KR20240015930A - 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 - Google Patents
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 Download PDFInfo
- Publication number
- KR20240015930A KR20240015930A KR1020220093808A KR20220093808A KR20240015930A KR 20240015930 A KR20240015930 A KR 20240015930A KR 1020220093808 A KR1020220093808 A KR 1020220093808A KR 20220093808 A KR20220093808 A KR 20220093808A KR 20240015930 A KR20240015930 A KR 20240015930A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- tissue
- tests
- test
- optimal
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 140
- 239000000090 biomarker Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 169
- 239000012188 paraffin wax Substances 0.000 claims abstract description 89
- 108020004707 nucleic acids Proteins 0.000 claims abstract description 41
- 150000007523 nucleic acids Chemical class 0.000 claims abstract description 41
- 102000039446 nucleic acids Human genes 0.000 claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 claims description 35
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 206010028980 Neoplasm Diseases 0.000 claims description 13
- 201000011510 cancer Diseases 0.000 claims description 13
- 108010074708 B7-H1 Antigen Proteins 0.000 claims description 12
- 102000008096 B7-H1 Antigen Human genes 0.000 claims description 12
- 102000001301 EGF receptor Human genes 0.000 claims description 11
- 108060006698 EGF receptor Proteins 0.000 claims description 11
- 230000003412 degenerative effect Effects 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 101000686031 Homo sapiens Proto-oncogene tyrosine-protein kinase ROS Proteins 0.000 claims description 5
- 102100023347 Proto-oncogene tyrosine-protein kinase ROS Human genes 0.000 claims description 5
- 108010077182 raf Kinases Proteins 0.000 claims description 5
- 102000009929 raf Kinases Human genes 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 9
- 101000984753 Homo sapiens Serine/threonine-protein kinase B-raf Proteins 0.000 description 8
- 102100027103 Serine/threonine-protein kinase B-raf Human genes 0.000 description 8
- 230000007170 pathology Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010998 test method Methods 0.000 description 5
- 238000011179 visual inspection Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 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
- 230000014509 gene expression Effects 0.000 description 2
- 230000001537 neural effect Effects 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
- 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
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000386 microscopy Methods 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
- 230000008520 organization Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
-
- 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
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioethics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Library & Information Science (AREA)
- Physiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
다중 정보 분석을 기반으로 최적의 바이오 마커 분석법을 제안하는 방법 및 장치가 개시된다. 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법은, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계, 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하는 단계, 복수의 검사들 각각에 필요한 핵산 양을 계산하는 단계, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하는 단계 및 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 단계를 포함할 수 있다.
Description
본 개시는 디지털 이미지 분석 방법 장치 및 그 방법에 관한 것이다. 보다 상세하게는, 본 개시는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 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 선행기술 1로써, KR 특허등록번호 11-348239에서는 "병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템“이 공개되어 있다.
병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템으로서, 병리검사를 위한 검체를 등록하는 접수 단말; 검사자가 육안 검사를 수행하는 동안 상기 검체에 대한 영상정보, 음성정보 및 문자정보를 생성하고 이들 정보를 화면에 표시하는 육안 검사 단말(상기 음성정보와 문자정보는 전자문서화되어 소견정보를 구성한다); 검사자가 현미경 검사를 수행하는 동안 상기 검체의 영상정보 및 문자정보를 생성하는 현미경 검사 단말(상기 문자정보는 전자문서화되어 소견정보를 구성한다); 상기 육안 검사 단말 또는 상기 현미경 검사 단말로부터 생성된 영상정보 및 소견정보를 하나의 화면에 표시하 고, 병리검사에서 수행된 복수의 검사 프로세스를 단계별로 구분하여 리스트로 화면에 표시하는 판독 단말; 및 상기 접수 단말, 상기 육안 검사 단말 및 상기 현미경 검사 단말로부터 생성된 영상정보 및 소견정보, 그리고 환자의 임상정보를 처리하는 관리 서버를 포함한다.
환자의 조직으로부터 비교적 정확한 검사를 시행하는 것은 환자의 질병을 진단하고 치료 방법을 결정하는 데에 있어서 중요한 근거가 된다. 따라서, 다양한 정보를 분석하여 파라핀 포매 조직의 상태를 예측하고 환자에게 최적의 검사를 제안할 수 있는 방법에 대한 연구가 필요하다.
본 개시에 개시된 실시 예는 파라핀 포매 조직에 대하여, 바이오마커와 다중 분석을 통해 환자별 적합한 치료를 우선순위에 따라 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 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법은, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계, 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하는 단계, 복수의 검사들 각각에 필요한 핵산 양을 계산하는 단계, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하는 단계 및 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 단계를 포함할 수 있다.
또한, 상기 복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부일 수 있다.
상기 디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함할 수 있다.
상기 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함하고, 상기 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함할 수 있다.
또한, 상기 컴퓨터는, 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 분석 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습하고, 상기 인공지능 모델은 상기 조직에 대해 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습되는 것을 특징으로 할 수 있다. 상기 인공지능 모델의 상기 학습을 통해 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축될 수 있다.
상기 인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준 중 적어도 하나를 포함하고, 상기 인공 지능 모델의 출력 정보는 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값 중 적어도 하나를 포함할 수 있다.
본 개시에 일 측면에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치는 데이터베이스, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 통신부 및 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하고, 복수의 검사들 각각에 필요한 핵산 양을 계산하고, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 가부를 판단하고, 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하도록 구성되는 프로세서를 포함할 수 있다.
또한, 본 개시의 다른 측면에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법은, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계, 상기 디지털 이미지 정보에 기초하여, 상기 조직의 고정 상태, 암세포 수, 상기 조직의 크기 및 상기 조직의 변성 상태 중 적어도 하나를 예측하는 단계, 상기 예측된 결과 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양의 최대 값 및 상기 파라핀 절편의 두께의 최적 값을 출력하는 단계, 상기 출력 결과 및 복수의 검사들의 종류에 기초하여, 상기 복수의 검사들 각각의 성공 여부를 판단하고, 상기 복수의 검사들의 우선순위를 결정하는 단계를 포함하고, 상기 단계들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는 것을 특징으로 할 수 있다.
또한, 상기 딥러닝 뉴럴 네트워크 모델은 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 분석 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 파라핀 절편의 두께를 이용하여 인공지능 모델을 학습하는 것을 특징으로 할 수 있다.
본 개시의 다른 측면에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치는, 데이터베이스, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 통신부 및 상기 디지털 이미지 정보에 기초하여, 상기 조직의 고정 상태, 암세포 수, 상기 조직의 크기 및 상기 조직의 변성 상태 중 적어도 하나를 예측하고, 상기 예측된 결과 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양의 최대 값 및 상기 파라핀 절편의 두께의 최적 값을 출력하고, 상기 출력 결과 및 복수의 검사들의 종류에 기초하여, 상기 복수의 검사들 각각의 성공 여부를 판단하고, 상기 복수의 검사들의 우선순위를 결정하도록 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, 파라핀으로 포매한 조직의 상태를 바이오 마커와 다중 정보(디지털 이미지 정보, 보관과 관련된 정보)를 이용하여 최적의 검사를 시행할 수 있도록 가이드라인을 제공하고, 환자 맞춤형 검사 방법을 우선순위로 제공함에 따라 검사 성공률을 향상시키는 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 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
도 5는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
도 2는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
도 5는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 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 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 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 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 1을 참고하면, 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 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, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)는 서버로 구성되어 유선 또는 무선 통신을 통해서 슬라이드의 디지털 이미지(10)를 수신할 수 있고, 이 때 통신부(104)는 유선 통신 모듈(미도시) 또는 무선 통신 모듈(미도시)을 보유한 통신부로 구성될 수 있다. 다른 예로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)의 외부에 존재하는 외부 기기(미도시)가 추가로 포함될 수 있고, 외부기기(미도시)는 슬라이드의 디지털 이미지(10)를 수신하여, 디지털 이미지(10) 정보를 디지털 이미(10)로부터 생성 및 가공하여 장치(100)로 송신할 수 있다.
프로세서(102)는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100) 내의 모든 구성들을 총괄적으로 제어할 수 있으며, 데이터 베이스(106), 메모리에 저장된 명령어, 알고리즘을 실행하여 본 개시의 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법을 프로세스에 따라 수행할 수 있다.
예시적으로, 프로세서(102)는 파라핀으로 포매(embedding)한 조직의 디지털 이미지(10) 정보를 통신부(104)로부터 전달받을 수 있다. 환자의 검체가 수집된 슬라이드로부터 디지털 이미지(10)가 획득될 수 있다. 파라핀 블록 또는 파라핀 절편은 수술이나 생체 검사를 통해 획득될 수 있다. 디지털 이미지(10)는 제1 디지털 이미지(10_1) 내지 제N 디지털 이미지(10_N)를 포함할 수 있으며, 장치(100)는 N개의 디지털 이미지(10)의 정보를 입력(input)으로 하여 후술하는 인공학습 모델을 통해 학습시킬 수 있다.
디지털 이미지 정보는 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 디지털 이미지의 퀄리티 평가에 대한 정보를 포함할 수 있다.
예시적으로, 프로세서(102)는 파라핀으로 포매(embedding)한 조직의 보관 정보를 통신부(104)로부터 전달받을 수 있다.
조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보를 포함할 수 있다. 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함할 수 있다.
일 예로, 프로세서(102)는 디지털 이미지 정보 및 보관 정보에 기초하여, 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하고, 복수의 검사들 각각에 필요한 핵산 양을 계산하며, 계산된 파라핀 절편 양 및 핵산 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하고, 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택할 수 있다.
복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부일 수 있다. 일 예로, 제1 조직에 대한 제1 디지털 이미지(10_1)에 대해 복수의 검사들 중 EGRF, BRAF, ALK 검사가 셋팅되도록 장치(100)에 미리 저장될 수도 있고, EGRF, BRAF, ALK 검사 방법들이 제1 디지털 이미지(10_1)와 함께 동시에 입력될 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. 디지털 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, 해당 조직에 대한 다양한 정보들을 이용하여 가능한 파라핀 절편의 수, 적정한 핵산의 양, 검사의 적절성을 예측함으로써, 해당 환자에게 필요한 검사 방법을 성공 확률이 높은 우선순위에 따라 진행할 수 있도록 하는 최적의 바이오 마커 분석법을 제안할 수 있다.
특히, 본 개시에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 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 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다. 도 2는 도 1을 참조하여 설명할 것이다.
도 1 및 도 2를 참조하면, 도 2에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 도 1에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)가 적용될 수 있다.
예시적으로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)(또는 도 1의 통신부(104))는 파라핀으로 포매(embedding)한 조직의 디지털 이미지(20)를 입력받을 수 있다. 인체로부터 획득된 조직을 포함하는 파라핀 절편에 대한 디지털 이미지(10)가 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)에 입력되면, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지(20)를 이용하여 디지털 이미지 정보를 획득할 수 있다. 다른 예로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지 정보를 외부 기기로부터 수신할 수 있다.
또한, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지(20) 각각에 대한 파라핀 포매 조직의 보관 정보를 외부 기기로부터 수신할 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지 정보 및 보관 정보에 기초하여, 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산할 수 있다. 또한, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 복수의 검사들 각각에 필요한 핵산 양을 계산할 수 있다.
예시적으로, 파라핀 절편 A의 EGRF 검사 시 필요한 예상 핵산 양은 X 나노그램(ng)이고, 파라핀 절편 A로부터 추출할 수 있는 예상 파라핀 절편 수는 Y개일 수 있다.
계산된 파라핀 절편 양 및 핵산 양에 기초하여, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단할 수 있다.
예시적으로, 파라핀 절편 A의 EGRF 검사 시 필요한 예상 핵산 양은 X 나노그램(ng)이고, 파라핀 절편 A로부터 추출할 수 있는 예상 파라핀 절편 수는 Y개인 것에 기초하여, 복수의 검사들 중 EGRF 검사는 “실패”로 판단될 수 있다. 일 예로, EGRF 검사를 하기 위해 X ng의 핵산이 필요하나, Y개의 파라핀 절편으로는 부족하다고 판단될 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 복수의 검사들 각각에 대해 성공 여부를 판단하고 그 결과에 기초하여, 복수의 검사들 중 최적의 검사를 선택할 수 있다. 일 예로, EGRF 검사, BRAF 검사, PD-L1 검사 중 EGRF 검사는 실패, BRAF 검사는 성공, PD-L1 검사는 성공으로 판단될 수 있고, 최적의 검사로 BRAF 검사가 선택될 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)(또는 도 1의 통신부(104))는 예상 핵산 양, 예상 파라핀 절편 수, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단 결과, 선택된 최적의 검사 결과를 디스플레이(202)로 출력할 수 있다.
예시적으로, 디스플레이(202)는 “예상 핵산 X ng, 예상 파라핀 절편 수 Y”를 표시하고, “검사는 '실패'이고, 최적의 검사는 BRAF입니다.”를 표시할 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, 다중 정보 분석 기반 최적의 바이오 마커 분석법 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 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 3을 참고하면, 도 3에 도시된 인공지능 모델을 포함하는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(300)는 도 1에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100) 및/또는 도 2에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 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 입력 데이터 1(Data_I1)과 입력 데이터 2(Data_I2)로부터, 예측하고자 하는 결과(output)에 해당하는 출력 데이터 1(Data_O1)을 출력함으로써, 환자가 필요한 검사를 최대한 가능하게 하는 파라핀 절편의 수 및 파라핀 절편의 두께를 추론할 수 있다.
예시적으로, 입력 데이터 1(Data_I1)은 파라핀 포매 조직의 보관 정보, 파라핀 절편의 두께, 디지털 이미지의 퀄리티 평가에 대한 정보를 포함할 수 있다. 입력 데이터 2(Data_I2)는 복수의 검사들에 어떠한 검사들이 포함되는지, 즉 복수의 검사들에 대한 정보, NGS 검사의 경우 작은 패널을 사용하는지 큰 패널을 사용하는지에 대한 정보, 복수의 검사들의 우선순위를 결정하는 기준에 대한 정보를 포함할 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.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(300)는 파라핀으로 포매한 조직의 디지털 이미지(30)를 입력받을 수 있다. 디지털 이미지(30)는 제1 디지털 이미지(미도시) 내지 제N 디지털 이미지(미도시)를 포함할 수 있다. 장치(300)는 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 분석 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습시킬 수 있다.
장치(300)는 디지털 이미지(30)에 기초하여, 디지털 이미지 정보, 예를 들어, 조직의 고정 상태, 암세포 수, 조직의 크기 및 상기 조직의 변성 상태를 예측할 수 있다. 또한, 장치(300)는 예측된 결과 및 파라핀 포매 조직의 보관 정보에 기초하여, 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값(Data_O1)을 출력할 수 있다.
장치(300)는 출력 결과 및 복수의 검사들의 종류에 기초하여, 복수의 검사들 각각의 성공 여부를 판단하고, 상기 복수의 검사들의 우선순위를 결정할 수 있다.
장치(300)는 특정 기관의 니즈(needs)에 맞춰, 각각의 검체에 대한 검사법마다 최적화된 파라핀 포매를 제안할 수 있다. 예를 들어, 장치(300)는 NCCN(National Comprehensive Cancer Network)의 가이드라인에 기초하여 복수의 파라핀 절편들 각각에 대하여, 복수의 검사들 각각에 최적화된 파라핀 절편을 추천할 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(300)는 일정한 시간 주기마다 누적된 학습 데이터(일 예로, 파라핀 절편 양, 핵산 양)를 학습 데이터셋으로 생성하고, 학습 데이터 셋을 이용하여 인공지능 모델을 학습시킬 수 있다. 예시적으로, 장치(300)는 파라핀 절편 A에 대한 예산 핵산 양(ex. X ng)과 파라핀 절편의 수(Y)를학습 데이터셋 중 하나로 사용할 수 있다.
학습된 인공지능 모델은 복수의 검사들 중 적어도 하나의 검사가 가능한 파라핀 절편의 양을 계산할 수 있다. 일 예로, EGFR 검사에 필요한 적정 핵산 양이 Xng로 예측된 경우, 장치(300)는 인공지능 모델을 이용하여 EGFR 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 Y개로 계산할 수 있다.
또한, 학습된 인공지능 모델을 통해, 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축될 수 있다.
예시적으로, 장치(300)는 파라핀으로 포매된 조직에 대하여, 최적의 파라핀 절편의 수는 A개이고, 최적의 파라핀 절편의 두께는 B μm인 것을 디스플레이(302)를 이용하여 출력할 수 있다. 다른 예로, 장치(300)는 예상 핵산 양, 예상 파라핀 절편 수, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단 결과, 선택된 최적의 검사 결과를 디스플레이(302)로 출력할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
도 4에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 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 4를 참조하면, 장치(300)는 파라핀 포매한 조직의 디지털 이미지 정보 및 보관 정보를 수신할 수 있다(S401).
디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함할 수 있고, 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함할 수 있다. 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함할 수 있다.
장치(300)는 디지털 이미지 정보 및 보관 정보에 기초하여, 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산할 수 있다(S402).
장치(300)는 복수의 검사들 각각에 필요한 핵산 양을 계산할 수 있다(S403).
복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함할 수 있다.
장치(300)는 계산된 파라핀 절편 양 및 핵산 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단할 수 있다(S404).
장치(300)는 복수의 검사들 각각의 판단 결과에 기초하여, 조직에 대해 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.
장치(300)는 복수의 디지털 이미지들 각각에 대한 디지털 이미지 정보 및 보관 정보에 기초하여 구축된, 파라핀 절편 양 및 핵산 양을 이용하여 장치(300)에 포함된 인공지능 모델을 학습할 수 있다. 인공지능 모델은 조직에 대해 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습될 수 있다. 인공지능 모델의 학습을 통해, 조직의 크기, 조직의 포르말린 고정 상태, 암세포 수, 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축될 수 있다.
인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준에 대한 정보를 포함할 수 있다.
인공 지능 모델의 출력 정보는, 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값을 포함할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다. 이하에서, 도 4와 중복되는 내용은 생략한다.
도 5에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법(500)은 도 1에 도시된 장치(100), 도2에 도시된 장치(200) 또는 도 3에 도시된 장치(300)에 의해 수행될 수 있다. 이하에서, 도 3에 도시된 장치(300)를 참조하여 설명할 것이다.
도 5를 참조하면, 장치(300)는 파라핀 포매한 조직의 디지털 이미지 정보 및 보관 정보를 수신할 수 있다(S501).
장치(300)는 디지털 이미지 정보에 기초하여, 조직의 고정 상태, 암세포 수, 조직의 크기 및 조직의 변성 상태 중 적어도 하나를 예측할 수 있다(S502).
장치(300)는 예측된 결과 및 보관 정보에 기초하여, 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 파라핀 절편의 두께의 최적 값을 출력할 수 있다(S503).
장치(300)는 출력 결과 및 복수의 검사들의 종류에 기초하여, 복수의 검사들 각각의 성공 여부를 판단하고(S504), 복수의 검사들의 우선순위를 결정할 수 있다(S505).
S501 내지 S506은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행될 수 있다. 딥러닝 뉴럴 네트워크 모델은 복수의 디지털 이미지들 각각에 대한 디지털 이미지 정보 및 보관 정보에 기초하여 구축된, 파라핀 절편 양 및 파라핀 절편의 두께를 이용하여 학습될 수 있다.
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 (22)
- 컴퓨터에 의해 수행되는 방법으로,
파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계;
상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하는 단계;
복수의 검사들 각각에 필요한 핵산 양을 계산하는 단계;
계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하는 단계; 및
상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 단계;를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 1에 있어서,
상기 복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부인,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 2에 있어서,
상기 디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 3에 있어서,
상기 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함하고,
상기 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 4에 있어서,
상기 컴퓨터는,
복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습하고,
상기 인공지능 모델은, 상기 조직에 대해 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습되는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 5에 있어서,
상기 인공지능 모델의 상기 학습을 통해, 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축되는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 6에 있어서,
상기 인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준 중 적어도 하나를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 7에 있어서,
상기 인공 지능 모델의 출력 정보는 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값 중 적어도 하나를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 데이터베이스;
파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 통신부; 및
상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하고, 복수의 검사들 각각에 필요한 핵산 양을 계산하고, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 가부를 판단하고, 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하도록 구성되는 프로세서;를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 9에 있어서,
상기 복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부인,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 10에 있어서,
상기 디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 조직의 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 11에 있어서,
상기 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함하고,
상기 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 12에 있어서,
상기 프로세서는,
복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습하도록 구성되고,
상기 인공지능 모델은, 상기 조직에 대해 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습되는
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 13에 있어서,
상기 인공지능 모델의 상기 학습을 통해, 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축되는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 14에 있어서,
상기 인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준 중 적어도 하나를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 15에 있어서,
상기 인공 지능 모델의 출력 정보는 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값 중 적어도 하나를 포함하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 컴퓨터에 의해 수행되는 방법으로,
파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계;
상기 디지털 이미지 정보에 기초하여, 상기 조직의 고정 상태, 암세포 수, 상기 조직의 크기 및 상기 조직의 변성 상태 중 적어도 하나를 예측하는 단계;
상기 예측된 결과 및 상기 보관 정보에 기초하여, 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값을 출력하는 단계;
상기 출력 결과 및 복수의 검사들의 종류에 기초하여, 상기 복수의 검사들 각각의 성공 여부를 판단하고, 상기 복수의 검사들의 우선순위를 결정하는 단계;를 포함하고,
상기 단계들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 17에 있어서,
상기 딥러닝 뉴럴 네트워크 모델은, 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 파라핀 절편의 두께를 이용하여 인공지능 모델을 학습하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법. - 청구항 18에 있어서,
데이터베이스;
파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 통신부; 및
상기 디지털 이미지 정보에 기초하여, 상기 조직의 고정 상태, 암세포 수, 상기 조직의 크기 및 상기 조직의 변성 상태 중 적어도 하나를 예측하고, 상기 예측된 결과 및 상기 보관 정보에 기초하여, 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값을 출력하고, 상기 출력 결과 및 복수의 검사들의 종류에 기초하여, 상기 복수의 검사들 각각의 성공 여부를 판단하고, 상기 복수의 검사들의 우선순위를 결정하도록 구성되는 프로세서;를 포함하고,
상기 단계들은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행되는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 청구항 19에 있어서,
상기 딥러닝 뉴럴 네트워크 모델은, 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 파라핀 절편의 두께를 이용하여 인공지능 모델을 학습하는,
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치. - 컴퓨터와 결합되어, 제1항 내지 제8항 중 어느 한 항의 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
- 컴퓨터와 결합되어, 제17항 및 제18항 중 어느 한 항의 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220093808A KR20240015930A (ko) | 2022-07-28 | 2022-07-28 | 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 |
PCT/KR2023/007905 WO2024025136A1 (ko) | 2022-07-28 | 2023-06-09 | 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220093808A KR20240015930A (ko) | 2022-07-28 | 2022-07-28 | 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240015930A true KR20240015930A (ko) | 2024-02-06 |
Family
ID=89706690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220093808A KR20240015930A (ko) | 2022-07-28 | 2022-07-28 | 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20240015930A (ko) |
WO (1) | WO2024025136A1 (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190088663A (ko) | 2018-01-19 | 2019-07-29 | 서울대학교병원 | 병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템 |
Family Cites Families (3)
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 |
KR102342771B1 (ko) * | 2019-08-07 | 2021-12-23 | 서울대학교산학협력단 | 다중 표지자 면역화학 염색 및/또는 제자리 부합법을 수행하여 개체의 단백질, 유전자 또는 이들의 조합의 발현 수준에 대한 정보를 제공하는 방법 |
EP4271838A1 (en) * | 2020-12-31 | 2023-11-08 | Tempus Labs, Inc. | Predicting total nucleic acid yield and dissection boundaries for histology slides |
-
2022
- 2022-07-28 KR KR1020220093808A patent/KR20240015930A/ko unknown
-
2023
- 2023-06-09 WO PCT/KR2023/007905 patent/WO2024025136A1/ko unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190088663A (ko) | 2018-01-19 | 2019-07-29 | 서울대학교병원 | 병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
WO2024025136A1 (ko) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10748040B2 (en) | System and method for automatic assessment of cancer | |
JP7193818B2 (ja) | デジタル病理学のためのスライドの画像を処理し、スライドの処理された画像を自動的に優先順位付けするためのシステムおよび方法 | |
Stidham et al. | Artificial intelligence for disease assessment in inflammatory bowel disease: how will it change our practice? | |
JP2022553446A (ja) | 一般化疾患検出のために電子画像を処理するためのシステムおよび方法 | |
WO2022120163A1 (en) | Automated screening for diabetic retinopathy severity using color fundus image data | |
Cohen‐Mekelburg et al. | Clinical applications of artificial intelligence and machine learning‐based methods in inflammatory bowel disease | |
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 | |
Kushniruk et al. | User-centered design and evaluation of clinical information systems: A usability engineering perspective | |
Joshi et al. | Machine learning in spine surgery: Predictive analytics, imaging applications and next steps | |
KR20240015930A (ko) | 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 | |
Young et al. | AI in Dermatology | |
Ji et al. | Considerations for data acquisition and modeling strategies: Mitosis detection in computational pathology | |
KR20240012193A (ko) | 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법 | |
Brunyé et al. | Machine learning classification of diagnostic accuracy in pathologists interpreting breast biopsies | |
Yang et al. | Generalizability of a machine learning model for improving utilization of parathyroid hormone-related peptide testing across multiple clinical centers | |
Shetty et al. | Alzheimer’s Diseases Detection by using Convolution Neural Network | |
Corliss et al. | CIRCOAST: a statistical hypothesis test for cellular colocalization with network structures | |
Taspinar | Diabetic Rethinopathy phase identification with deep features | |
Christen | Moving beyond the genome with computer modeling | |
Hannan | Advancing Parkinson's Disease Severity Prediction using Multimodal Convolutional Recursive Deep Belief Networks. | |
US20230154595A1 (en) | Predicting geographic atrophy growth rate from fundus autofluorescence images using deep neural networks | |
EP3855452A1 (en) | Tumor classification | |
US12014502B2 (en) | Method and device for evaluating quality of pathological slide image | |
US20230386028A1 (en) | Method and device for evaluating quality of pathological slide image |