KR20240012193A - 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 - Google Patents
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 Download PDFInfo
- Publication number
- KR20240012193A KR20240012193A KR1020220089822A KR20220089822A KR20240012193A KR 20240012193 A KR20240012193 A KR 20240012193A KR 1020220089822 A KR1020220089822 A KR 1020220089822A KR 20220089822 A KR20220089822 A KR 20220089822A KR 20240012193 A KR20240012193 A KR 20240012193A
- Authority
- KR
- South Korea
- Prior art keywords
- nucleic acid
- amount
- tests
- predicting
- pathology
- Prior art date
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 201
- 108020004707 nucleic acids Proteins 0.000 title claims abstract description 191
- 150000007523 nucleic acids Chemical class 0.000 title claims abstract description 191
- 102000039446 nucleic acids Human genes 0.000 title claims abstract description 191
- 230000002068 genetic effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001575 pathological effect Effects 0.000 title claims description 10
- 230000007170 pathology Effects 0.000 claims abstract description 114
- 239000012188 paraffin wax Substances 0.000 claims abstract description 91
- 238000002372 labelling Methods 0.000 claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims description 24
- 238000007481 next generation sequencing Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 238000003753 real-time PCR Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000010998 test method Methods 0.000 claims description 13
- 206010028980 Neoplasm Diseases 0.000 claims description 12
- 238000013467 fragmentation Methods 0.000 claims description 9
- 238000006062 fragmentation reaction Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004925 denaturation Methods 0.000 claims description 8
- 230000036425 denaturation Effects 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007901 in situ hybridization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012252 genetic analysis Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 206010003445 Ascites Diseases 0.000 description 1
- 101100009348 Mus musculus Depp1 gene Proteins 0.000 description 1
- 101100009350 Rattus norvegicus Depp gene Proteins 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6809—Methods for determination or identification of nucleic acids involving differential detection
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6813—Hybridisation assays
- C12Q1/6841—In situ hybridisation
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6844—Nucleic acid amplification reactions
- C12Q1/6851—Quantitative amplification
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6869—Methods for sequencing
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2545/00—Reactions characterised by their quantitative nature
- C12Q2545/10—Reactions characterised by their quantitative nature the purpose being quantitative analysis
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biotechnology (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
Abstract
병리 이미지 기반으로 핵산 양을 예측하고 최적의 유전자 검사를 제안하는 방법 및 장치가 개시된다. 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법은, 슬라이드의 병리 이미지를 수신하는 단계, 소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 상기 병리 이미지로부터 추출하는 단계, 상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하는 단계, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계 및 상기 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택하는 단계를 포함할 수 있다.
Description
본 개시는 병리 이미지 분석 방법 장치 및 그 방법에 관한 것이다. 보다 상세하게는, 본 개시는 병리 이미지 기반 핵산 양 예측 및 유전자 검사 방법 별 절편량 산정 장치 및 방법에 관한 것이다.
최근 들어, 많은 의료기관에서 디지털 병리가 진행되고 있으며, 디지털 병리가 진행되면 병리과의 모든 업무가 디지털화 되는 것을 의미한다.
검체 슬라이드를 현미경을 통해 확인하던 과거와는 달리, 최근에는 Virtual microscopy 기술의 발달로 슬라이드를 디지털 이미지화할 수 있게 되었다.
슬라이드가 디지털화됨에 따라, 컴퓨터 알고리즘을 사용하여 수치적으로 분석할 수 있으며 질병의 진단에 있어서 정확성과 효율성을 향상시키고, 휴먼에러 및 소요시간을 줄일 수 있게 되었다.
한편, 환자의 질병을 진단하기까지 다양한 진단 과정이 수반되며, 다양한 진단 과정 중 병리과에서 현미경을 사용하여 환자의 검체로부터 조직을 통해, 예를 들면, 암세포를 진단할 수 있다. 과거의 오랜 기간 동안 다양한 방법으로 병리과 의사들의 이미지 분석을 보조하기 위한 연구들이 수행되어 왔다.
이와 관련된 선행기술1로써, US 특허등록번호 11-348239에서는 " 조직학 슬라이드에 대한 총 핵산 수율 및 해부 경계 예측(predicting total nucleic acid yield and dissection boundaries for histology slides)"이 공개되어 있다.
컴퓨터로 구현되는 방법으로서, 하나 이상의 프로세서를 갖는 이미지 기반 핵산 수율 예측 시스템에서 종양 블록으로부터 제조된 제1 헤마톡실린 및 에오신(H&E) 슬라이드를 수신하는 단계; 하나 이상의 프로세서를 사용하여 디지털 이미지로부터 H&E 슬라이드의 종양 세포를 식별하는 단계; 식별된 종양 세포에 적어도 부분적으로 기초하여 종양 영역 마스크를 생성하는 단계 - 종양 영역 마스크는 디지털 이미지와 연관된 H&E 슬라이드의 절개 경계를 정의함 -; 표지된 절개 경계 및 표지된 총 핵산 수율을 갖는 복수의 H&E 슬라이드에 대해 훈련된 기계 학습 모델에 디지털 이미지를 제공함으로써 절개 경계 내의 종양 세포에 대한 핵산의 예상 수율을 예측하는 단계; 핵산의 예측된 예상 수율에 기초하여, 총 핵산 수율을 충족시키기 위해 종양 블록으로부터 준비할 H&E 슬라이드의 수를 식별하는 단계; 및 핵산의 예상 예상 수율이 미리 결정된 임계값을 초과할 때 종양 블록으로부터 H&E 슬라이드의 수를 준비하는 단계;를 포함한다.
환자의 조직으로부터 비교적 정확한 검사를 시행하는 것은 환자의 질병을 진단하고 치료 방법을 결정하는 데에 있어서 중요한 근거가 된다. 따라서, 디지털 병리 이미지에 기반하여 특정 절편에서 추출 가능한 핵산 양을 예측하고, 유전자 분석 검사별 가장 적절한 핵산 양만큼의 핵산을 추출할 수 있는 절편 량을 계산하여 알려주는 방법에 대한 연구가 필요하다.
본 개시에 개시된 실시 예는 유전자 분석 검사별 가장 적절한 핵산 양만큼의 핵산을 추출할 수 있는 파라빈 절편 양을 계산하여, 소정의 파라핀 절편의 특정 검사에 대한 성공 실패 여부 또는 최적의 검사가 무엇인지 여부를 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시에 일 측면에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법은, 슬라이드의 병리 이미지를 수신하는 단계, 소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 상기 병리 이미지로부터 추출하는 단계, 상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하는 단계, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계 및 상기 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택하는 단계를 포함할 수 있다.
또한, 상기 복수의 검사들은 NGS(next-generation sequencing), RT-PCR(real-time Polymerase Chain Reaction), sequencing, FISH(flourescence in situ hybridization) 중 하나이고, 상기 핵산의 상기 퀄리티는 상기 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나에 의해 결정될 수 있다.
상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하는 단계는 상기 소정의 파라핀 절편의 보관 연도, 보관 시 온도, 보관 시 습도 중 적어도 하나를 이용하여, 상기 핵산의 퀄리티를 측정하는 단계 및 상기 측정된 상기 퀄리티에 기초하여, 상기 핵산의 상기 퀄리티의 등급을 결정하는 단계를 포함할 수 있다.
또한, 상기 컴퓨터는, 복수의 병리 이미지들 각각에 대한 상기 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습하고, 상기 인공지능 모델은 상기 복수의 검사들 중 적어도 하나의 검사에 적합한 파라핀 절편의 양을 계산하는 방법이 학습되는 것을 특징으로 할 수 있다. 상기 인공지능 모델의 상기 학습을 통해 상기 소정의 파라핀 절편으로부터 추출 가능한 상기 핵산 양을 예측하기 위한 정보가 구축될 수 있다.
상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계는, NCCN(National Comprehensive Cancer Network)의 가이드라인에 기초하여 상기 소정의 파라핀 절편에 적합한 상기 복수의 검사들을 우선순위에 따라 나열하는 단계, 상기 복수의 검사들 각각에 필요한 파라핀 절편의 개수를 계산하는 단계 및 상기 계산된 파라핀 절편의 개수에 기초하여 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계를 더 포함할 수 있다.
본 개시에 일 측면에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치는 데이터베이스, 인체로부터 획득된 조직을 포함하는 소정의 파라핀 절편에 대한 병리 이미지를 수신하는 통신부 및 상기 소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 상기 병리 이미지로부터 추출하고, 상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하고, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하고, 상기 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택하도록 구성되는 프로세서를 포함할 수 있다.
또한, 본 개시의 다른 측면에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법은, 슬라이드의 병리 이미지를 수신하는 단계, 상기 병리 이미지를 이용하여 제1 파라핀 절편으로부터 추출 가능한 핵산의 양을 예측하는 단계, 예측된 상기 추출 가능한 핵산의 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사를 위해 필요한 파라핀 절편의 양을 계산하는 단계, 상기 복수의 검사들 중 미리 정해진 검사 방법으로 검사를 실행할 수 있는지 여부를 판단하는 단계를 포함하고, 상기 단계들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는 것을 특징으로 할 수 있다.
또한, 상기 딥러닝 뉴럴 네트워크 모델은 복수의 병리 이미지들 각각에 대한 상기 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 예측된 상기 핵산의 양에 대한 정보 및 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습하고, 상기 라벨링 정보는 상기 미리 정해진 검사 방법에 대한 성공 또는 실패에 대한 정보를 포함하고, 상기 퀄리티의 등급은 상기 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나에 의해 결정되는 것을 특징으로 할 수 있다.
본 개시의 다른 측면에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치는, 데이터베이스, 인체로부터 획득된 조직을 포함하는 소정의 파라핀 절편에 대한 병리 이미지를 수신하는 통신부 및 슬라이드의 상기 병리 이미지를 수신하고, 상기 병리 이미지를 이용하여 제1 파라핀 절편으로부터 추출 가능한 핵산의 양을 예측하고, 예측된 상기 추출 가능한 핵산의 양에 기초하여 복수의 검사들 중 적어도 하나의 검사를 위해 필요한 파라핀 절편의 양을 계산하고, 상기 복수의 검사들 중 미리 정해진 검사 방법으로 검사를 실행할 수 있는지 여부를 판단하도록 구성되는 프로세서를 포함하고, 상기 프로세서의 동작들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는 것을 특징으로 할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 유전자 분석 검사 별로 각 유전자 분석 검사에 필요한 양만큼의 핵산을 추출할 수 있는 파라핀 절편 양을 계산하고, 환자 맞춤형으로 최적의 유전자 검사를 제안할 수 있는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법에 따른 순서도이다.
도 5는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법에 따른 순서도이다.
도 2는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법에 따른 순서도이다.
도 5는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법에 따른 순서도이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 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.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 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.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
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 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 블록도이다.
도 1을 참고하면, 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(100)는 프로세서(102), 통신부(104) 및 데이터베이스(106)를 포함할 수 있다.
다만, 일부 실시 예에서 장치(100)는 도1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
또한, 핵산 양 예측 및 최적의 유전자 검사 제안 장치(100)는 서버로 구성되어 유선 또는 무선 통신을 통해서 슬라이드의 병리 이미지를 수신할 수 있고, 이 때 통신부(104)는 유선 통신 모듈(미도시) 또는 무선 통신 모듈(미도시)을 보유한 통신부로 구성될 수 있다.
프로세서(102)는 핵산 양 예측 및 최적의 유전자 검사 제안 장치(100) 내의 모든 구성들을 총괄적으로 제어할 수 있으며, 데이터 베이스(106), 메모리에 저장된 명령어, 알고리즘을 실행하여 본 개시의 실시 예에 따른 핵산 양 예측 및 최적의 유전자 검사 제안 방법을 프로세스에 따라 수행할 수 있다.
예시적으로, 프로세서(102)는 인체로부터 획득된 조직을 포함하는 파라핀 절편에 대한 병리 이미지(10)를 통신부(104)로부터 전달받을 수 있다. 슬라이드에는 환자의 검체가 수집되어 있으며, 슬라이드로부터 병리 이미지(10)가 획득될 수 있다. 파라핀 블록 또는 파라핀 절편은 수술이나 생체 검사를 통해 획득될 수 있다. 병리 이미지(10)는 제1 병리 이미지(10_1) 내지 제N 병리 이미지(10_N)를 포함할 수 있으며, 장치(100)는 N개의 병리 이미지(10)를 입력(input)으로 하여 후술하는 인공학습 모델을 통해 학습시킬 수 있다.
일 예로, 프로세서(102)는 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 제1 병리 이미지(10_1)로부터 추출하고, 제1 병리 이미지(10_1)에 기초하여 핵산의 퀄리티의 등급을 결정하고, 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하고, 복수의 검사들 각각의 라벨링 정보에 기초하여 상기 복수의 검사들 중 최적의 검사를 선택할 수 있다.
복수의 검사들은 NGS(next-generation sequencing), RT-PCR(real-time Polymerase Chain Reaction), sequencing, FISH(flourescence in situ hybridization) 중 하나일 수 있다. 일 예로, 제1 병리 이미지(10_1)에 대해 복수의 검사들 중 미리 정해진 검사 방법 NGS가 수행될 수 있는지를 판단하기 위해, 복수의 검사들 중 NGS가 셋팅되도록 장치(100)에 미리 저장될 수도 있고, 검사 방법 NGS가 제1 병리 이미지(10_1)와 함께 입력될 수 있다.
핵산의 퀄리티(quality)는 파라핀 절편의 보관 연도, 보관 시 온도, 보관 시 습도 중 적어도 하나에 의해 결정될 수 있다. 핵산의 퀄리티의 등급은 예시적으로 A, B, C 등으로 구분될 수 있으며, 핵산의 퀄리티의 등급은 이 외에도 다양한 방법으로 구분될 수 있다. 예시적으로, 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나를 이용하여, 핵산의 퀄리티를 측정하고, 측정된 퀄리티에 기초하여 핵산의 퀄리티의 등급을 결정할 수 있다.
최신 의료 경향에 따르면, 수술 등으로 얻어진 조직의 파라핀 블록에서 파라핀 절편을 제작하고, 해당 파라핀 절편에서 핵산을 추출하여 환자의 유전자에 존재하는 돌연변이 등을 검출하여 치료 방법을 결정하고 있다.
환자 별로 조직의 크기, 포함된 세포 수, 검체 상태 등 많은 요소들이 절편내 존재하는 핵산의 양을 결정하나, 현재까지는 경험적으로 환자로부터 얻어내는 조직 절편의 수를 일정하게 정해놓고 핵산 추출을 시행하게 됨에 따라, 때로는 핵산의 양이 부족하고, 때로는 필요 이상의 절편을 사용하여 치료의 중요한 근거가 되는 조직에서 검사를 시행 못하는 일이 빈번하게 발생되고 있다. 병리 이미지(10)로부터 어느 정도의 핵산 양을 예측할 수는 있으나, 분자 병리 검사에 필요한 최소 권장 조건을 만족하는지 여부를 확인할 수 있을 정도만 예측할 수 있다. 뿐만 아니라, 실제로 권장 조건에 해당하는 핵산 양 이상인 경우라도 분자 병리 검사에 실패할 수도 있고, 권장 조건에 해당하는 핵산 양 이하인 경우라도 분자 병리 검사가 성공할 수도 있다.
본 개시에 따르면, 파라핀 블록 또는 파라핀 절편에 포함된 핵산의 양 또는 검체의 상태를 비교적 정확히 예측하고 유전자 검사 별로 가장 적합한 핵산의 양을 추출할 수 있도록 하는 파라핀 절편의 양을 계산함으로써, 최정의 유전자 검사 방법을 제안할 수 있다.
특히, 본 개시에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(100)에 의해 수행되는 방법에 따르면, 임상에서 많은 유전자 검사가 필요하나 인체로부터 추출된 조직이 작아, 유전자 검사에 제한이 빈번한 영역에서 효과적이다.
도 2는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다. 도 2는 도 1을 참조하여 설명할 것이다.
도 1 및 도 2를 참조하면, 도 2에 도시된 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(200)는 도 1에 도시된 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(100)가 적용될 수 있다.
예시적으로, 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(200)(또는 도 1의 통신부(104))는 인체로부터 획득된 조직을 포함하는 파라핀 절편에 대한 병리 이미지(20)를 입력받을 수 있다. 인체로부터 획득된 조직을 포함하는 파라핀 절편에 대한 병리 이미지(10)가 핵산 양 예측 및 최적의 유전자 검사 제안 장치(200)에 입력되면, 핵산 양 예측 및 최적의 유전자 검사 제안 장치(200)는 병리 이미지(20)를 이용하여 파라핀 절편으로부터 추출 가능한 핵산의 양을 예측할 수 있다. 예시적으로, 파라핀 절편 A로부터 추출 가능한 핵산의 양은 5 나노그램(ng)일 수 있다.
예측된 상기 추출 가능한 핵산의 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사를 위해 필요한 파라핀 절편의 양을 계산할 수 있다. 예시적으로, 파라핀 절편 A에 포함된 핵산의 양이 5ng이라는 것에 기초하여, 복수의 검사들 중 NGS 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 20개로 계산될 수 있다. 다른 예로, 파라핀 절편 A에 포함된 핵산의 양이 5ng이라는 것에 기초하여, 복수의 검사들 중 RT-PCR 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 5개로 계산될 수 있다. 다른 예로, 파라핀 절편 A에 포함된 핵산의 양이 5ng이라는 것에 기초하여, 복수의 검사들 중 Sequencing 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 10개로 계산될 수 있다. 다른 예로, 파라핀 절편 A에 포함된 핵산의 양이 5ng이라는 것에 기초하여, 복수의 검사들 중 FISH 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 2개로 계산될 수 있다.
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(200)(또는 도 1의 통신부(104))는 파라핀 절편으로부터 추출 가능한 핵산의 양의 예측 값과, 복수의 검사들 중 적어도 하나의 검사를 수행하기 위해 필요한 파라핀 절편의 개수를 출력할 수 있다.
예시적으로, 파라핀 절편으로부터 추출 가능한 핵산의 양의 예측 값과, 복수의 검사들 중 적어도 하나의 검사를 수행하기 위해 필요한 파라핀 절편의 개수는 디스플레이(202)를 이용하여 출력될 수 있다.
디스플레이(202)는 본 장치(200)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이(202)는 본 장치(200)에 의해 실행 가능한 명령어에 따라 구동되는 프로그램(일 예로, 핵산 양 예측 및 최적의 유전자 검사 제안 프로그램)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치의 블록도이다.
도 3을 참고하면, 도 3에 도시된 인공지능 모델을 포함하는 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(300)는 도 1에 도시된 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(100) 및/또는 도 2에 도시된 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(200)가 적용될 수 있다.
장치(300)는 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치(300)는 input layer(32), hidden layer(34), output layer(36)를 포함할 수 있다. 장치(300)를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다. 일 예로, 장치(300)를 구성하는 뉴럴 네트워크는 입력(input)에 해당하는 파라핀 절편에 대한 '병리 이미지(30)'로부터, 예측하고자 하는 결과(output)에 해당하는 '핵산 양', '복수의 검사들 중 하나에 대한 라벨링 결과' 또는 복수의 검사들 중 '최적의 검사 방법'을 추론할 수 있다.
뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
핵산 양 예측 및 최적의 유전자 검사 제안 장치(300)는 인체로부터 획득된 조직을 포함하는 파라핀 절편에 대한 병리 이미지(30)를 입력받을 수 있다. 병리 이미지(30)는 제1 병리 이미지(미도시) 내지 제N 병리 이미지(미도시)를 포함할 수 있다. 장치(300)는 제1 병리 이미지 내지 제N 병리 이미지 각각 대한 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 상기 추출 가능한 핵산 양에 대한 정보 및 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습시킬 수 있다. 장치(300)는 제1 병리 이미지에 기초하여, NGS(next-generation sequencing), RT-PCR(real-time Polymerase Chain Reaction), sequencing, FISH(flourescence in situ hybridization) 각각에 대해 성공 또는 실패 중 하나로 라벨링 할 수 있다. 또한, 장치(300)는 제N 병리 이미지에 기초하여, NGS, RT-PCR, sequencing, FISH 각각에 대해 성공 또는 실패 중 하나로 라벨링 할 수 있다.
다른 예로, 장치(300)는 복수의 검사들 각각에 필요한 파라핀 절편의 개수를 계산한 후, NCCN(National Comprehensive Cancer Network)의 가이드라인에 기초하여 상기 소정의 파라핀 절편에 적합한 상기 복수의 검사들을 우선순위에 따라 나열할 수도 있다. 다시 말해, 장치(300)는 복수의 검사들 각각에 필요한 파라핀 절편의 개수를 계산한 후, NCCN(National Comprehensive Cancer Network)의 가이드라인을 참고하여, 복수의 검사들 중 성공 가능성이 높은 순서대로 나열할 수 있다. 예를 들어, 파라핀 절편 A에서 추출 가능한 핵산 양은 Xng이고, 퀄리티의 등급이 A급인 경우, 장치(300)는 FISH, RT-PCR, Sequencing, NGS 순으로 나열할 수 있다. 예시적으로, 장치(300)는 FISH에 대해 “성공”으로, RT-PCR에 대해 “성공”으로, Sequencing에 대해 “실패”로, NGS에 대해 “실패”로 각각 라벨링할 수 있다.
핵산 양 예측 및 최적의 유전자 검사 제안 장치(300)는 일정한 시간 주기마다 누적된 학습 데이터(일 예로, 파라핀 절편 A에 대한 추출 가능한 핵산 양과 특정 검사에 대한 라벨링 정보의 매칭 결과)를 학습 데이터셋으로 생성하고, 학습 데이터 셋을 이용하여 인공지능 모델을 학습시킬 수 있다. 예시적으로, 장치(300)는 파라핀 절편 A에 대한 추출 가능한 핵산 양(ex. 5ng)과 NGS에 대한 라벨링 정보(ex. 성공)의 매칭 결과를 학습 데이터셋 중 하나로 사용할 수 있다.
학습된 인공지능 모델은 복수의 검사들 중 적어도 하나의 검사에 적합한 파라핀 절편의 양을 계산할 수 있다. 일 예로, 파라핀 절편 A에 대한 추출 가능한 핵산 양이 5ng로 예측된 경우, 장치(300)는 인공지능 모델을 이용하여 FISH 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 2개로 계산할 수 있다.
또한, 학습된 인공지능 모델을 통해, 파라핀 절편으로부터 추출 가능한 상기 핵산 양을 예측하기 위한 정보가 구축될 수 있다.
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치(300)는 파라핀 절편으로부터 복수의 검사들 중 적어도 하나의 검사를 수행하기 위해 필요한 파라핀 절편의 개수를 출력할 수 있다.
예시적으로, 장치(300)는 파라핀 절편 A에 대하여, 복수의 검사들 중 최적의 유전자 검사 방법은 FISH인 것을 디스플레이(302)를 이용하여 출력할 수 있다. 다른 예로, 장치(300)는 파라핀 절편 A에 대하여 미리 정해진 검사 방법인 FISH로 검사를 수행할 수 있는지 여부를 판단하고, 파라핀 절편 A에 대하여 FISH로 검사를 수행할 수 있음을 디스플레이를 이용하여 출력할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법에 따른 순서도이다.
도 4에 도시된 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법(400)은 도 1에 도시된 장치(100), 도2에 도시된 장치(200) 또는 도 3에 도시된 (300)에 의해 수행될 수 있다. 이하에서, 도 3에 도시된 장치(300)를 참조하여 설명할 것이다.
도 3 및 도 4를 참조하면, 장치(300)는 병리 이미지를 수신할 수 있다(S401).
장치(300)는 소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 병리 이미지로부터 추출할 수 있다(S402).
장치(300)는 병리 이미지에 기초하여 핵산의 퀄리티 등급을 결정할 수 있다(S403). 핵산의 퀄리티는 소정의 파라핀 절편의 보관 연도, 보관 시 온도, 보관 시 습도 중 적어도 하나에 의해 결정될 수 있다. 핵산의 퀄리티 등급은 핵산의 분절화(fragmentation), 핵산의 길이, 핵산의 부서짐, 핵산의 변성된 정도 중 적어도 하나를 이용하여 핵산의 퀄리티를 측정하고, 측정된 상기 퀄리티에 기초하여 결정될 수 있다.
장치(300)는 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링할 수 있다(S404). 복수의 검사들은 NGS(next-generation sequencing), RT-PCR(real-time Polymerase Chain Reaction), sequencing, FISH(flourescence in situ hybridization) 중 하나일 수 있다. 장치(300)는 복수의 병리 이미지들 각각에 대한 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 추출 가능한 핵산 양에 대한 정보 및 퀄리티의 등급 중 적어도 하나와 라벨링 정보의 매칭 결과를 이용하여 장치(300)에 포함된 인공지능 모델을 학습할 수 있다. 인공지능 모델은 복수의 검사들 중 적어도 하나의 검사에 적합한 파라핀 절편의 양을 계산하는 방법이 학습될 수 있다. 인공지능 모델의 학습을 통해, 소정의 파라핀 절편으로부터 추출 가능한 핵산 양을 예측하기 위한 정보가 구축될 수 있다.
장치(300)는 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택할 수 있다(S405). 다른 예로, 장치(300)는 미리 정해진 검사 방법으로 검사를 수행할 수 있는지 여부를 판단할 수도 있다.
도 5는 본 개시의 일 실시 예에 따른 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법에 따른 순서도이다. 이하에서, 도 5와 중복되는 내용은 생략한다.
도 5에 도시된 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법(500)은 도 1에 도시된 장치(100), 도2에 도시된 장치(200) 또는 도 3에 도시된 (300)에 의해 수행될 수 있다. 이하에서, 도 3에 도시된 장치(300)를 참조하여 설명할 것이다.
도 3 및 도 5를 참조하면, 장치(300)는 병리 이미지를 수신할 수 있다(S501).
장치(300)는 소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 병리 이미지로부터 추출할 수 있다(S502).
장치(300)는 병리 이미지에 기초하여 핵산의 퀄리티 등급을 결정할 수 있다(S503).
장치(300)는 복수의 검사들 각각에 필요한 파라핀 절편의 개수를 계산할 수 있다(S504).
장치(300)는 소정의 파라핀 절편에 적합한 복수의 검사들을 우선순위에 따라 나열할 수 있다(S505). 우선순위는 NCCN(National Comprehensive Cancer Network)의 가이드라인에 기초하여 성공 가능성이 높은 순서대로 결정될 수 있다.
장치(300)는 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링할 수 있다(S506).
장치(300)는 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택할 수 있다(S507).
한편, 개시된 실시예들은 컴퓨터에 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 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
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 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
Claims (20)
- 컴퓨터에 의해 수행되는 방법으로,
슬라이드의 병리 이미지를 수신하는 단계;
소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 상기 병리 이미지로부터 추출하는 단계;
상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하는 단계;
상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계; 및
상기 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택하는 단계;를 포함하는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 1에 있어서,
상기 복수의 검사들은 NGS(next-generation sequencing), RT-PCR(real-time Polymerase Chain Reaction), sequencing, FISH(flourescence in situ hybridization) 중 하나인,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 2에 있어서,
상기 핵산의 퀄리티는 상기 소정의 파라핀 절편의 보관 연도, 보관 시 온도, 보관 시 습도 중 적어도 하나에 의해 결정되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 3에 있어서,
상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하는 단계는,
상기 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나를 이용하여 상기 핵산의 퀄리티를 측정하는 단계; 및
측정된 상기 퀄리티에 기초하여, 상기 핵산의 상기 퀄리티의 등급을 결정하는 단계;를 포함하는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 4에 있어서,
상기 컴퓨터는,
복수의 병리 이미지들 각각에 대한 상기 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습하고,
상기 인공지능 모델은, 상기 복수의 검사들 중 적어도 하나의 검사에 적합한 파라핀 절편의 양을 계산하는 방법이 학습되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 5에 있어서,
상기 인공지능 모델의 상기 학습을 통해, 상기 소정의 파라핀 절편으로부터 추출 가능한 상기 핵산 양을 예측하기 위한 정보가 구축되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 6에 있어서,
상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계는,
상기 복수의 검사들 각각에 필요한 파라핀 절편의 개수를 계산하는 단계;
NCCN(National Comprehensive Cancer Network)의 가이드라인에 기초하여 상기 소정의 파라핀 절편에 적합한 상기 복수의 검사들을 우선순위에 따라 나열하는 단계; 및
상기 계산된 파라핀 절편의 개수에 기초하여 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하는 단계;를 더 포함하는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 데이터베이스;
인체로부터 획득된 조직을 포함하는 소정의 파라핀 절편에 대한 병리 이미지를 수신하는 통신부; 및
상기 소정의 파라핀 절편으로부터 추출 가능한 핵산 양에 대한 정보를 상기 병리 이미지로부터 추출하고, 상기 병리 이미지에 기초하여 상기 핵산의 퀄리티의 등급을 결정하고, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하고, 상기 복수의 검사들 각각의 라벨링 정보에 기초하여, 상기 복수의 검사들 중 최적의 검사를 선택하도록 구성되는 프로세서;를 포함하는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 8에 있어서,
상기 복수의 검사들은 NGS(next-generation sequencing), RT-PCR(real-time Polymerase Chain Reaction), sequencing, FISH(flourescence in situ hybridization) 중 하나인,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 9에 있어서,
상기 핵산의 상기 퀄리티는 상기 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나에 의해 결정되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 10에 있어서,
상기 프로세서는,
상기 소정의 파라핀 절편의 보관 연도, 보관 시 온도, 보관 시 습도 중 적어도 하나를 이용하여, 상기 핵산의 퀄리티를 측정하고, 상기 측정된 상기 퀄리티에 기초하여, 상기 핵산의 상기 퀄리티의 등급을 결정하도록 추가로 구성되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 11에 있어서,
상기 프로세서는,
복수의 병리 이미지들 각각에 대한 상기 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 상기 추출 가능한 핵산 양에 대한 정보 및 상기 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습시키고,
상기 인공지능 모델은, 상기 복수의 검사들 중 적어도 하나의 검사에 적합한 파라핀 절편의 양을 계산하는 방법이 학습되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 12에 있어서,
상기 인공지능 모델은,
상기 학습을 통해, 상기 소정의 파라핀 절편으로부터 추출 가능한 상기 핵산 양을 예측하기 위한 정보가 구축되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 12에 있어서,
상기 프로세서는,
상기 복수의 검사들 각각에 필요한 파라핀 절편의 개수를 계산하고, NCCN(National Comprehensive Cancer Network)의 가이드라인에 기초하여 상기 소정의 파라핀 절편에 적합한 상기 복수의 검사들을 우선순위에 따라 나열하고, 상기 계산된 파라핀 절편의 개수에 기초하여 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 중 하나로 라벨링하도록 추가로 구성되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 컴퓨터에 의해 수행되는 방법으로,
슬라이드의 병리 이미지를 수신하는 단계;
상기 병리 이미지를 이용하여 제1 파라핀 절편으로부터 추출 가능한 핵산의 양을 예측하는 단계;
예측된 상기 추출 가능한 핵산의 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사를 위해 필요한 파라핀 절편의 양을 계산하는 단계;
상기 복수의 검사들 중 미리 정해진 검사 방법으로 검사를 실행할 수 있는지 여부를 판단하는 단계;를 포함하고,
상기 단계들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 청구항 15에 있어서,
상기 딥러닝 뉴럴 네트워크 모델은,
복수의 병리 이미지들 각각에 대한 상기 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 예측된 상기 핵산의 양에 대한 정보 및 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습하고,
상기 라벨링 정보는 상기 미리 정해진 검사 방법에 대한 성공 또는 실패에 대한 정보를 포함하고,
상기 퀄리티의 등급은 상기 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나에 의해 결정되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법. - 데이터베이스;
인체로부터 획득된 조직을 포함하는 소정의 파라핀 절편에 대한 병리 이미지를 수신하는 통신부; 및
슬라이드의 상기 병리 이미지를 수신하고, 상기 병리 이미지를 이용하여 제1 파라핀 절편으로부터 추출 가능한 핵산의 양을 예측하고, 예측된 상기 추출 가능한 핵산의 양에 기초하여 복수의 검사들 중 적어도 하나의 검사를 위해 필요한 파라핀 절편의 양을 계산하고, 상기 복수의 검사들 중 미리 정해진 검사 방법으로 검사를 실행할 수 있는지 여부를 판단하도록 구성되는 프로세서;를 포함하고,
상기 프로세서의 동작들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 청구항 17에 있어서,
상기 딥러닝 뉴럴 네트워크 모델은,
복수의 병리 이미지들 각각에 대한 상기 복수의 검사들 각각의 라벨링 정보에 기초하여 구축된, 예측된 상기 핵산의 양에 대한 정보 및 퀄리티의 등급 중 적어도 하나와 상기 라벨링 정보의 매칭 결과를 이용하여 인공지능 모델을 학습하고,
상기 라벨링 정보는 상기 미리 정해진 검사 방법에 대한 성공 또는 실패에 대한 정보를 포함하고,
상기 퀄리티의 등급은 상기 핵산의 분절화(fragmentation), 상기 핵산의 길이, 상기 핵산의 부서짐, 상기 핵산의 변성된 정도 중 적어도 하나에 의해 결정되는,
병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치. - 컴퓨터와 결합되어, 제1항 내지 제7항 중 어느 한 항의 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
- 컴퓨터와 결합되어, 제15항 및 제16항 중 어느 한 항의 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220089822A KR20240012193A (ko) | 2022-07-20 | 2022-07-20 | 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 |
| PCT/KR2023/007903 WO2024019326A1 (ko) | 2022-07-20 | 2023-06-09 | 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220089822A KR20240012193A (ko) | 2022-07-20 | 2022-07-20 | 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240012193A true KR20240012193A (ko) | 2024-01-29 |
Family
ID=89618128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220089822A KR20240012193A (ko) | 2022-07-20 | 2022-07-20 | 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240012193A (ko) |
| WO (1) | WO2024019326A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210079132A (ko) | 2019-12-19 | 2021-06-29 | 인제대학교 산학협력단 | 서포트 벡터 머신을 이용한 전립선암의 등급 분류 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6799146B2 (ja) * | 2016-10-07 | 2020-12-09 | ベンタナ メディカル システムズ， インコーポレイテッド | 視覚化されたスライド全域画像分析を提供するためのデジタル病理学システムおよび関連するワークフロー |
| EP4271838A1 (en) * | 2020-12-31 | 2023-11-08 | Tempus Labs, Inc. | Predicting total nucleic acid yield and dissection boundaries for histology slides |
-
2022
- 2022-07-20 KR KR1020220089822A patent/KR20240012193A/ko unknown
-
2023
- 2023-06-09 WO PCT/KR2023/007903 patent/WO2024019326A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210079132A (ko) | 2019-12-19 | 2021-06-29 | 인제대학교 산학협력단 | 서포트 벡터 머신을 이용한 전립선암의 등급 분류 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024019326A1 (ko) | 2024-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10748040B2 (en) | System and method for automatic assessment of cancer | |
| US11908139B1 (en) | Systems and methods for training a statistical model to predict tissue characteristics for a pathology image | |
| US20210383890A1 (en) | Systems and methods for classifying, prioritizing and interpreting genetic variants and therapies using a deep neural network | |
| CA2894317C (en) | Systems and methods for classifying, prioritizing and interpreting genetic variants and therapies using a deep neural network | |
| CN111933212B (zh) | 一种基于机器学习的临床组学数据处理方法及装置 | |
| JP7308865B2 (ja) | 生物医学的予測の視覚化 | |
| KR102562708B1 (ko) | 일반화된 질병 검출을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들 | |
| CN114391168A (zh) | 用于数字病理学的用于处理载片的图像以对所处理的载片图像进行自动优先级化的系统和方法 | |
| EP4256529A1 (en) | Automated screening for diabetic retinopathy severity using color fundus image data | |
| US11954859B2 (en) | Methods of assessing diseases using image classifiers | |
| Sethi et al. | Long Short-Term Memory-Deep Belief Network based Gene Expression Data Analysis for Prostate Cancer Detection and Classification | |
| EP4196985A1 (en) | Training protein structure prediction neural networks using reduced multiple sequence alignments | |
| KR20240012193A (ko) | 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 | |
| KR20240015930A (ko) | 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 | |
| Bhardwaj et al. | Improved healthcare monitoring of coronary heart disease patients in time-series fashion using deep learning model | |
| Hannan | Advancing Parkinson's Disease Severity Prediction using Multimodal Convolutional Recursive Deep Belief Networks. | |
| Christen | Moving beyond the genome with computer modeling | |
| Biswas et al. | Deep learning system for assessing diabetic retinopathy prevalence and risk level estimation | |
| Mishra et al. | Deep Learning Advancements in Target Delivery | |
| EP3855452A1 (en) | Tumor classification | |
| EP4297038A1 (en) | Method and apparatus for analyzing biomarkers | |
| Haque | Multiple myeloma. Detection from histological images using deep learning | |
| Samet et al. | Building Risk Prediction Models for Diabetes Decision Support System | |
| KR20240083819A (ko) | 앙상블 모델 기반의 조기 위암 림프절 전이를 예측하는 전자 장치 및 그의 학습 방법 | |
| Koshy et al. | A Review on AI methods for the Prediction of Infertility in Women |