 추출된 라만 시그널, 및 라만 시그널의 스펙트럼 분포 결과를 기계 학습 프로그램을 통해 정량화된 진단 데이터들과 순차적으로 비교 및 분석한다.
진단 결과 추출부(208)는 비교 결과에 따른 진단 결과를 설정 및 표시한다. 진단 결과 추출부(208)는 라만 시그널 및 라만 시그널의 스펙트럼 분포 결과와 정량화된 진단 데이터들의 비교 결과에 따라 최종적으로 진단 결과를 추출하고 화면으로 표시할 수 있다.
조기 진단 모듈(200), 및 데이터 학습 모듈(300)은 각 모듈의 프로세서 내 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(미도시), 및 메모리(또는, 데이터 베이스)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 프로세서(미도시)를 포함할 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
각각의 구성요소는 소프트웨어 및/또는 Field Programmable Gate Array(FPGA) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다.
한편, 개시된 실시예들은 조기 진단 모듈(200), 및 데이터 학습 모듈(300)에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 조기 진단 모듈(200), 및 데이터 학습 모듈(300), 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
조기 진단 모듈(200), 및 데이터 학습 모듈(300)이나 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100: 라만 검사 모듈
101: 전처리부
103: 라만 시그널 검출부 105: 분광 시그널 보정부
200: 조기 진단 모듈 202: 데이터 처리부
204: 질병 진단 모델 추출부 206: 비교 검출부
208: 진단 결과 추출부 300: 데이터 학습 모듈
301: 학습 인자 입력부 303: 기계학습 처리부
305: 기계학습 프로그램 입력부 307: 진단 모델 생성부
103: 라만 시그널 검출부 105: 분광 시그널 보정부
200: 조기 진단 모듈 202: 데이터 처리부
204: 질병 진단 모델 추출부 206: 비교 검출부
208: 진단 결과 추출부 300: 데이터 학습 모듈
301: 학습 인자 입력부 303: 기계학습 처리부
305: 기계학습 프로그램 입력부 307: 진단 모델 생성부
Claims (16)
- 염증 질환 분류 장치에 의해 수행되는 방법에 있어서,
검체들을 준비하고 전처리하는 단계;
라만 분광 검사를 통해 라만 시그널 및 라만 시그널의 스펙트럼을 획득하는 단계;
상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포를 분석하는 단계;
미리 설정된 기계 학습 프로그램을 통해 진단 데이터를 정량화하는 단계; 및
상기 라만 시그널 및 상기 스펙트럼 분포와 정량화된 진단 데이터들을 비교하여 진단 결과를 추출하는 단계를 포함하는 염증 질환 분류 방법. - 제1 항에 있어서,
상기 라만 시그널 및 라만 시그널의 스펙트럼 획득 단계는,
표면-증강 라만 산란(surface-enhanced Raman scattering) 방식의 검사를 수행해서 상기 라만 시그널 및 상기 라만 시그널의 스펙트럼을 획득하는 염증 질환 분류 방법. - 제2 항에 있어서,
상기 라만 시그널 및 라만 시그널의 스펙트럼 획득 단계는,
상기 표면-증강 라만 산란 검사 과정에서 바이오 마커 검출 보정을 수행하여 라만 분광 시그널을 보정하는 단계를 더 포함하는 염증 질환 분류 방법. - 제3 항에 있어서,
상기 라만 분광 시그널을 보정하는 단계는,
표면-증강 라만 산란 검사 키트상 나노 사이즈의 바이오 마커들을 라만 측정 타겟으로 적용하고, 상기 나노 사이즈의 분자의 증폭된 피크의 세기 변화를 측정하여 상기 라만 분광 시그널을 보정 및 정량화하는 염증 질환 분류 방법. - 제2 항에 있어서,
상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포를 분석하는 단계는,
상기 검체들별로 각 검체 내에 포함된 대사물질의 종류, 염증 수치, 염증 종류를 분석하고, 상기 대사물질의 종류, 염증 수치, 염증 종류에 따라 신장염, 방광염, 암 등의 비뇨기계 염증 질환, 및 급성 신장 질환에 대한 진행도를 분석하는 염증 질환 분류 방법. - 제2 항에 있어서,
상기 미리 설정된 기계 학습 프로그램을 통해 진단 데이터를 정량화하는 단계는,
상기 라만 시그널 및 상기 라만 스펙트럼 검출 결과가 상기 기계 학습 프로그램과 데이터 베이스에 입력 값들로 입력되도록 하는 단계;
검체 검출 인적 정보를 포함한 추가 학습 인자들을 상기 기계 학습 프로그램의 입력 값으로 추가 입력하는 단계;
적어도 하나 또는 둘 이상의 기계 학습 모델 및 기계 학습 프로그램을 선택하는 단계;
상기 선택된 기계 학습 프로그램이 상기 입력 값들을 반영하여 학습되도록 하는 단계; 및
상기 기계 학습 프로그램의 실행 결과에 따라 상기 진단 데이터를 정량화하는 단계를 포함하는 염증 질환 분류 방법. - 제6 항에 있어서,
상기 검체 검출 인적 정보를 포함한 추가 학습 인자들을 상기 기계 학습 프로그램의 입력 값으로 추가 입력하는 단계는,
나이, 성별, 보유 질병, 소견, 증상을 포함하는 검출 인적 정보, 검체 검출량, 및 검출 부위 정보를 상기 입력 값들으로 추가 입력하는 염증 질환 분류 방법. - 제6 항에 있어서,
상기 진단 결과를 추출하는 단계는,
상기 라만 시그널 및 상기 라만 스펙트럼 검출 결과를 상기 기계 학습 프로그램을 통해 정량화된 상기 진단 데이터와 비교하는 단계; 및
비교 결과에 따른 진단 결과를 설정하여 표시 화면으로 표시하는 단계를 포함하는 염증 질환 분류 방법. - 하드웨어인 컴퓨터와 결합되어, 상기 제1 항 내지 제8 항 중 어느 한 항의 염증 질환 분류 방법을 수행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 검체들에 대한 라만 분광 검사를 수행하여 라만 시그널과 상기 라만 시그널의 스펙트럼을 획득하는 라만 검사 모듈;
상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포를 포함하는 학습 인자들을 입력받고, 미리 설정된 기계 학습을 수행하여 진단 데이터를 정량화하는 데이터 학습 모듈; 및
상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 분포와 정량화된 상기 진단 데이터를 비교하여 진단 결과를 추출하는 조기 진단 모듈을 포함하는 염증 질환 분류 장치. - 제10 항에 있어서,
상기 라만 검사 모듈은,
표면-증강 라만 산란 검사 키트를 포함하는 시료 검사 전처리부; 및
상기 표면-증강 라만 산란 검사 키트 상 전처리된 검체에 대한 표면-증강 라만 산란 검사를 수행하여 상기 라만 시그널을 획득하는 라만 시그널 검출부를 포함하는 염증 질환 분류 장치. - 제11 항에 있어서,
상기 라만 검사 모듈은,
상기 표면-증강 라만 산란 검사 키트상 나노 사이즈의 바이오 마커들을 라만 측정 타겟으로 적용하고, 상기 나노 사이즈의 분자의 증폭된 피크의 세기 변화를 측정하여 상기 라만 분광 시그널을 보정 및 정량화하는 분광 시그널 보정부를 더 포함하는 염증 질환 분류 장치. - 제12 항에 있어서,
상기 조기 진단 모듈은,
상기 검체들 별로 각 검체 내에 포함된 대사물질의 종류, 염증 수치, 염증 종류를 분석하고, 상기 대사물질의 종류, 염증 수치, 염증 종류에 따라 신장염, 방광염, 암 등의 비뇨기계 염증 질환, 및 급성 신장 질환에 대한 진행도를 분석하는 염증 질환 분류 장치. - 제10 항에 있어서,
상기 데이터 학습 모듈은,
상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 검출 결과를 기계 학습 프로그램과 데이터 베이스에 입력 값들로 입력하는 학습 인자 입력부;
복수의 기계 학습 모델별 기계 학습 프로그램을 저장하고 적어도 하나 또는 둘 이상의 기계 학습 모델 및 기계 학습 프로그램을 선택해서 컴파일하는 기계학습 프로그램 입력부;
상기 선택된 기계 학습 프로그램이 상기 입력 값들을 반영하여 기계 학습되도록 상기 선택된 기계 학습 프로그램을 실행시키는 기계학습 처리부; 및
상기 기계 학습 프로그램의 실행 결과에 따라 상기 진단 데이터를 정량화하는 질병 진단 모델 생성부를 포함하는 염증 질환 분류 장치. - 제14 항에 있어서,
상기 학습 인자 입력부는,
나이, 성별, 보유 질병, 소견, 증상을 포함하는 검출 인적 정보, 검체 검출량, 및 검출 부위 정보를 상기 입력 값들으로 추가 입력하는 염증 질환 분류 장치. - 제14 항에 있어서,
상기 조기 진단 모듈은,
상기 라만 시그널 및 상기 라만 스펙트럼 검출 결과를 읽어들이고 나이, 성별, 보유 질병, 소견, 증상을 포함하는 검체 인적 정보에 따라 분류하는 데이터 처리부;
상기 데이터 학습 모듈로부터 정량화된 진단 데이터를 읽어들이는 질병 진단 모델 추출부;
상기 라만 시그널 및 상기 라만 시그널의 스펙트럼 검출 결과와 정량화된 상기 진단 데이터를 비교 분석하는 데이터 비교 검출부; 및
상기 진단 데이터와의 비교 결과에 따른 진단 결과를 설정 및 표시하는 진단 결과 추출부를 포함하는 염증 질환 분류 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220016224A KR20230119901A (ko) | 2022-02-08 | 2022-02-08 | 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 |
| PCT/KR2022/021418 WO2023153635A1 (ko) | 2022-02-08 | 2022-12-27 | 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220016224A KR20230119901A (ko) | 2022-02-08 | 2022-02-08 | 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230119901A true KR20230119901A (ko) | 2023-08-16 |
Family
ID=87564558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220016224A KR20230119901A (ko) | 2022-02-08 | 2022-02-08 | 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230119901A (ko) |
| WO (1) | WO2023153635A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210108899A (ko) | 2020-02-26 | 2021-09-03 | 사회복지법인 삼성생명공익재단 | 소변의 라만 신호를 이용한 암 진단 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100545730B1 (ko) * | 2004-02-03 | 2006-01-24 | 재단법인서울대학교산학협력재단 | 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법 |
| KR101828279B1 (ko) * | 2016-05-18 | 2018-02-13 | 서울대학교산학협력단 | 표면증강라만산란을 이용한 폐암 조기 진단 나노센서 및 그 방법 |
| KR101921582B1 (ko) * | 2016-11-14 | 2018-11-26 | 주식회사 모멘텀컨설팅 | 의료 진단 시스템, 서버 및 방법 |
| KR102127146B1 (ko) * | 2017-08-08 | 2020-06-26 | 사회복지법인 삼성생명공익재단 | 플라즈모닉 효과를 이용한 질병의 진단에 필요한 정보 제공 방법 및 질병 진단용 슬라이드 |
| CN111989747A (zh) * | 2018-04-05 | 2020-11-24 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于预测样品中的成分的定量的分光光度法和装置 |
-
2022
- 2022-02-08 KR KR1020220016224A patent/KR20230119901A/ko not_active Application Discontinuation
- 2022-12-27 WO PCT/KR2022/021418 patent/WO2023153635A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210108899A (ko) | 2020-02-26 | 2021-09-03 | 사회복지법인 삼성생명공익재단 | 소변의 라만 신호를 이용한 암 진단 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023153635A1 (ko) | 2023-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Metabolomics in noninvasive breast cancer | |
| Zhang et al. | Evaluation of a novel, integrated approach using functionalized magnetic beads, bench-top MALDI-TOF-MS with prestructured sample supports, and pattern recognition software for profiling potential biomarkers in human plasma | |
| US7949475B2 (en) | System and method for analyzing metabolomic data | |
| JP4856993B2 (ja) | 自己診断型自動分析装置 | |
| Huber et al. | Stability of person-specific blood-based infrared molecular fingerprints opens up prospects for health monitoring | |
| CN108603859B (zh) | 尿中代谢物在制备癌的评价方法所使用的试剂盒中的用途 | |
| US20070032969A1 (en) | System, method, and computer program product using a database in a computing system to compile and compare metabolomic data obtained from a plurality of samples | |
| US20120052063A1 (en) | Automated detection of breast cancer lesions in tissue | |
| JP7288283B2 (ja) | 小児がん検査用尿中代謝物マーカー | |
| Ralbovsky et al. | Analysis of individual red blood cells for Celiac disease diagnosis | |
| Ortiz-Herrero et al. | Estimation of the post-mortem interval of human skeletal remains using Raman spectroscopy and chemometrics | |
| Guleken et al. | Identification of polycystic ovary syndrome from blood serum using hormone levels via Raman spectroscopy and multivariate analysis | |
| JP6857597B2 (ja) | 尿中代謝物におけるバイオマーカー探索法 | |
| CN114184599B (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 | |
| Fatima et al. | Towards normalization selection of Raman data in the context of protein glycation: Application of validity indices to PCA processed spectra | |
| Yang et al. | Identification of myocardial fibrosis by ATR-FTIR spectroscopy combined with chemometrics | |
| JP2007285922A (ja) | 近赤外光を用いた臨床血液検査方法 | |
| JP4366261B2 (ja) | 測定反応過程の異常の有無判定方法，該方法を実行可能な自動分析装置及び該方法のプログラムを記憶した記憶媒体 | |
| KR20230119901A (ko) | 머신 러닝 기반 라만 분광 분석을 이용한 염증 질환 분류 방법 및 장치 | |
| Risoluti et al. | Development of a “single-click” analytical platform for the detection of cannabinoids in hemp seed oil | |
| KR100545730B1 (ko) | 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법 | |
| WO2007066589A1 (ja) | 近赤外分光を用いた生活習慣病に関する検査・診断法および装置 | |
| Lin et al. | Weighted spectrochemical correlation network analysis-guided GA-PLSR: A potential spectral “fluid biopsy” approach for quantitative assessment of cardiac metabolites in diabetic cardiomyopathy | |
| JP4961579B2 (ja) | 近赤外分光を用いた慢性疲労症候群（ｃｆｓ）診断法および装置 | |
| US20230194532A1 (en) | Quantum optics profiles for screening, diagnosis, and prognosis of diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |