KR20240009132A - 가중치 거리함수를 이용한 질병 예측 장치 및 그 방법 - Google Patents

Abstract

본 발명은 질병 예측 장치 및 그 방법에 대한 것으로서, 특히 가중치 거리함수를 이용하여 질병을 예측하는 장치 및 방법에 관한 것이다. 본 발명은 예측하고자 하는 질병을 선택하는 질병 선택부와, 질병 선택부에서 선택된 질병에 따라 특징들을 선정하는 특징 선정부, 특징 선정부에서 선정된 특징의 가중치를 결정하고, 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류하는 클래스 분류부, 및 클래스 분류부에서 클래스가 분류된 특징을 기반으로 질병에 감염된 후보를 예측하는 질병 예측부를 포함하며, 질병 예측부는, 를 만족하면 에 대한 데이터는 질병에 감염된 것으로 예측하며, 를 만족하면 에 대한 데이터는 질병에 감염되지 않은 것으로 예측한다. 이에 따라, 본 발명에 따른 가중치 거리함수를 이용한 질병 예측 장치 및 그 방법은 가중치 거리함수를 이용하여 질병을 보다 정확하게 예측할 수 있다.

Description

가중치 거리함수를 이용한 질병 예측 장치 및 그 방법{Disease prediction device using weighted distance function and disease prediction method using the same}

본 발명은 질병 예측 장치 및 그 방법에 대한 것으로서, 특히 가중치 거리함수를 이용하여 질병을 예측하는 장치 및 방법에 관한 것이다.

질병은 심신에 일시적 또는 지속적으로 장애를 발생시켜 정상적인 기능을 저해하는 다양한 병을 의미한다. 이러한 질병은 검사를 통해 발병을 검출하며, 다양한 방법으로 예측할 수 있다. 하지만, 기존의 질병 예측 방법보다 정확하게 질병을 예측할 수 있는 방법이 요구되고 있다.

대한민국 공개특허공보 제10-2018-0079208호(2018.07.10. 공개)

본 발명의 목적은 질병을 정확하게 예측할 수 있는 가중치 거리함수를 이용한 질병 예측 장치 및 그 방법을 제공하는 것이다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명에 따른 가중치 거리함수를 이용한 질병 예측 장치는, 예측하고자 하는 질병을 선택하는 질병 선택부와, 질병 선택부에서 선택된 질병에 따라 특징들을 선정하는 특징 선정부, 특징 선정부에서 선정된 특징의 가중치를 결정하고, 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류하는 클래스 분류부, 및 클래스 분류부에서 클래스가 분류된 특징을 기반으로 질병에 감염된 후보를 예측하는 질병 예측부를 포함한다.

또한, 본 발명에 따른 가중치 거리함수를 이용한 질병 예측 방법은, 질병 선택부가 예측하고자 하는 질병을 선택하는 단계와, 질병 선택부에서 선택된 질병에 따라 특징 선정부가 특징들을 선정하는 단계, 특징 선정부에서 선정된 특징의 가중치를 클래스 분류부가 결정하고, 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류하는 단계, 및 클래스 분류부에서 클래스가 분류된 특징을 기반으로 질병 예측부가 질병에 감염된 후보를 예측하는 단계를 포함한다.

전술된 질병 예측부는, 를 만족하면 에 대한 데이터는 질병에 감염된 것으로 예측하며, 를 만족하면 에 대한 데이터는 질병에 감염되지 않은 것으로 예측하고,

이며, 는 양의 정수이고, 는 실수체 위의 차원 벡터공간인 위에서 연속인 벡터함수 의 함숫값으로서, 이다.

본 발명에 따른 가중치 거리함수를 이용한 질병 예측 장치 및 그 방법은 가중치 거리함수를 이용하여 질병을 보다 정확하게 예측할 수 있다.

상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.

도 1은 본 발명에 따른 질병 예측 장치의 블록도이다.
도 2는 본 발명에 따른 질병 예측 장치의 개념도이다.
도 3은 본 발명에 따른 질병 예측 방법의 순서도이다.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.

도 1은 본 발명에 따른 질병 예측 장치의 블록도이고, 도 2는 본 발명에 따른 질병 예측 장치의 개념도이다.

본 발명에 따른 질병 예측 장치는 도 1 및 도 2를 참조하면, 예측하고자 하는 질병을 선택하는 질병 선택부(100)와, 질병 선택부에서 선택된 질병에 따라 특징들을 선정하는 특징 선정부(200), 특징 선정부에서 선정된 특징의 가중치를 결정하고 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류하는 클래스 분류부(300), 및 클래스 분류부에서 클래스가 분류된 특징을 기반으로 질병에 감염된 후보를 예측하는 질병 예측부(400)를 포함한다.

본 발명의 이해를 위해서, 우선 벡터공간에 대해서 알아본다.

체 위의 를 공집합이 아닌 집합이라 하자, 다음 조건을 만족하는 를 체 위의 벡터공간이라 한다. 이때, +는 벡터합, ·는 스칼라 곱이다. 모든 와 모든 에 대하여,

1.

2.

3. 을 만족하는 가 존재한다.

4. 을 만족하는 가 존재한다.

5.

6.

7.

8.

또한, 를 공집합이 아닌 집합이라 하자, 다음 조건을 만족하는 함수 를 집합 위의 거리함수라 한다. 모든 에 대하여,

1. 이고,

2.

3.

이때, 를 위의 거리공간이라 한다.

또한, 실수체 과 를 위의 임의의 벡터공간이라 하자. 다음 조건을 만족하는 함수 를 벡터공간 위의 노름이라 한다.

모든 와 모든 에 대하여,

1. 이고,

2.

3.

이때, 를 위의 노름공간이라 한다.

을 실수체, 를 실수체 위의 임의의 벡터공간이라 하자. 다음 조건을 만족하는 사상 를 벡터공간 위의 내적이라 한다.

모든 와 모든 에 대하여,

1. 이고,

2.

3. 이고,

4.

이때, 를 위의 내적공간이라 한다.

또한, 벡터 이 일 때, 다음과 같이 정의된 함수 을 손실함수(Loss function)라 정의한다.

이때, 이다.

다음은 가중치 함수들 가 있는 위의 벡터공간 에 대해 알아본다.

우선, 를 위의 차원 벡터 공간일 때 다변수 함수 를 다음과 같이 정의한다.

이때, 는 번째 특징의 번째 데이터이고, 위의 집합 를 다음과 같이 정의한다.

이때, 이라 하면 실제로 는 위의 차원 벡터공간이 된다. 연속인 벡터함수의 집합을 로 표기하면 다음이 성립한다.

임의의 벡터 라 하면 의 원소인 연속적인 벡터 함수 는 다음과 같이 표기한다.

이제, 집합 는 다음과 같이 정의한다.

가중치 함수 를 다음과 같이 정의한다.

이때, 이라 하면, 가중치 함숫값 를 간단히 로 표기한다. 그러면 는 다음 두 가지 성질을 만족한다.

1.

2.

이러한 가중치 함숫값들의 집합을 로 표기하고 다음과 같이 정의한다.

이때, 는 위의 벡터공간이라는 사실은 잘 알려져 있으므로, 를 가중치 함수들 를 가지고 있는 위의 벡터공간이라 부른다. 이하에서는 을 간략히 로 표기한다.

다음은 손실함수를 정의한다.

우선, 를 고정된 벡터라 하고 를 위에서 연속인 벡터함수라 할 때, 위의 거리함수 를 다음과 같이 정의한다.

이때, 이고 그리고 이다. 이와 같이 정의된 위의 거리함수 를 p-levelled weight 거리함수(metric function)라 한다. GWAS 데이터 집합의 번째 특징의 값들의 집합을 로 정의하고 다음과 같이 표기한다.

이때, 은 질병 샘플의 개수이며, 집합 를 다음과 같이 정의한다.

이를 통해 위의 를 다음과 같이 정의한다.

을 간단히 로 표기하고자 한다. 이때, GWAS 데이터의 대푯값으로는 평균, 중앙값, 최빈값 등을 선택할 수 있고, 이 과정에서 얻은 GWAS 데이터에 대한 대푯값 를 요소로 갖는 벡터를 라 할 때 다음과 같이 표기한다.

이때, 를 대푯값 베겉라 부르고 이 벡터는 GWAS 데이터에 대한 기준값으로 사용한다. 이제 p-levelled weight 거리함수 와 고정된 대푯값 벡터 를 사용하여 위의 손실함수(Loss function) 을 다음과 같이 정의한다.

이하, 전술된 배경지식을 기반으로 본 발명의 구성에 대해 설명한다.

질병 선택부(100)는 예측할 질병의 종류를 사용자로부터 입력받는다. 이를 위해서, 질병 선택부(100)는 내부 저장소에 질병의 종류를 미리 저장하는 것이 바람직하다. 또한, 질병 선택부(100)는 디스플레이를 통해 사용자가 질병의 종류를 시인하도록 한 후 터치 스크린이나 마우스, 키보드 등을 포함하는 입력 장치를 통해 사용자로부터 질병을 선택 받을 수 있다.

특징 선정부(200)는 질병 선택부(100)가 입력받은 질병에 대한 특징을 선정한다. 여기서, 특징 선정부(200)는 XGBoost를 이용하여 Feature Important를 구분한다. 기준은 Xgboost에서는 weight, cover, gain을 기준으로 판단하며, Weight는 변수 별 데이터를 분리하는데 쓰인 횟수를 의미하며, cover는 해당 변수로 분리된 데이터의 수, gain은 특징을 사용했을 때 감소되는 평균적인 트레이닝 로스(training loss)를 의미한다.

클래스 분류부(300)는 특징 선정부(200)에서 선정된 각 특징에 가중치를 결정하여 클래스를 분류한다.

질병 예측부(400)는 클래스 분류부(300)에서 클래스가 분류된, 즉, 질병일 가능성이 높은 데이터에 대해 질병 여부를 최종적으로 예측한다. 이를 위해서, 질병 예측부(400)는 실수형 특징 데이터를 사용하여 질병에 감염된 후보를 예측한다. GWAS 데이터의 실수형 데이터 타입을 가지는 번째 특징들의 데이터 집합을 각각 라 하자. 집합 위에서 정의된 대푯값 함수 의 함숫값 를 구한다. 이 과정을 통해 구한 를 사용해 GWAS 데이터의 대푯값 벡터 를 구한다.

이때, 구한 GWAS 데이터의 대푯값 벡터 를 선택된 실수형 PE파일 특징 의 GWAS 데이터에 대한 기준으로 사용한다. 위에서 연속인 벡터함수 의 함숫값 를 다음과 같이 표기한다.

이때, 는 예측하고자 하는 실수형 GWAS 데이터의 번째 특징의 값이다. 손실함수 를 구하면 다음과 같다.

여기서, 는 양의 정수이고, 의 값이 작을수록 두 벡터 와 는 유사하다는 것을 의미한다. 또한, 는 GWAS 데이터에 대한 기준이므로 가 적당한 상수 와 비교하여 를 GWAS 데이터를 통하여 질병 감염 여부를 예측할 수 있다. 여기서, 질병 예측부는 를 만족하면 에 대한 데이터는 질병에 감염된 것으로 예측하고, 를 만족하면 에 대한 데이터는 질병에 감염되지 않은 것으로 예측한다. 이때, 의 값은 머신러닝을 통하여 값을 예측할 수 있으며, 이 경우 질병 예측 성능을 향상시킬 수 있다.

상술한 바와 같이, 본 발명은 가중치 거리함수를 이용하여 질병을 보다 정확하게 예측할 수 있다.

다음은 본 발명에 따른 악성코드 예측 방법에 대해 도면을 참조하여 설명한다. 후술될 내용 중 전술된 본 발명에 따른 악성코드 예측 장치의 설명과 중복되는 내용은 생략하거나 간략히 설명한다.

도 3은 본 발명에 따른 악성코드 예측 방법의 순서도이다.

본 발명에 따른 악성코드 예측 방법은 도 3에 도시된 바와 같이, 질병을 선택하는 단계(S1)와, 특징을 선정하는 단계(S2), 클래스를 분류하는 단계(S3), 및 질병을 예측하는 단계(S4)를 포함한다.

질병을 선택하는 단계(S1)는 질병 선택부가 예측하고자 하는 질병을 사용자로부터 선택받는다.

특징을 선정하는 단계(S2)는 특징 선정부가 질병을 선택하는 단계(S1)에서 선택된 질병에 따라 특징들을 선정한다.

클래스를 분류하는 단계(S3)는 클래스 분류부가 특징을 선정하는 단계(S2)에서 선정된 특징의 가중치를 결정하고 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류한다. 여기서, 클래스가 분류된 특징은 질병에 감염되었을 가능성이 높은 후보가 된다.

질병을 예측하는 단계(S4)는 클래스를 분류하는 단계(S3)에서 클래스가 분류된 특징을 기반으로 질병에 감염된 후보를 예측한다. 즉, 클래스를 분류하는 단계(S3)에서 질병에 감염되었을 가능성이 높은 후보에 대해 질병을 예측하며, 이는 전술된 바와 같이 질병 에측부가 를 만족하면 에 대한 데이터는 질병에 감염된 것으로 예측하며, 를 만족하면 에 대한 데이터는 질병에 감염되지 않은 것으로 예측한다.

이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

100: 질병 선택부 200: 특징 선정부
300: 클래스 분류부 400: 질병 예측부

Claims (2)

1. 예측하고자 하는 질병을 선택하는 질병 선택부와,
   상기 질병 선택부에서 선택된 질병에 따라 특징들을 선정하는 특징 선정부,
   상기 특징 선정부에서 선정된 특징의 가중치를 결정하고, 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류하는 클래스 분류부, 및
   상기 클래스 분류부에서 클래스가 분류된 특징을 기반으로 질병에 감염된 후보를 예측하는 질병 예측부를 포함하며,
   상기 질병 예측부는, 를 만족하면 에 대한 데이터는 질병에 감염된 것으로 예측하며, 를 만족하면 에 대한 데이터는 질병에 감염되지 않은 것으로 예측하고,
   상기 이며,
   상기 는 양의 정수이고,
   상기 는 실수체 위의 차원 벡터공간인 위에서 연속인 벡터함수 의 함숫값으로서, 인 질병 예측 장치.
   
2. 질병 선택부가 예측하고자 하는 질병을 선택하는 단계와,
   상기 질병 선택부에서 선택된 질병에 따라 특징 선정부가 특징들을 선정하는 단계,
   상기 특징 선정부에서 선정된 특징의 가중치를 클래스 분류부가 결정하고, 결정된 가중치가 미리 결정된 크기를 초과하는 특징의 클래스를 분류하는 단계, 및
   상기 클래스 분류부에서 클래스가 분류된 특징을 기반으로 질병 예측부가 질병에 감염된 후보를 예측하는 단계를 포함하며,
   상기 질병 예측부는, 를 만족하면 에 대한 데이터는 질병에 감염된 것으로 예측하며, 를 만족하면 에 대한 데이터는 질병에 감염되지 않은 것으로 예측하고,
   상기 이며,
   상기 는 양의 정수이고,
   상기 는 실수체 위의 차원 벡터공간인 위에서 연속인 벡터함수 의 함숫값으로서, 인 질병 예측 방법.