KR20240013676A - 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 - Google Patents
심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 Download PDFInfo
- Publication number
- KR20240013676A KR20240013676A KR1020230093192A KR20230093192A KR20240013676A KR 20240013676 A KR20240013676 A KR 20240013676A KR 1020230093192 A KR1020230093192 A KR 1020230093192A KR 20230093192 A KR20230093192 A KR 20230093192A KR 20240013676 A KR20240013676 A KR 20240013676A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- myocardial infarction
- electrocardiogram
- learning
- patient
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002107 myocardial effect Effects 0.000 title 1
- 238000013136 deep learning model Methods 0.000 claims abstract description 68
- 208000010125 myocardial infarction Diseases 0.000 claims abstract description 62
- 238000002586 coronary angiography Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 21
- 210000004351 coronary vessel Anatomy 0.000 claims description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 10
- 230000036262 stenosis Effects 0.000 claims description 10
- 208000037804 stenosis Diseases 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 206010008479 Chest Pain Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 208000004476 Acute Coronary Syndrome Diseases 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 13
- 201000000057 Coronary Stenosis Diseases 0.000 description 11
- 206010011089 Coronary artery stenosis Diseases 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 208000000770 Non-ST Elevated Myocardial Infarction Diseases 0.000 description 2
- 208000006117 ST-elevation myocardial infarction Diseases 0.000 description 2
- 206010000891 acute myocardial infarction Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010003662 Atrial flutter Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000021908 Myocardial disease Diseases 0.000 description 1
- 206010062501 Non-cardiac chest pain Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계를 포함할 수 있다.
Description
본 개시의 내용은 의료 분야의 인공지능 기술에 관한 것으로, 구체적으로 심전도를 이용하여 심근경색을 진단하기 위한 모델을 학습시키고, 학습된 모델을 활용하는 방법에 관한 것이다.
심전도 검사는 심장의 전기 활동을 기록하는 검사이다. 심전도 검사는 비교적 간단하고 비용 효율적인 검사 방법으로, 심장의 건강 상태를 확인할 수 있으며, 이는 심장 질환의 초기 진단과 관리에 있어 중요한 역할을 한다. 예를 들어, 심전도 검사를 통해 측정된 심전도 신호는 심장의 각 부분이 정상적으로 작동하는지, 심장의 크기와 위치가 정상적인지, 그리고 심장 근육에 손상이 있는지 등을 확인하는 데 사용될 수 있다. 그리고, 심전도 신호는 이러한 확인을 기반으로 다양한 심장 관련 문제를 진단하고, 사람의 건강 상태를 예측하는데 사용될 수 있다.
한편, 인공지능 기술이 발전함에 따라, 인공지능 기술을 이용하여 심전도를 분석하는 시도들이 늘어나고 있다. 특히, 심전도를 활용해 부정맥을 진단하는 모델에 대한 연구가 많이 존재한다. 그러나, 부정맥과는 달리 심근경색을 진단하는 모델에 대한 연구는 거의 존재하지 않는다. 더구나 관상동맥이 80% 내지 90% 정도 막힌 상태의 심근경색은 사람인 의료진 조차도 심전도만으로 발견하기 어려운 것으로 알려져 있다. 따라서, 심전도를 활용하여 심근경색을 진단하는 영역에서 인공지능 기술을 적용하는 것이 요구되는 실정이다.
본 개시는 심전도를 활용하여 심근경색을 진단하는 모델을 학습시키고, 학습된 모델을 활용하여 심근경색을 진단하는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 심근경색 진단 방법이 개시된다. 상기 방법은, 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계를 포함할 수 있다.
대안적으로, 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 단계는, 상기 관상동맥 조영술을 실시한 환자의 심전도 데이터에 관상동맥의 협착(stenosis) 정도를 라벨링 하여, 학습 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 라벨링은, 상기 관상동맥의 종류에 따라 구별되어 수행될 수 있다.
대안적으로, 상기 생성된 학습 데이터를 이용하여, 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계는, 인구 통계를 나타내는 제 1 기준, 심근경색의 발병 혹은 진행 경과에 영향을 미치는 요인을 나타내는 제 2 기준, 질환 및 발병 대상의 종류를 나타내는 제 3 기준, 또는 심전도의 유형을 나타내는 제 4 기준 중 적어도 하나를 기준으로 상기 학습 데이터를 분류하여, 서브 그룹들을 생성하는 단계; 및 상기 생성된 서브 그룹 별로 상기 심근경색의 발병 혹은 진행 경과를 예측하도록 상기 딥러닝 모델을 학습시키는 단계를 포함할 수 있다.
대안적으로, 상기 생성된 학습 데이터를 이용하여, 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계는, 상기 생성된 서브 그룹들의 학습 과정에서 도출되는 검증(validation) 결과를 토대로 성능이 기준치 이하인 그룹을 선별하는 단계; 상기 선별된 그룹을 기초로, 상기 학습이 수행된 딥러닝 모델에 대해 추가 학습을 수행하는 단계를 포함할 수 있다.
대안적으로, 상기 추가 학습은, 퓨샷 학습(few shot learning) 기반으로 수행되는 것일 수 있다.
대안적으로, 상기 제 2 그룹은, 질환 발병의 위험 요소(risk factor), 과거력, 조기 발병 환자인지 여부, 또는 흉통의 유형(type of chest pain) 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 제 3 그룹은, 심근경색의 종류, 급성관상동맥증후군의 종류, 또는 관상동맥의 종류 중 적어도 하나를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 심근경색 진단 방법이 개시된다. 상기 방법은, 심전도 데이터를 획득하는 단계; 및 상기 심전도 데이터를 사전 학습된 딥러닝 모델에 입력하여, 상기 심전도 데이터를 측정한 대상의 심근경색의 발병 혹은 진행 경과를 예측하는 단계를 포함할 수 있다. 이때, 딥러닝 모델은, 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하도록 사전 학습된 것일 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도를 이용하여 심근경색을 진단하기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 동작; 및 상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도를 이용하여 심근경색을 진단하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하고, 상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시킬 수 있다.
본 개시의 방법에 따르면, 인공지능 모델을 통해 심근경색 질환의 유무 뿐만 아니라 심근경색이 어떻게 진행되고 있는지도 분석할 수 있다.
또한, 상술한 인공지능 모델에 대한 퓨삿(few shot) 학습을 통해 특정 환자 집단에서 부족한 성능을 보이는 모델의 단점을 보완할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 3은 본 개시의 추가적인 일 실시예에 따라 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 4는 본 개시의 일 실시예에 따른 딥러닝 모델의 학습 방법을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 딥러닝 모델의 추론 방법을 나타낸 순서도이다.
도 2는 본 개시의 일 실시예에 따라 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 3은 본 개시의 추가적인 일 실시예에 따라 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 4는 본 개시의 일 실시예에 따른 딥러닝 모델의 학습 방법을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 딥러닝 모델의 추론 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 심근경색 진단을 위한 딥러닝 모델의 학습 데이터를 생성할 수 있다. 프로세서(110)는 관상동맥 조영술을 실시한 환자의 심전도 데이터에 관상동맥의 협착(stenosis) 정도를 라벨링 하여, 학습 데이터를 생성할 수 있다. 이때, 관상동맥의 협착 정도는 관상동맥 조영술을 실시하여 확인된 정보로, 심전도 데이터를 획득할 때 함께 획득될 수 있다. 즉, 컴퓨팅 장치(100)는 관상동맥 조영술을 실시한 환자의 심전도 데이터를 입력으로, 해당 환자의 관상동맥의 협착 정도를 라벨로 구성하여, 학습 데이터를 생성할 수 있다.
프로세서(110)는 생성된 학습 데이터를 이용하여, 심근경색 진단을 위한 딥러닝 모델을 학습시킬 수 있다. 프로세서(110)는 딥러닝 모델이 학습 데이터를 기초로 환자의 심근경색의 발병 혹은 진행 경과를 예측하도록, 딥러닝 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 학습 데이터에 포함된 심전도 데이터를 딥러닝 모델에 입력하여 환자의 심근경색의 발병 혹은 진행 경과를 예측하기 위한 관상동맥의 협착 정도를 출력할 수 있다. 이때, 출력은 관상동맥이 협착된 정도를 표현하기 위한 수치 값으로 스코어 형태일 수 있다. 프로세서(110)는 딥러닝 모델의 출력과 라벨을 비교하여 딥러닝 모델에 포함된 신경망의 파라미터를 조정할 수 있다. 프로세서(110)는 딥러닝 모델의 출력과 라벨 간 오차가 최소 기준을 만족할 때까지 상술한 과정을 반복 수행하여 딥러닝 모델을 학습시킬 수 있다.
프로세서(110)는 학습된 딥러닝 모델을 사용하여, 심근경색의 발병 혹은 진행 경과를 예측할 수 있다. 프로세서(110)는 학습된 딥러닝 모델에 심전도 데이터를 입력하여, 심근경색의 발병 혹은 진행 경과를 예측하기 위한 관상동맥의 협착 정도를 출력할 수 있다. 이때, 딥러닝 모델에 입력되는 심전도 데이터는 관상동맥 조영술을 실시한 환자의 데이터로 한정되지 않고, 의료 환경 혹은 실생활에서 다양한 목적으로 측정된 심전도 데이터를 모두 포함할 수 있다. 프로세서(110)는 딥러닝 모델이 출력한 관상동맥의 협착 정도를 토대로 심근경색이 발병했는지 여부 혹은 심근경색이 발병했다면 어느 정도 진행되었는지를 예측할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 스마트 워치와 같은 클라이언트 혹은 의료 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따라 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다. 도 3은 본 개시의 추가적인 일 실시예에 따라 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 관상동맥 조영술을 실시한 환자의 심전도 데이터(10)에 해당 환자의 관상동맥 협착 정도를 라벨링 하여, 학습 데이터(20)를 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 관상동맥의 종류 별로 구별하여 관상동맥의 협착 정도를 라벨링 할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 오른관상동맥(RCA: right coronary artery), 왼앞내림동맥(LAD: left anterior descending artery), 휘돌이가지(LCx: Left Circumflex artery) 등과 같은 관상동맥의 의학적 분류를 기초로, 각 분류 별 협착 정도를 심전도 데이터(10)에 라벨링 할 수 있다. 이러한 라벨링을 통해 딥러닝 모델이 학습하는 과정에서 어떠한 혈관이 어느 정도 좁아졌는지를 분석할 수 있다.
컴퓨팅 장치(100)는 학습 데이터(20)를 딥러닝 모델(200)에 입력하여, 심근경색 진단을 위한 관상동맥 협착 정도를 출력하도록 딥러닝 모델(200)을 학습시킬 수 있다. 이때, 딥러닝 모델(200)은 심전도에서 P파, QRS 복합체, T파 등과 같은 심전도 파형과 관련된 특징을 추출하는 신경망 및 추출된 특징을 토대로 관상동맥 협착 정도를 표현하는 수치 값을 출력하는 신경망을 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 학습 데이터(20)에 포함된 심전도 데이터를 딥러닝 모델(200)에 입력하여 관상동맥 협착 정도를 표현하는 수치 값을 출력할 수 있다. 컴퓨팅 장치(100)는 딥러닝 모델(200)을 통해 출력된 수치 값과 학습 데이터(20)에 포함된 라벨을 입력 변수로 하는 손실 함수를 이용하여 오차를 계산할 수 있다. 컴퓨팅 장치(100)는 계산된 오차를 기초로 딥러닝 모델(200)에 포함된 신경망의 파라미터를 조정할 수 있다. 그리고, 컴퓨팅 장치(100)는 오차가 최소 기준을 만족할 때까지 신경망의 파라미터를 조정하는 과정을 반복 수행할 수 있다. 딥러닝 모델(200)의 학습은 상술한 예시와 같이 지도 학습을 기반으로 수행될 수 있으나, 딥러닝 모델(200)의 신경망 구조에 따라 자기 지도 학습을 기반으로 수행될 수도 있다.
한편, 심근경색이 있는 환자의 심전도를 딥러닝 모델(200)이 많이 학습하지 못했다면, 심근경색 있는 환자의 심전도 데이터에 대한 학습을 충분히 수행하지 못했기 때문에 출력의 정확도가 낮을 수 있다. 일반적으로, 질환을 앓고 있는 환자의 심전도 데이터는 정상적으로 건강한 상태인 사람의 심전도 데이터보다 그 숫자가 적다. 따라서, 심근경색과 같은 질환의 진단을 위한 딥러닝 모델(200)의 학습을 위한 데이터 수가 충분히 확보되지 못할 가능성이 존재한다. 따라서, 딥러닝 모델(200)의 성능 향상을 위해서, 컴퓨팅 장치(100)는 학습 과정에서 확인되는 특정 데이터 그룹에 대한 검증 평가를 토대로, 출력 정확도가 낮은 데이터 그룹에 대한 추가 학습을 수행할 수 있다.
도 3을 참조하면, 컴퓨팅 장치(100)는 심근경색의 진단을 위해 의학적으로 사용되는 요소들을 기준으로 학습 데이터(20)를 여러 가지의 서브 그룹들로 분류할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 심근경색의 진단에 영향을 미치는 다양한 기준들 각각에 매칭되는 제 1 서브 그룹(31), 제 2 서브 그룹(33), 제 3 서브 그룹(35),??, 제 N 서브 그룹(39)으로 학습 데이터(20)를 분류할 수 있다. 구체적으로, 서브 그룹들(31, 33, 35, 39) 각각에 매칭되는 분류 기준은 인구 통계를 나타내는 제 1 기준, 심근경색의 발병 혹은 진행 경과에 영향을 미치는 요인을 나타내는 제 2 기준, 질환 및 발병 대상의 종류를 나타내는 제 3 기준, 및 심전도의 유형을 나타내는 제 4 기준을 포함할 수 있다. 제 2 기준은 질환 발병의 위험 요소(risk factor), 과거력, 조기 발병 환자인지 여부, 또는 흉통의 유형(type of chest pain) 중 적어도 하나를 포함할 수 있다. 또한, 제 3 기준은 심근경색의 종류, 급성관상동맥증후군의 종류, 또는 관상동맥의 종류 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 학습 데이터(20)에 포함된 데이터를 제 1 기준 내지 제 4 기준 중 어느 하나로 분류하여, 서브 그룹들(31, 33, 35, 39)를 생성할 수 있다.
| 기준 | 대분류 | 중분류 |
| 제 1 기준 | 인구 통계(Demographics) | Age (>65 year-old or <=65 year-old) |
| Sex (male or female) | ||
| BMI | ||
| 제 2 기준 | 질환 발병의 위험 요소(Risk factor) | 고혈압 |
| 당뇨 | ||
| 고지혈증 | ||
| 흡연 | ||
| 과거력 | CAD | |
| AMI | ||
| PCI | ||
| CABG | ||
| CHF | ||
| CKD | ||
| Stroke | ||
| PAD | ||
| 조기 발병 환자인지 여부 (Early onset patients or not) |
<3hr | |
| >=3hr | ||
| 흉통의 유형(Type of chest pain) | 통상적인 흉통(Typical chest pain) | |
| 비정형 흉통(Atypical chest pain) | ||
| 비심장 흉통(Non-cardiac chest pain) | ||
| 제 3 기준 | 심근경색의 종류 | Type 1 MI |
| Type 2 MI | ||
| Type 3 MI | ||
| Type 4 MI | ||
| Type 5 MI | ||
| 급성관상동맥증후군의 종류 | STEMI | |
| NSTEMI | ||
| UA: Unstable angina | ||
| Acute coronary syndrome (STEMI+NSTEMI+UA) | ||
| 관상동맥의 종류 | LM | |
| LAD | ||
| LCX | ||
| RCA | ||
| 제 4 기준 | 심전도의 유형(ECG type) | LBBB |
| RBBB | ||
| LVH | ||
| Pacemaker rhythm | ||
| Atrial fibrillation | ||
| Atrial flutter |
각 기준의 구체적인 사항은 [표 1]과 같이 정리될 수 있다. 다만, [표 1]은 하나의 예시일 뿐이므로, 본 개시의 기준들은 [표 1]에 한정되지는 않는다.
컴퓨팅 장치(100)는 딥러닝 모델(200)이 서브 그룹 별로 심근경색의 발병 혹은 진행 경과를 예측하도록 하는 제 1 학습을 수행할 수 있다. 컴퓨팅 장치(100)는 서브 그룹 각각을 딥러닝 모델(200)에 입력하여 심근경색의 발병 혹은 진행 경과를 예측하기 위한 관상동맥의 협착 정도를 출력하도록 하는 제 1 학습을 수행할 수 있다. 이때, 제 1 학습은 상술한 도 2의 학습 과정에 대응될 수 있다.
컴퓨팅 장치(100)는 제 1 학습이 수행되는 과정에서 각 서브 그룹 별로 검증 결과를 도출할 수 있다. 그리고, 컴퓨팅 장치(100)는 검증 결과를 토대로 서브 그룹들 중에서 성능이 낮은 그룹을 선별할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 학습이 수행되는 과정에서 실시되는 검증의 결과 값을 토대로, 서브 그룹들 중에서 성능이 기준치 이하인 그룹을 선별할 수 있다. 컴퓨팅 장치(100)는 병원이나 응급실에서 사용되는 성능 지표를 토대로, 서브 그룹들 중에서 성능이 기준치 이하인 그룹을 선별할 수 있다.
컴퓨팅 장치(100)는 선별된 그룹을 기초로, 제 1 학습이 완료된 딥러닝 모델(200)에 대해 제 2 학습을 수행할 수 있다. 컴퓨팅 장치(100)는 제 1 학습이 완료된 딥러닝 모델(200)에 대해 성능이 기준치 이하인 그룹을 입력하여, 해당 그룹에 대한 성능 향상을 위한 추가 학습을 퓨샷 학습을 기반으로 수행할 수 있다. 여기서 퓨샷 학습은 소량의 데이터를 기초로 추론을 수행하도록 하는 학습 방법으로, 소량의 데이터 간 유사성을 학습하도록 하여 쿼리 데이터가 서포트 데이터의 어떤 클래스에 속하는지를 학습하도록 하는 방법으로 이해될 수 있다. 즉, 성능이 기준치 이하인 그룹은 소량의 데이터이므로, 컴퓨팅 장치(100)는 소량의 데이터인 성능이 기준치 이하인 그룹을 제 1 학습이 완료된 딥러닝 모델(200)에 입력하여 관상동맥의 협착 정도를 예측하도록 하는 퓨샷 학습 기반의 제 2 학습을 수행할 수 있다. 컴퓨팅 장치(100)는 이러한 제 2 학습을 통해 특정 조건 혹은 진단 요소에서 부족한 성능을 보이는 딥러닝 모델(200)의 성능을 보완할 수 있다.
도 4는 본 개시의 일 실시예에 따른 딥러닝 모델의 학습 방법을 나타낸 순서도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성할 수 있다(S110). 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 환자의 심전도 데이터를 관리하는 의료 환경 내 데이터베이스와 통신을 통해 관상동맥 조영술을 실시한 환자의 심전도 데이터를 획득할 수 있다. 컴퓨팅 장치(100)가 의료 환경 내에 심전도 데이터를 관리하는 서버인 경우, 관상동맥 조영술을 실시한 환자의 심전도 신호의 측정이 완료되면, 컴퓨팅 장치(100)는 해당 환자의 심전도 데이터를 생성하여 관리할 수 있다. 컴퓨팅 장치(100)는 관상동맥 조영술을 실시한 환자의 심전도 데이터에 해당 환자의 관상동맥의 협착 정도를 라벨링 하여, 학습 데이터를 생성할 수 있다. 그리고, 관상동맥의 협착 정도를 라벨링 할 때, 컴퓨팅 장치(100)는 관상동맥의 종류를 구별하여 라벨링을 수행할 수 있다.
컴퓨팅 장치(100)는 S110 단계를 통해 생성된 학습 데이터를 이용하여, 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시킬 수 있다(S120). 컴퓨팅 장치(100)는 딥러닝 모델의 구조에 맞추어 지도 학습, 자기 지도 학습 등을 기반으로 하는 제 1 학습을 통해 딥러닝 모델을 학습시킬 수 있다. 그리고, 컴퓨팅 장치(100)는 딥러닝 모델의 예측 정확도가 낮은 데이터 세트를 판단하여, 퓨샷 학습 기반의 제 2 학습을 통해 딥러닝 모델을 추가 학습시킬 수 있다. 이러한 학습을 위해, 컴퓨팅 장치(100)는 학습 데이터를 심근경색 진단과 관련된 요소들을 기초로 다양하게 분류하여 사용할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 학습 데이터의 분류를 통해 생성된 서브 그룹들을 딥러닝 모델에 각각 입력하여 제 1 학습을 수행할 수 있다. 컴퓨팅 장치(100)는 제 1 학습을 통해 확인된 서브 그룹 별 검증 결과를 토대로, 학습 성능이 낮은 그룹을 선별할 수 있다. 그리고, 컴퓨팅 장치(100)는 선별된 그룹을 기초로 딥러닝 모델에 대한 제 2 학습을 수행할 수 있다.
도 5는 본 개시의 일 실시예에 따른 딥러닝 모델의 추론 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터를 획득할 수 있다(S210). 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 환자의 심전도 데이터를 측정하는 의료 환경 내 장비 또는 심전도 데이터의 측정이 가능한 웨어러블 디바이스 등과 통신을 통해 심전도 판독을 원하는 사람의 심전도 데이터를 획득할 수 있다. 컴퓨팅 장치(100)가 환자의 심전도 데이터를 측정하는 의료 환경 내 장비 또는 심전도 데이터의 측정이 가능한 웨어러블 디바이스인 경우, 컴퓨팅 장치(100)는 심전도 신호를 측정하여 심전도 데이터를 생성할 수 있다.
컴퓨팅 장치(100)는 심전도 데이터를 사전 학습된 딥러닝 모델에 입력하여, 심전도 데이터를 측정한 대상의 심근경색의 발병 혹은 진행 경과를 예측할 수 있다(S220). 컴퓨팅 장치(100)는 심전도 데이터를 사전 학습된 딥러닝 모델에 입력하여, 관상동맥의 협착 정도를 나타내는 출력 값을 생성할 수 있다. 컴퓨팅 장치(100)는 딥러닝 모델을 통해 출력된 관상동맥의 협착 정도를 임상적 근거를 토대로 분석하여, 심근경색의 발병 혹은 진행 경과를 도출할 수 있다. 컴퓨팅 장치(100)는 도출된 심근경색의 발병 혹은 진행 경과에 대한 정보를 포함하는 리포트를 생성할 수 있다. 이때, 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 심전도 판독 결과를 확인할 수 있는 클라이언트와 통신을 통해 리포트를 공유할 수 있다. 컴퓨팅 장치(100)가 사용자 인터페이스를 제공하는 입출력부를 구비한 경우, 컴퓨팅 장치(100)는 입출력부를 통해 리포트를 출력할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (11)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 심근경색 진단 방법으로서,
관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 단계; 및
상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 단계는,
상기 관상동맥 조영술을 실시한 환자의 심전도 데이터에 관상동맥의 협착(stenosis) 정도를 라벨링 하여, 학습 데이터를 생성하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 라벨링은,
상기 관상동맥의 종류에 따라 구별되어 수행되는 것인,
방법.
- 제 3 항에 있어서,
상기 생성된 학습 데이터를 이용하여, 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계는,
인구 통계를 나타내는 제 1 기준, 심근경색의 발병 혹은 진행 경과에 영향을 미치는 요인을 나타내는 제 2 기준, 질환 및 발병 대상의 종류를 나타내는 제 3 기준, 또는 심전도의 유형을 나타내는 제 4 기준 중 적어도 하나를 기준으로 상기 학습 데이터를 분류하여, 서브 그룹들을 생성하는 단계; 및
상기 생성된 서브 그룹 별로 상기 심근경색의 발병 혹은 진행 경과를 예측하도록 상기 딥러닝 모델을 학습시키는 단계;
를 포함하는,
방법.
- 제 3 항에 있어서,
상기 생성된 학습 데이터를 이용하여, 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 단계는,
상기 생성된 서브 그룹들의 학습 과정에서 도출되는 검증(validation) 결과를 토대로 성능이 기준치 이하인 그룹을 선별하는 단계;
상기 선별된 그룹을 기초로, 상기 학습이 수행된 딥러닝 모델에 대해 추가 학습을 수행하는 단계;
를 포함하는,
방법.
- 제 5 항에 있어서,
상기 추가 학습은,
퓨샷 학습(few shot learning)을 기반으로 수행되는 것인,
방법.
- 제 1 항에 있어서,
상기 제 2 기준은,
질환 발병의 위험 요소(risk factor), 과거력, 조기 발병 환자인지 여부, 또는 흉통의 유형(type of chest pain) 중 적어도 하나를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 3 기준은,
심근경색의 종류, 급성관상동맥증후군의 종류, 또는 관상동맥의 종류 중 적어도 하나를 포함하는,
방법.
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 심근경색 진단 방법으로서,
심전도 데이터를 획득하는 단계; 및
상기 심전도 데이터를 사전 학습된 딥러닝 모델에 입력하여, 상기 심전도 데이터를 측정한 대상의 심근경색의 발병 혹은 진행 경과를 예측하는 단계;
를 포함하고,
상기 딥러닝 모델은,
관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하도록 사전 학습된 것인,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 이용하여 심근경색을 진단하기 위한 동작들을 수행하도록 하며,
상기 동작들은,
관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하는 동작; 및
상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는 동작;
을 포함하는,
컴퓨터 프로그램.
- 심전도를 이용하여 심근경색을 진단하기 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor);
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
심전도 데이터를 획득하기 위한 네트워크부(network unit);
를 포함하고,
상기 프로세서는,
관상동맥 조영술을 실시한 환자의 심전도 데이터를 기초로, 학습 데이터를 생성하고,
상기 생성된 학습 데이터를 이용하여, 상기 환자의 심근경색의 발병 혹은 진행 경과를 예측하는 딥러닝 모델을 학습시키는,
장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2023/010577 WO2024019584A1 (ko) | 2022-07-22 | 2023-07-21 | 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220090768 | 2022-07-22 | ||
| KR1020220090768 | 2022-07-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240013676A true KR20240013676A (ko) | 2024-01-30 |
Family
ID=89714974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230093192A KR20240013676A (ko) | 2022-07-22 | 2023-07-18 | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240013676A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100748184B1 (ko) | 2005-05-11 | 2007-08-10 | 인하대학교 산학협력단 | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 |
-
2023
- 2023-07-18 KR KR1020230093192A patent/KR20240013676A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100748184B1 (ko) | 2005-05-11 | 2007-08-10 | 인하대학교 산학협력단 | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
| KR102141617B1 (ko) | 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
| Jahmunah et al. | Uncertainty quantification in DenseNet model using myocardial infarction ECG signals | |
| US20210353203A1 (en) | Diagnostics for detection of ischemic heart disease | |
| US20220047201A1 (en) | Neural networks for atrial fibrillation screening | |
| US20230420132A1 (en) | Noninvasive heart failure detection | |
| US20210361217A1 (en) | Ecg-based age and sex estimation | |
| Archana et al. | Automated cardioailment identification and prevention by hybrid machine learning models | |
| KR20240009884A (ko) | 심전도에 기반하여 응급 환자의 이송 서비스 및 입원환자의 모니터링을 제공하는 방법, 프로그램 및 장치 | |
| KR102560516B1 (ko) | 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
| WO2024019584A1 (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치 | |
| Garcia-Rios et al. | Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2 | |
| EP4385413A1 (en) | Method, computer program, and device for continuously measuring body condition on basis of deep learning | |
| KR20240013675A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| EP4406473A1 (en) | Method, program, and device for diagnosing thyroid dysfunction on basis of electrocardiogram | |
| KR20240139020A (ko) | 인공 지능 모델에 기반하여 잠재적 심방 세동을 식별하는 방법, 프로그램 및 장치 | |
| WO2024019575A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| US20230389850A1 (en) | Noninvasive infarct size determination | |
| WO2024210483A1 (ko) | 인공지능 기반 질환 예측 방법, 프로그램 및 장치 | |
| KR20230044127A (ko) | 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치 | |
| US20240277301A1 (en) | System and a method for electrocardiographic prediction of computed tomography-based high coronary calcium score (cac) | |
| US20240304330A1 (en) | System and method for training artificial intelligence models using sub-group training datasets of a majortiy class of samples | |
| KR20240013674A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| KR20240148283A (ko) | 인공지능 기반 질환 예측 방법, 프로그램 및 장치 |