KR20240008030A - 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 심장 기능 예측에 대한 정보 제공용 장치 - Google Patents
심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 심장 기능 예측에 대한 정보 제공용 장치 Download PDFInfo
- Publication number
- KR20240008030A KR20240008030A KR1020220084859A KR20220084859A KR20240008030A KR 20240008030 A KR20240008030 A KR 20240008030A KR 1020220084859 A KR1020220084859 A KR 1020220084859A KR 20220084859 A KR20220084859 A KR 20220084859A KR 20240008030 A KR20240008030 A KR 20240008030A
- Authority
- KR
- South Korea
- Prior art keywords
- prediction
- function
- heart
- cardiac function
- chest
- Prior art date
Links
- 230000004217 heart function Effects 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003902 lesion Effects 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000002601 radiography Methods 0.000 claims description 27
- 208000019622 heart disease Diseases 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000002592 echocardiography Methods 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 12
- 230000003205 diastolic effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 208000006029 Cardiomegaly Diseases 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000002604 ultrasonography Methods 0.000 claims description 7
- 206010003598 Atelectasis Diseases 0.000 claims description 6
- 208000007123 Pulmonary Atelectasis Diseases 0.000 claims description 6
- 230000002685 pulmonary effect Effects 0.000 claims description 6
- 208000005069 pulmonary fibrosis Diseases 0.000 claims description 6
- 208000002151 Pleural effusion Diseases 0.000 claims description 5
- 208000005646 Pneumoperitoneum Diseases 0.000 claims description 5
- 201000003144 pneumothorax Diseases 0.000 claims description 5
- 208000010707 pulmonary consolidation Diseases 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008828 contractile function Effects 0.000 description 4
- 238000011976 chest X-ray Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000013220 shortness of breath Diseases 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 208000005228 Pericardial Effusion Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000008494 pericarditis Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은, 프로세서에 의해 구현되는 심장 기능 예측에 대한 정보 제공 방법으로서, 개체의 흉부 방사선 영상을 수신하는 단계, 흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 예측하도록 학습된 인공 신경망 모델 기반의 제1 예측 모델에 기초하여, 심장 기능에 대한 병변 수치를 출력하는 단계, 상기 병변 수치를 입력으로 하여, 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 기초하여, 심장 기능 예측 결과를 출력하는 단계를 포함하도록 구성된다.
Description
본 발명은 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 장치에 관한 것이다.
심장 질환은 세계 주요 사망원인 27% 이상을 차지하는 현대 사회의 주요 성인 사망 원인중 하나이다. 이는 고령화로 인한 만성 질환이 사망 원인으로 나타나는 사례가 늘어났기 때문이다.
하지만 심장 질환은 조기에 '진단'하여 적절한 '치료'를 시행한다면 일상 생활 복귀와 자가 관리가 가능하다.
심장질환이 의심되는 환자에서 표준검사는 흉부 X-선, 심전도, 위험 인자 조사 및 혈액 검사, 심초음파 순서로 이루어진다. 특히, 심초음파의 경우 방사선 노출이 없어 반복검사가 가능하고, 이동성 및 접근성이 높으며, 비용 대비 정보 획득 효율성이 높아 가장 광범위하게 사용되고 있다.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.
심초음파의 경우 획득 영상을 정성적ㆍ반정량적으로 평가하기 때문에 기 획득된 정보 활용에 제한이 있고, 검사자의 경험과 역량에 따라 검사 결과에 편차가 크기 때문에 검사 결과의 신뢰성을 떨어뜨리는 문제가 있다.
나아가, 본 발명의 발명자들은, 심초음파 검사보다 더 빠르게 심장 질환을 예측할 수 있는지에 대해서 연구하다가, 흉부 방사선 검사가 일반적으로 심초음파 검사보다 빠르게 수행된다는 점에 착안하여, 흉부 방사선 검사를 통해서 보다 빠르게 심장 질환에 대한 예측을 할 수 있다는 점을 인지하였다.
이에, 본 발명의 발명자들은 표준 검사에서 가장 먼저 시행되는 흉부 방사선 검사를 통한 인공 신경망 모델을 개발하고자 하였다.
한편, 본 발명의 발명자들은, 흉부 방사선 검사에 기초한 인공 신경망 모델로 심장 기능을 예측하거나 예측 결과를 도출하는 것에 있어서 신뢰성을 높이고 진단 성능을 보조할 수 있는 시스템을 개발하고자 하였다.
그 결과, 흉부 방사선 검사를 통해 심장 기능에 대한 병변 수치를 예측하고, 흉부 방사선 결과를 이용한 예측 수치와 심초음파를 기초로 한 실제 수치를 비교하여 결과를 확인함으로써, 흉부 방사선 검사 결과를 이용한 인공 신경망 예측 모델에 대한 정확도가 향상될 수 있음을 인지할 수 있었다.
이에, 본 발명이 해결하고자 하는 과제는, 수신된 흉부 방사선 영상에 대하여, 인공 신경망 모델에 기초한 복수의 예측 모델을 이용하여 병변 수치를 예측하고, 그 결과에 기초하여 심장 기능을 예측하도록 구성된, 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 장치를 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 사용자 인터페이스 제공 방법이 제공된다. 본 정보 제공 방법은, 프로세서에 의해 구현되는 심장 기능 예측에 대한 정보 제공 방법으로서, 개체의 흉부 방사선 영상을 수신하는 단계, 흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 예측하도록 학습된 인공 신경망 모델 기반의 제1 예측 모델에 기초하여, 심장 기능에 대한 병변 수치를 출력하는 단계, 상기 병변 수치를 입력으로 하여, 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 기초하여, 심장 기능 예측 결과를 출력하는 단계를 포함한다.
본 발명의 특징에 따르면, 흉부 방사선 영상을 수신하는 단계는, 영상으로부터 병변 영역을 추출하는 단계를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 심장 기능에 대한 병변 수치는, 무기폐 (Atelectasis), 폐결절 (Pulmonary nodule), 심장 비대 (Cardiomegaly), 공기배증 (Pneumoperitoneum), 기흉 (Pneumothorax), 폐경화 (Pulmonary consolidation), 폐섬유증 (Pulmonary fibrosis), 흉수 (Pleural effusion) 중 어느 하나에 대한 확률을 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 제 1 예측 모델은, 초음파 영상 없이 방사선 영상만을 입력으로 할 수 있다.
본 발명의 또 다른 특징에 따르면, 제 2 예측 모델은, 개체의 심초음파 관련 데이터를 기초로 검증된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 제 2 예측 모델은, 심장 수축 기능의 40% 미만 여부 또는 심장 이완 기능 이상 여부를 결정하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 예측 결과에 기초하여, 심장 기능에 대한 심장 질환 종류, 심장 질환 유무를 생성하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 흉부 방사선 영상은, 흉부 x-ray 영상을 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치가 제공된다. 상기 장치는, 개체의 흉부 방사선 영상을 수신하도록 구성된 통신부, 및 통신부와 연결된 프로세서를 포함한다. 이때, 프로세서는, 흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 예측하도록 학습된 인공 신경망 모델 기반의 제1 예측 모델에 기초하여, 심장 기능에 대한 병변 수치를 출력하고, 병변 수치를 입력으로 하여, 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 기초하여, 심장 기능 예측 결과를 출력하도록 구성된다.
본 발명의 특징에 따르면, 프로세서는, 흉부 방사선 영상으로부터 병변 영역을 추출하도록 더 구성될 수 있다.
본 발명의 다른 특징에 따르면, 심장 기능에 대한 병변 수치는, 무기폐 (Atelectasis), 폐결절(Pulmonary nodule), 심장 비대(Cardiomegaly), 공기배증(Pneumoperitoneum), 기흉(Pneumothorax), 폐경화(Pulmonary consolidation), 폐섬유증(Pulmonary fibrosis), 흉수(Pleural effusion) 중 어느 하나에 대한 확률을 포함하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 제 1 예측 모델은, 초음파 영상 없이 방사선 영상만을 입력하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 제 2 예측 모델은 개체의 심초음파 관련 데이터를 기초로 검증된 모델로 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 제 2 예측 모델은, 심장 수축 기능의 40% 미만 여부 또는 심장 이완 기능 이상 여부를 결정하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 예측 결과에 기초하여, 심장 기능에 대한 심장 질환 종류, 심장 질환 유무를 생성하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 흉부 방사선 영상은, 흉부 x-ray 영상으로 구성될 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 사용자 인터페이스 제공 방법이 제공된다. 상기 방법은, 단계를 포함하도록 구성된다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 머신 러닝 모델에 기초하여 흉부 방사선 영상에 대하여 심장 기능을 예측하도록 구성된 새로운 심장 기능 예측 시스템을 제공함으로써 환자의 심장 기능에 대한 정보를 제공할 수 있다.
이에, 본 발명은 심장 질환 의심 시 수행하는 표준검사 절차 중 가장 먼저 시행되는 흉부 방사선 검사를 통해 심장 기능을 예측하여 환자의 조기 진단이 가능할 수 있다.
또한, 실제 임상 실무에 있어서 의료진의 워크 플로우를 향상시킬 수 있다.
더욱이 본 발명은 인공 네트워크 기반의 심장 기능 예측 시스템을 제공함으로써, 심장 기능 예측에 대한 정확도를 향상시키고, 검사 결과의 신뢰성을 높일 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치에 기초한 심장 기능 예측 시스템을 예시적으로 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치의 구성을 예시적으로 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치로부터 심장 기능 예측에 대한 정보를 수신 받아 출력하는 의료진 장치의 구성을 예시적으로 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다.
도 5a 및 5b는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법에서, 심장 기능 예측 결과를 추출하는 단계를 예시적으로 도시한 것이다.
도 6a, 6b, 7a 및 7b는 본 발명의 다양한 실시예에 이용되는 예측 모델의 평가 결과를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치의 구성을 예시적으로 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치로부터 심장 기능 예측에 대한 정보를 수신 받아 출력하는 의료진 장치의 구성을 예시적으로 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다.
도 5a 및 5b는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법에서, 심장 기능 예측 결과를 추출하는 단계를 예시적으로 도시한 것이다.
도 6a, 6b, 7a 및 7b는 본 발명의 다양한 실시예에 이용되는 예측 모델의 평가 결과를 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것 만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, “개체”는 심장 기능을 예측하고자 하는 모든 대상을 의미할 수 있다. 예를 들어, 개체는, 심장 질환 의심 개체일 수도 있다. 이때, 본 명세서 내에 개시된 개체는, 인간을 제외한 모든 포유 동물일 수 있으나, 이에 제한되는 것은 아니다.
본 명세서에서 사용되는 용어, “흉부 방사선 영상”은, 영상 진단 장치로부터 촬영된 의료 영상으로, 흉부 영역을 포함할 수 있다. 예를 들어, 흉부 방사선 영상은, 개체에 대하여 촬영된 흉부 x-ray 영상일 수 있으나, 이에 제한되는 것은 아니다.
한편, 흉부 방사선 영상은, 2차원 영상. 3차원 영상, 한 컷의 스틸 영상, 또는 복수 개의 컷으로 구성된 동영상일 수 있다. 예를 들어, 흉부 방사선 영상이 복수 개의 컷으로 구성된 동영상일 경우, 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법에 따라 복수 개의 흉부 방사선 영상 각각에 대하여 심장 기능에 대한 병변 수치가 추출된 후, 심장 기능 예측에 대한 평가가 수행될 수 있다. 그 결과, 본 발명은 영상 진단 장치와 같은 영상 진단 장치로부터의 흉부방사선 영상의 수신과 동시에 심장 기능을 예측할 수 있어, 실시간으로 심장 기능에 대한 정보를 제공할 수 있다.
본 명세서에서 사용되는 용어, “제 1 예측 모델”은 흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 출력하도록 구성된 모델일 수 있다.
보다 구체적으로 제 1 예측 모델은, 흉부 방사선 영상에 기초하여 심장 기능에 대한 병변 수치를 예측할 수 있도록 흉부 방사선 영상을 학습하여 얻어진 모델일 수 있다.
본 명세서에서 사용되는 용어, “제 2 예측 모델”은 심장 기능에 대한 병변 수치를 입력으로 하여, 심장 기능 예측 결과를 출력하도록 구성된 모델일 수 있다.
보다 구체적으로 제 2 예측 모델은, 심초음파 검사를 시행한 개체의 심초음파 데이터를 학습하여 전향적으로 외부 검증된 모델일 수 있다.
한편 제 1 모델은, 예를 들어, 예측 모델은 VGG net, R, DenseNet 및, encoder-decoder structure를 갖는 FCN (Fully Convolutional Network), SegNet, DeconvNet, DeepLAB V3+, SqueezeNet, Alexnet, ResNet18, MobileNet-v2, GoogLeNet, Resnet-v2, Resnet50, Resnet101, Inception-v3 중 선택된 적어도 하나의 알고리즘에 기초할 수 있다. 나아가, 상기 예측 모델은 전술한 알고리즘 중 적어도 두 개의 알고리즘 모델에 기초한 앙상블 모델일 수도 있다.
제 2 예측 모델은 랜덤포레스트, SVM 등일 수 있으나 이에 제한되지 않고, 본 개시에서, 제 2 예측 모델은 ANN(Artificial neural network) 모델이며, VGG net, R, DenseNet 및, encoder-decoder structure를 갖는 FCN (Fully Convolutional Network), DNN (Deep Neural Network), CNN (Convolutional Neural Network), DCNN (Deep Convolution Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector) 모델 중 선택된 적어도 하나의 알고리즘에 기초할 수 있다. 나아가, 상기 예측 모델들은 전술한 알고리즘 중 적어도 두 개의 알고리즘 모델에 기초한 앙상블 모델일 수도 있다.
이하에서는 도 1을 참조하여, 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치에 기초한 심장 기능 예측 시스템을 설명한다.
도 1은 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치에 기초한 심장 기능 예측 시스템을 예시적으로 도시한 것이다.
먼저 도 1을 참조하면, 심장 기능 예측 시스템 (1000)은, 개체에 대한 흉부 방사선 영상을 기초로 심장 기능과 관련된 정보를 제공하도록 구성된 시스템일 수 있다. 이때, 심장 기능 예측 시스템 (1000) 은, 흉부 방사선 영상에 기초하여, 심장 기능에 대한 병변 수치를 추출하고, 이를 기초로 심장 기능을 예측하도록 구성된 심장 기능 예측에 대한 정보 제공용 장치 (100), 심장 기능 예측에 대한 정보를 수신하는 의료진 장치 (200) 및 흉부 방사선 영상을 제공하는 영상 진단 장치 (300) 로 구성될 수 있다.
먼저, 심장기능 예측에 대한 정보 제공용 장치 (100) 는 영상 진단 장치 (300) 로부터 제공된 사용자의 흉부 방사선 영상을 기초로 심장 기능을 예측하기 위해 다양한 연산을 수행하는 범용 컴퓨터, 랩탑, 및/또는 데이터 서버 등을 포함할 수 있다. 의료진 장치 (200) 는 심장 기능 예측과 연관된 웹 페이지를 제공하는 웹 서버 (web server) 또는 모바일 웹 사이트를 제공하는 모바일 웹 서버 (mobile web server) 에 액세스하기 위한 장치일 수 있으나, 이에 한정되지 않는다.
구체적으로, 심장 기능 예측에 대한 정보 제공용 장치 (100) 는 영상 진단 장치 (300) 로부터 흉부 방사선 영상을 수신하고, 수신된 흉부 방사선 영상으로부터 심장 기능 예측과 연관된 정보를 제공할 수 있다.
이때, 심장 기능 예측에 대한 정보 제공용 장치 (100) 는 개체에 대한 심장 기능 예측과 연관된 데이터를 의료진 장치 (200) 로 제공할 수 있다.
이와 같이 심장 기능 예측에 대한 정보 제공용 장치 (100) 로부터 제공되는 데이터는, 의료진 장치 (200) 에 설치된 웹 브라우저를 통해 웹 페이지로 제공되거나, 어플리케이션, 또는 프로그램 형태로 제공될 수 있다. 다양한 실시예에서 이러한 데이터는 클라이언트-서버 환경에서 플랫폼에 포함되는 형태로 제공될 수 있다.
다음으로, 의료진 장치 (200) 는 개체에 대한 심장 기능 예측에 대한 정보 제공을 요청하고 예측 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하는 전자 장치로서, 스마트폰, 태블릿 PC (Personal Computer), 노트북 및/또는 PC 등 중 적어도 하나를 포함할 수 있다.
의료진 장치 (200) 는 심장 기능 예측에 대한 정보 제공용 장치 (100) 로부터 개체에 대한 심장 기능 예측 결과를 수신하고, 수신된 결과를 표시부를 통해 표시할 수 있다. 여기서, 예측 결과는, 예측 모델에 기초하여 최종 결정된 심장 질환 여부뿐만 아니라, 병변의 형태, 크기, 수치 또는 심장 수축 및 이완 기능 등을 포함할 수 있다. 본 실시예에서는 심장 기능 예측에 대한 정보 제공용 장치 (100) 와 의료진 장치 (200) 가 분리된 것으로 설명하였으나, 심장 기능 예측에 대한 정보 제공용 장치 (100) 와 의료진 장치 (200) 는 하나의 장치로 구현될 수 있다.
다음으로, 도 2를 참조하여, 본 발명의 심장 기능 예측에 대한 정보 제공용 장치 (100) 의 구성 요소에 대하여 구체적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치를 설명하기 위한 개략도이다.
도 2를 참조하면, 심장 기능 예측에 대한 정보 제공용 장치 (100) 는 저장부 (110), 통신부 (120) 및 프로세서 (130) 를 포함한다.
먼저, 저장부 (110) 는 개체에 대한 심장 기능 예측을 위한 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (110) 는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장 매체를 포함할 수 있다.
통신부 (120) 는 심장 기능 예측에 대한 정보 제공용 장치 (100) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (120) 는 유/무선 통신을 이용하여 의료진 장치 (200), 나아가 영상 진단 장치 (300) 와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (120) 는 영상 진단 장치 (300) 로부터 개체의 흉부를 포함하는 흉부 방사선 영상 수신할 수 있다. 또한, 통신부 (120) 는 의료진 장치 (200) 로 정보를 전달할 수 있다.
프로세서 (130) 는 저장부 (110) 및 통신부 (120) 와 동작 가능하게 연결되며, 개체에 대한 흉부 방사선 영상을 분석하기 위한 다양한 명령들을 수행할 수 있다.
구체적으로, 프로세서 (130) 는 통신부 (120) 를 통해 수신되는 흉부 방사선 영상에 기초하여 심장 기능을 예측하도록 구성될 수 있다.
이때, 프로세서 (130) 는 흉부 방사선 영상에 기초하여 심장 기능에 대한 병변 수치를 결정하도록 구성된 제1 예측 모델, 및/또는 흉부 방사선 영상에 기초하여 심장 기능을 예측하도록 구성된 제2 예측 모델에 기초할 수 있다.
한편, 심장 기능 예측에 대한 정보 제공용 장치 (100) 는 하드웨어적으로 설계된 것이 제한되는 것은 아니다. 예를 들어, 심장 기능 예측에 대한 정보 제공용 장치 (100) 의 프로세서 (130) 는 소프트웨어로 구현될 수 있다. 이에, 심장 기능 예측 결과는 상기 소프트웨어가 연결된 영상 진단 장치 (300) 의 표시부 (미도시) 를 통해 표시될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공용 장치로부터 심장 기능에 대한 정보를 수신 받아 출력하는 의료진 장치의 구성을 예시적으로 도시한 것이다.
도 3을 함께 참조하면, 의료진 장치 (200) 는 통신부 (210), 표시부 (220), 저장부 (230) 및 프로세서 (240) 를 포함한다.
통신부 (210) 는 의료진 장치 (200) 가 외부 장치와 통신이 가능하도록 구성될 수 있다. 통신부 (210) 는 유/무선 통신을 이용하여 심장 기능 예측에 대한 정보 제공용 장치 (100) 와 연결되어 심장 기능 예측과 연관된 다양한 데이터를 송신할 수 있다. 구체적으로, 통신부 (210) 는 심장 기능 예측에 대한 정보 제공용 장치 (100) 로부터 개체의 심장 기능 예측과 연관된 정보, 예를 들어, 심장 기능의 병기를 수신하거나, 심장 질환 발병 여부를 결정할 수 있다. 한편, 통신부 (210) 는 병기의 예측 과정에서 결정되는 관심 영역 등의 시각적 정보를 수신할 수도 있다. 예를 들어 상기 정보들은 흉부 방사선 영상에 대하여 표시되어 제공될 수 있으나, 이에 제한되는 것은 아니다.
표시부 (220) 는 개체의 심장 기능 예측과 연관된 정보를 나타내기 위한 다양한 인터페이스 화면을 표시할 수 있다. 예를 들어, 표시부 (220) 는 개체가 심장 질환이 있는지 없는지를 확률적으로 표시하여 제공할 수 있고, 병기가 결정된 경우 이를 흉부 방사선 영상과 함께 표시하여 제공할 수도 있다.
다양한 실시예에서 표시부 (220) 는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치 (touch), 제스처 (gesture), 근접, 드래그 (drag), 스와이프 (swipe) 또는 호버링 (hovering) 입력 등을 수신할 수 있다.
저장부 (230) 는 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위해 사용되는 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (230) 는 플래시 메모리 타입 (flash memory type), 하드디스크 타입 (hard disk type), 멀티미디어 카드 마이크로 타입 (multimedia card micro type), 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램 (Random Access Memory, RAM), SRAM (Static Random Access Memory), 롬 (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서 (240) 는 통신부 (210), 표시부 (220) 및 저장부 (230) 와 동작 가능하게 연결되며, 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위한 다양한 명령들을 수행할 수 있다.
이하에서는, 도 4를 참조하여, 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법을 구체적으로 설명한다. 도 4는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다.
먼저, 도 4를 참조하면, 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공의 절차는 다음과 같다. 먼저, 개체에 대한 흉부 방사선 영상이 수신된다 (S410). 그 다음, 흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 예측하도록 학습된 인공 신경망 모델 기반의 제1 예측 모델에 기초하여, 심장 기능에 대한 병변 수치가 출력된다 (S420). 그 다음, 병변 수치를 입력으로 하여, 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 기초하여, 심장 기능 예측 결과가 출력된다 (S430). 제1 예측 모델은 후향적으로 데이터를 훈련 집합(train set) 70%, 시험 집합(test set) 30% 으로 나누어 훈련 집합 70%로 만든 모델을 검증한 것일 수 있으며, 제 2 예측 모델은 전향적으로 데이터를 500건 정도 수집하여 외부 검증을 시행한 모델일 수 있다.
도 5a 및 5b는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법에서, 심장 기능 예측 결과를 추출하는 단계를 예시적으로 도시한 것이다.
도 5a를 참조하면, 흉부 방사선 영상이 수신되는 단계 (S410)을 통해 수신된다.
한편, 흉부 방사선 영상이 수신되는 단계 (S410) 에서 영상 진단 장치가 구동되어 실시간으로 촬영된 개체의 흉부 x-ray 영상이 획득될 수 있다. 흉부 x-ray 영상이 수신된 이후에, 영상 내에서 병변 영역을 추출하기 위한 전처리가 수행될 수 있다. 영상을 수신하는 단계 (S410)에서 획득한 병변 영역은 후술할 심장 기능에 대한 병변 수치가 출력되는 단계 (S420)에서 이용될 수 있다. 병변 영역은 병변이 없는 정상 영상과 병변이 의심되는 비정상 영상일 수 있다.
수신된 흉부 방사선 영상 (502)은 병변 수치를 출력하는 단계 (S420)에서 제 1 예측 모델 (504) 에 입력된다. 제 1 예측 모델 (504) 은, 흉부 방사선 영상을 입력으로 하여 병변 수치를 출력하도록 학습된 모델일 수 있으며, 루닛 사의 루닛 인사이트 CXR (Lunit Insight CXR) 모델일 수 있다. 그러나, 이는 예시적인 모델이며, 흉부 방사선 영상을 입력으로 하여 병변 수치를 출력하는 모델이라면 특정 모델에 제한되지 않는다.
다음으로, 심장 기능 예측 결과가 출력되는 단계 (S430)에서, 병변 수치가 제 2 예측 모델 (508)에 입력된다. 제 2 예측 모델 (508) 은, 병변 수치를 입력으로 하여 심장 기능 예측 결과를 출력하도록 학습된 모델일 수 있다. 예를 들어, 심장 기능 예측 결과는 심장 수축 기능의 40% 미만 여부 또는 심장 이완 기능 이상 여부에 대한 예측 결과일 수 있으나, 이에 제한되는 것은 아니다.
다음으로, 심장 기능에 대한 병변 수치가 출력되는 단계 (S420)에서 흉부 방사선 영상을 입력으로 하여 병변 수치를 출력하도록 구성된 제 1 예측 모델이 이용될 수 있다.
예를 들어, 영상이 수신되는 단계 (S410)에서 획득한 전처리가 진행된 흉부 방사선 영상을 제 1 예측 모델에 입력하여 심장 기능에 대한 병변 수치를 획득할 수 있다.
제 1 예측 모델은, 초음파 영상 없이 방사선 영상만을 입력받을 수 있다.
보다 구체적으로, 심장 기능에 대한 병변 수치는, 무기폐 (Atelectasis), 폐결절 (Pulmonary nodule), 심장 비대 (Cardiomegaly), 공기배증 (Pneumoperitoneum), 기흉 (Pneumothorax), 폐경화 (Pulmonary consolidation), 폐섬유증 (Pulmonary fibrosis), 흉수 (Pleural effusion) 중 적어도 하나에 대한 확률일 수 있다.
영상이 수신되는 단계 (S410)에서 획득한 전처리가 수행된 흉부 방사선 영상이 제 1 예측 모델에 입력되면, 병변이 의심되는 영역이 히트맵 또는 윤곽선으로 표시될 수 있다. 분석 영상 하단에 문제가 있을 가능성을 확률 값 (%)으로 나타낼 수 있다.
도 5a는 본 발명의 일 실시예에 따른 심장 기능 예측에 대한 정보 제공 방법에서, 병변 수치를 출력하는 단계를 예시적으로 도시한 것이다.
예를 들어, 도 5a를 함께 참조하면, Ndl 16%(512)는 폐결절 가능성, Cm 95%(514)는 심장 비대 가능성, Atl 88%(516)는 무기폐 가능성에 대한 확률 값을 윤곽선을 통해 나타낸 것일 수 있다.
심장 기능에 대한 병변 수치가 출력되는 단계 (S420)에서 획득한 병변 수치는 심장 기능 예측 결과가 출력되는 단계 (S430)에서 이용될 수 있다.
보다 구체적으로, 획득한 병변 수치를 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 입력으로 하여 심장 기능 예측 결과를 출력할 수 있다.
더 나아가, 예측 결과에 기초하여, 심장 기능에 대한 심장 질환 종류, 심장 질환 유무를 생성할 수 있다.
예를 들어, 개체가 심장 질환이 있는지 없는지에 대한 정보를 제공하고, 심장 질환이 있다면, 심장 질환 종류에 대한 정보도 제공할 수 있다. 심장 질환 종류는 협심증, 심근경색, 동맥경화증, 심장판막증, 심부전, 심장비대, 고혈압, 부정맥, 심낭염 등이 있을 수 있다. 더 나아가, 치료방법, 관련 질병, 합병증에 대한 정보 또는 분석 결과를 담은 리포트를 제공할 수 있다.
제시된 실시예에서 설명한 심장 질환 종류 및 제공 정보는 상술한 내용으로 한정되지 않으며 다양하게 구성될 수 있다.
제 2 예측 모델은 개체의 심초음파 관련 데이터를 기초로 검증된 모델일 수 있다.
보다 구체적으로, 제 2 예측 모델은 랜덤 포레스트(Random Forest), 로지스틱 회귀(Logistic Regression), 서포트백터 머신(Support Vector Machine) 등 분류 및 회귀 분석 모델일 수 있으나, 이에 제한되는 것은 아니다.
심초음파 관련 데이터는 LV, LA chamber size, LV ejection fraction, Stroke volume index, Septal e', Septal E/e', TR velocity, Significant valvulopathy (AS, AR, MS, MR), Significant pericardial effusion 일 수 있으며, 제 2 예측 모델은 상기 데이터에 기초하여 심장 수축 기능의 40% 미만 여부 또는 심장 이완 기능 이상 여부를 결정할 수 있으나, 이에 한정되지 않는다.
심장 수축 기능 정상수치는 50% 이상이고, 40% 미만이면 수축 기능이 감소되었다고 평가할 수 있다. 또한, LVEF(left ventricular ejection fraction)가 25% 미만이라면 상당히 안 좋은 상태일 수 있다.
제 2 예측 모델은 수치에 따라 심장 수축 및 이완 기능 상태에 대한 정보를 제공할 수 있다.
평가 1: 본 발명의 다양한 실시예에 이용되는 제2 예측 모델의 평가
이하에서는, 도 6a, 6b, 7a 및 7c를 참조하여, 본 발명의 다양한 실시예에 따른 예측 모델의 평가 결과를 설명한다. 도 6a, 6b, 7a 및 7c는 본 발명의 다양한 실시예에 이용되는 예측 모델의 평가 결과를 도시한 것이다.
이때, 예측 모델로서 심초음파를 시행한 15,464명 환자들 중 흉부 방사선 영상이 없거나 20세 미만, 흉부 방사선과 심초음파 시행 간격이 14일 이상이거나 missing data 5,005명을 제외한 10,152명을 대상으로 흉부 방사선 영상에서 Lunit INSIGHT Version 3에서 추출한 수치들을 R을 이용하여 머신러닝 (Random forest, Logistic regression, Support vector machine)을 통해 심장 수축기능 (Ejection fraction) 40% 미만 여부 또는 심장 이완 기능 이상 여부를 예측하는 모델을 개발하였으나 해당 모델에 한정되어 해석되어서는 아니된다.
도 6a를 참조하면, AUC는 0.923으로 나타난다. 즉, 예측 모델은 심장 수축 기능 40% 미만인지를 높은 정확도로 예측하는 것으로 나타난다.
다음으로, 도 6b를 참조하면, 호흡 곤란, 가슴 통증으로 응급실 및 외래 내원하여 표준 진료 하에 흉부 방사선 및 심초음파 검사 시행한 환자 약 500명을 대상으로 전향적으로 인공지능 모델의 타당성을 평가한 결과를 나타낸 것으로, 도 6b의 AUC는 0.922로 높은 정확도로 예측하는 것으로 나타난다.
도 6b는 도 6a의 검증 결과와 초음파에서 나온 데이터 결과가 일치하는지 검증한 결과를 도시한 것이다.
도 7a를 참조하면, AUC는 0.929로 나타난다. 즉, 예측 모델은 심장 이완 기능 이상 여부를 높은 정확도로 예측하는 것으로 나타난다.
다음으로, 도 7b를 참조하면, 호흡 곤란, 가슴 통증으로 응급실 및 외래 내원하여 표준 진료 하에 흉부 방사선 및 심초음파 검사 시행한 환자 약 500명을 대상으로 전향적으로 인공지능 모델의 타당성을 평가한 결과를 나타낸 것으로, 도 7b의 AUC는 0.873으로 높은 정확도로 예측하는 것으로 나타난다.
도 7b는 도 7a의 검증 결과와 초음파에서 나온 데이터 결과가 일치하는지 검증한 결과를 도시한 것이다.
이상 첨부된 도면을 참조하여 본 발명의 일 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 심장 기능 예측에 대한 정보 제공용 장치
110, 230: 저장부
120, 210: 통신부
130, 240: 프로세서
200: 의료진 장치
220: 표시부
300: 영상 진단 장치
502: 흉부 x-ray 영상
504: 제 1 예측 모델
508: 제 2 예측 모델
110, 230: 저장부
120, 210: 통신부
130, 240: 프로세서
200: 의료진 장치
220: 표시부
300: 영상 진단 장치
502: 흉부 x-ray 영상
504: 제 1 예측 모델
508: 제 2 예측 모델
Claims (16)
- 프로세서에 의해 구현되는 심장 기능 예측에 대한 정보 제공 방법으로서,
개체의 흉부 방사선 영상을 수신하는 단계;
흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 예측하도록 학습된 인공 신경망 모델 기반의 제1 예측 모델에 기초하여, 심장 기능에 대한 병변 수치를 출력하는 단계;
상기 병변 수치를 입력으로 하여, 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 기초하여, 심장 기능 예측 결과를 출력하는 단계를 포함하는, 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 흉부 방사선 영상을 수신하는 단계는,
상기 영상으로부터 병변 영역을 추출하는 단계를 더 포함하는 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 심장 기능에 대한 병변 수치는,
무기폐 (Atelectasis), 폐결절 (Pulmonary nodule), 심장 비대 (Cardiomegaly), 공기배증 (Pneumoperitoneum), 기흉 (Pneumothorax), 폐경화 (Pulmonary consolidation), 폐섬유증 (Pulmonary fibrosis), 흉수 (Pleural effusion) 중 어느 하나에 대한 확률을 포함하는, 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 제 1 예측 모델은,
초음파 영상 없이 방사선 영상만을 입력으로 하는, 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 제 2 예측 모델은,
개체의 심초음파 관련 데이터를 기초로 검증된 모델인, 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 제 2 예측 모델은, 심장 수축 기능의 40% 미만 여부 또는 심장 이완 기능 이상 여부를 결정하는 단계를 더 포함하는, 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 예측 결과에 기초하여, 상기 심장 기능에 대한 심장 질환 종류, 심장 질환 유무를 생성하는 단계를 더 포함하는, 심장 기능 예측에 대한 정보 제공 방법. - 제1항에 있어서,
상기 흉부 방사선 영상은,
흉부 x-ray 영상을 포함하는, 심장 기능 예측에 대한 정보 제공 방법. - 개체의 흉부 방사선 영상을 수신하도록 구성된 통신부,
및 상기 통신부와 연결된 프로세서를 포함하고,
상기 프로세서는,
흉부 방사선 영상을 입력으로 하여, 심장 기능에 대한 병변 수치를 예측하도록 학습된 인공 신경망 모델 기반의 제1 예측 모델에 기초하여, 심장 기능에 대한 병변 수치를 출력하고,
상기 병변 수치를 입력으로 하여, 심장 기능을 예측하도록 학습된 인공 신경망 모델 기반의 제 2 예측 모델에 기초하여, 심장 기능 예측 결과를 출력하도록 구성된 심장 기능 예측에 대한 정보 제공 장치. - 제1항에 있어서,
상기 프로세서는,
상기 흉부 방사선 영상으로부터 병변 영역을 추출하도록 더 구성된 심장 기능 예측에 대한 정보 제공 장치. - 제1항에 있어서,
상기 심장 기능에 대한 병변 수치는,
무기폐 (Atelectasis), 폐결절 (Pulmonary nodule), 심장 비대 (Cardiomegaly), 공기배증 (Pneumoperitoneum), 기흉 (Pneumothorax), 폐경화 (Pulmonary consolidation), 폐섬유증 (Pulmonary fibrosis), 흉수 (Pleural effusion) 중 어느 하나에 대한 확률을 포함하도록 구성된, 심장 기능 예측에 대한 정보 제공 장치. - 제1항에 있어서,
상기 제 1 예측 모델은,
초음파 영상 없이 방사선 영상만을 입력하도록 구성된, 심장 기능 예측에 대한 정보 제공 장치. - 제1항에 있어서,
상기 제 2 예측 모델은 개체의 심초음파 관련 데이터를 기초로 검증된 모델로 구성된, 심장 기능 예측에 대한 정보 제공 징치. - 제1항에 있어서,
상기 제 2 예측 모델은,
심장 수축 기능의 40% 미만 여부 또는 심장 이완 기능 이상 여부를 결정하도록 구성된, 심장 기능 예측에 대한 정보 제공 장치. - 제1항에 있어서,
상기 예측 결과에 기초하여, 상기 심장 기능에 대한 심장 질환 종류, 심장 질환 유무를 생성하도록 더 구성된, 심장 기능 예측에 대한 정보 제공 장치. - 제1항에 있어서,
상기 흉부 방사선 영상은,
흉부 x-ray 영상으로 구성된, 심장 기능 예측에 대한 정보 제공 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220084859A KR20240008030A (ko) | 2022-07-11 | 2022-07-11 | 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 심장 기능 예측에 대한 정보 제공용 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220084859A KR20240008030A (ko) | 2022-07-11 | 2022-07-11 | 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 심장 기능 예측에 대한 정보 제공용 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240008030A true KR20240008030A (ko) | 2024-01-18 |
Family
ID=89716314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220084859A KR20240008030A (ko) | 2022-07-11 | 2022-07-11 | 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 심장 기능 예측에 대한 정보 제공용 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240008030A (ko) |
-
2022
- 2022-07-11 KR KR1020220084859A patent/KR20240008030A/ko not_active Application Discontinuation
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lopez-Jimenez et al. | Artificial intelligence in cardiology: present and future | |
| KR20220102635A (ko) | 심장의 비디오를 사용하여 환자 평가 변수의 예측을 개선시키기 위한 심층 신경망 시스템 및 방법 | |
| JP7149286B2 (ja) | 機械学習に基づいて血管閉塞を評価する方法およびシステム | |
| Xiao et al. | Development and validation of a deep learning-based model using computed tomography imaging for predicting disease severity of coronavirus disease 2019 | |
| US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
| US12089977B2 (en) | Method and system for assessing vessel obstruction based on machine learning | |
| US20180315505A1 (en) | Optimization of clinical decision making | |
| JP6957214B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
| Khanna et al. | Radiologist-level two novel and robust automated computer-aided prediction models for early detection of COVID-19 infection from chest X-ray images | |
| US11540796B2 (en) | Prediction of risk of post-ablation atrial fibrillation based on radiographic features of pulmonary vein morphology from chest imaging | |
| EP4309126A1 (en) | Convolutional long short-term memory networks for rapid medical image segmentation | |
| CN111815643A (zh) | 基于人工智能的copd评估 | |
| Gao et al. | Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN | |
| Zou et al. | A promising approach for screening pulmonary hypertension based on frontal chest radiographs using deep learning: A retrospective study | |
| Lv et al. | Development and validation of a clinically applicable deep learning strategy (HONORS) for pulmonary nodule classification at CT: a retrospective multicentre study | |
| CN113571183A (zh) | Covid-19患者管理的风险预测 | |
| CN114037651A (zh) | 根据x射线图像的与covid-19相关联的异常模式的评估 | |
| EP3896702A1 (en) | Cardiovascular assessment of patients suspected of having covid-19 | |
| US20240087304A1 (en) | System for medical data analysis | |
| Oniga et al. | Applications of ai and hpc in the health domain | |
| JP2021509977A (ja) | 医用画像評価のためのディープラーニングの応用 | |
| KR102469907B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| KR20240008030A (ko) | 심장 기능 예측에 대한 정보 제공 방법 및 이를 이용한 심장 기능 예측에 대한 정보 제공용 장치 | |
| Tang et al. | A neural network to pulmonary embolism aided diagnosis with a feature selection approach | |
| KR20230040484A (ko) | 흉부 의료 영상 객체 검출 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |