KR20240048377A - 상행성 흉부 대동맥류 추정 방법 및 장치 - Google Patents
상행성 흉부 대동맥류 추정 방법 및 장치 Download PDFInfo
- Publication number
- KR20240048377A KR20240048377A KR1020220128088A KR20220128088A KR20240048377A KR 20240048377 A KR20240048377 A KR 20240048377A KR 1020220128088 A KR1020220128088 A KR 1020220128088A KR 20220128088 A KR20220128088 A KR 20220128088A KR 20240048377 A KR20240048377 A KR 20240048377A
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- medical information
- learning models
- ascending
- aortic aneurysm
- Prior art date
Links
- 230000001174 ascending effect Effects 0.000 title claims abstract description 50
- 201000008982 Thoracic Aortic Aneurysm Diseases 0.000 title claims abstract description 49
- 208000007474 aortic aneurysm Diseases 0.000 title claims abstract description 49
- 208000003457 familial thoracic 1 aortic aneurysm Diseases 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 67
- 210000000709 aorta Anatomy 0.000 claims abstract description 27
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 18
- 208000032928 Dyslipidaemia Diseases 0.000 claims description 15
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 15
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 15
- 208000017170 Lipid metabolism disease Diseases 0.000 claims description 15
- 230000035487 diastolic blood pressure Effects 0.000 claims description 15
- 230000035488 systolic blood pressure Effects 0.000 claims description 15
- 206010020772 Hypertension Diseases 0.000 claims description 13
- 206010012601 diabetes mellitus Diseases 0.000 claims description 13
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 229940109239 creatinine Drugs 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000000391 smoking effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 206010073306 Exposure to radiation Diseases 0.000 description 2
- 210000002376 aorta thoracic Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025494 Aortic disease Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000001826 Marfan syndrome Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
- A61B5/02014—Determining aneurysm
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Vascular Medicine (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Neurosurgery (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명의 실시예들은 기계학습을 이용한 상행성 흉부 대동맥류 추정 방법 및 장치에 관한 것이다.
본 발명은 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하는 단계; 상기 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하는 단계; 및 상기 상행대동맥 직경에 기초하여, 상기 환자의 상행성 흉부 대동맥류 여부를 추정하는 단계를 포함하는 상행성 흉부 대동맥류 추정 방법이 제공한다.
본 발명은 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하는 단계; 상기 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하는 단계; 및 상기 상행대동맥 직경에 기초하여, 상기 환자의 상행성 흉부 대동맥류 여부를 추정하는 단계를 포함하는 상행성 흉부 대동맥류 추정 방법이 제공한다.
Description
본 발명의 실시예들은 기계학습을 이용한 상행성 흉부 대동맥류 추정 방법 및 장치에 관한 것이다.
오늘날 상행성 흉부 대동맥류 선별을 위한 다양한 방법론이 있으나 그 한계가 명확하다.
예컨대 마르판 증후군, 대동맥질환 가족력 등의 유전적 위험군을 대상으로 하는 경우에는 선별 대상이 매우 한정적이라는 단점이 있고,초음파 방법은 민감도, 특이도가 떨어지고 전산화 단층 촬영은 방사선 노출 등이 문제된다.
또한 위와 같은 방법은 고도의 전문적 지식을 갖춘 의료진에 기초한 임상적 판단이 요구된다.
본 발명은 상기와 같은 문제점을 포함하여 여러 문제점들을 해결하기 위한 것으로서, 환자의 건강 검진과 같은 비교적 간단한 의료정보에 기초하여, 상행성 흉부 대동맥류 여부를 추정하는 방법 및 장치를 제공한다. 그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 일 실시예에 따르면, 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하는 단계; 상기 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하는 단계; 및 상기 상행대동맥 직경에 기초하여, 상기 환자의 상행성 흉부 대동맥류 여부를 추정하는 단계를 포함하는 상행성 흉부 대동맥류 추정 방법이 제공된다.
상기 상기 사전 학습된 모델은, 복수의 환자들 각각에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하여, 복수개의 의료정보들을 획득하는 단계; 상기 복수개의 의료정보들에 기초하여, 복수개의 인자들에 관한 특징(feature)을 결정하는 단계; 상기 특징 및 상행대동맥 직경에 관한 라벨(label)을 구비하는 데이터 세트를 생성하는 단계; 상기 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 상기 복수개의 기계학습모델들을 학습하는 단계; 학습된 상기 복수개의 기계학습모델들 중 적어도 하나의 기계학습모델을 선택하는 단계를 포함하여 학습될 수 있다.
상기 적어도 하나의 기계학습모델을 선택하는 단계는, 학습된 상기 복수개의 기계학습모델 각각의 정확도 및 AUROC(area under the receiver operating characteristic curve) 을 비교하는 단계를 포함할 수 있다.
상기 복수개의 기계학습모델들은, 심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting) 중 적어도 하나를 포함할 수 있다.
상기 특징을 결정하는 단계는, 학습된 상기 복수개의 기계학습모델에 기초하여, 상기 복수개의 인자들 각각의 중요도를 결정하는 단계; 상기 중요도에 기초하여, 상기 복수개의 인자들 중 일부를 포함하는 복수개의 임시특징들을 결정하는 단계; 상기 복수개의 임시특징들에 기초하여 학습된 상기 복수개의 기계학습모델의 정확도 및 AUROC(area under the receiver operating characteristic curve)을 비교하는 단계; 상기 정확도 및 상기 AUROC에 기초하여 상기 복수개의 임시특징들 중 하나의 임시특징을, 상기 특징으로 결정하는 단계를 포함할 수 있다.
상기 의료정보에 포함된 상기 복수개의 인자는, 나이(Age), 성별(gender), 흡연 여부(smoking status), 초기 방문 시 수축기 혈압(SBP), 이완기 혈압(DBP), 심박동수(HR), 당뇨병(DM) 이상지질혈증(DL), 고혈압(HTN) 여부, 크레아티닌 수치, 당수치, high-sensitivity C-reactive (hs-CRP), low-density lipoprotein (LDL) , 신체표면적(BSA), 허리둘레(waist circumference), 체질량 지수(BMI) 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서를 포함하고, 상기 프로세서는, 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하고, 상기 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하며, 상기 상행대동맥 직경에 기초하여 상기 환자의 상행성 흉부 대동맥류 여부를 추정하는 컴퓨팅 장치가 제공된다.
상기 프로세서는, 복수의 환자들 각각에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하여, 복수개의 의료정보들을 획득하고, 상기 복수개의 의료정보들에 기초하여, 복수개의 인자들에 관한 특징(feature)을 결정하며, 상기 특징 및 상행대동맥 직경에 관한 라벨(label)을 구비하는 데이터 세트를 생성하고, 상기 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 상기 복수개의 기계학습모델을 학습하며, 학습된 상기 복수개의 기계학습모델들 중 적어도 하나의 기계학습모델을 선택할 수 있다.
상기 프로세서는, 학습된 상기 복수개의 기계학습모델 각각의 정확도 및 AUROC(area under the receiver operating characteristic curve) 을 비교할 수 있다.
상기 복수개의 기계학습모델들은, 심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting) 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 학습된 상기 복수개의 기계학습모델에 기초하여, 상기 복수개의 인자들 각각의 중요도를 결정하고, 상기 중요도에 기초하여, 상기 복수개의 인자들 중 일부를 포함하는 복수개의 임시특징들을 결정하며, 상기 복수개의 임시특징들에 기초하여 학습된 상기 복수개의 기계학습모델의 정확도 및 AUROC(area under the receiver operating characteristic curve)을 비교하고, 상기 정확도 및 상기 AUROC에 기초하여 상기 복수개의 임시특징들 중 하나의 임시특징을, 상기 특징으로 결정할 수 있다.
상기 의료정보에 포함된 상기 복수개의 인자는, 나이(Age), 성별(gender), 흡연 여부(smoking status), 초기 방문 시 수축기 혈압(SBP), 이완기 혈압(DBP), 심박동수(HR), 당뇨병(DM) 이상지질혈증(DL), 고혈압(HTN) 여부, 크레아티닌 수치, 당수치, high-sensitivity C-reactive (hs-CRP), low-density lipoprotein (LDL) , 신체표면적(BSA), 허리둘레(waist circumference), 체질량 지수(BMI)중 적어도 하나를 포함할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점은 이하의 발명을 실시하기 위한 구체적인 내용, 청구범위 및 도면으로부터 명확해질 것이다.
상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 환자의 건강 검진과 같은 비교적 간단한 의료정보에 기초하여, 상행성 흉부 대동맥류 여부를 추정하는 방법 및 장치를 제공한다.
물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 상행성 흉부 대동맥류 추정 시스템을 개략적으로 도시하는 개념도이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 상행성 흉부 대동맥류를 추정하는 동작을 개략적으로 도시하는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 컴퓨팅 장치가 상행성 흉부 대동맥류를 추정하는 모델을 생성하는 동작을 개략적으로 도시하는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 특징(feature)를 결정하는 동작을 개략적으로 도시하는 순서도이다.
도 5는 본 발명의 일 실시예에 따른 의료정보에 포함된 인자의 중요도를 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따른 임시특징에 따른 Accuracy 및 AUROC을 나타내는 그래프이다.
도 7은 본 발명의 일 실시예에 따른 모델의 ROC 커브를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 DNN(Deep Neural Network) 모델을 개략적으로 도시하는 도면이다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 구조를 개략적으로 도시하는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 상행성 흉부 대동맥류를 추정하는 동작을 개략적으로 도시하는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 컴퓨팅 장치가 상행성 흉부 대동맥류를 추정하는 모델을 생성하는 동작을 개략적으로 도시하는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 특징(feature)를 결정하는 동작을 개략적으로 도시하는 순서도이다.
도 5는 본 발명의 일 실시예에 따른 의료정보에 포함된 인자의 중요도를 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따른 임시특징에 따른 Accuracy 및 AUROC을 나타내는 그래프이다.
도 7은 본 발명의 일 실시예에 따른 모델의 ROC 커브를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 DNN(Deep Neural Network) 모델을 개략적으로 도시하는 도면이다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 구조를 개략적으로 도시하는 블록도이다.
본 발명은 다양하게 변형될 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
각 블록은 특정 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 다른 실시예에서는 각 블록에 대해 언급된 기능들이 기재된 순서와 다르게 실행되는 것도 가능하다는 것에 주목해야 한다. 예를 들면, 두 개의 블록들이 잇달아 도시되더라도, 각 블록들에 대해 기재된 기능들은 실질적으로 동시에 수행될 수도 있고, 실행 조건 또는 환경이 달라짐에 따라 역순으로 수행될 수도 있다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 본 명세서에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징 또는 구성요소가 부가될 가능성을 배제하는 것은 아니다.
컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 실행되는 인스트럭션들은 흐름도 또는 블록도를 참조로 설명되는 각 기능을 수행하는 수단을 생성할 수 있다. 인스트럭션들은 컴퓨터 등 상에 탑재되어, 일련의 동작 단계들을 수행하기 위해 컴퓨터 등에서 실행되는 프로세스들을 생성할 수 있다.
이때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어에 의해 수행되는 특정 기능을 수행하는 구성요소를 의미한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 의해 수행되는 것으로 한정되지 않는다. '~부'는 어드레싱할 수 있는 저장 매체에 저장된 데이터 형태로 존재할 수도 있고, 하나 또는 그 이상의 프로세서들이 특정 기능을 실행하도록 구성될 수도 있다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
본 개시에 따른 기계학습 모델이란 특정 유형의 패턴을 인식하도록 학습된 모델로서, 데이터 세트에 대해 모델을 학습하여 해당 데이터로 추론하고 학습하는 데 사용할 수 있는 알고리즘을 제공하며, 모델을 학습한 후에는 이를 사용하여 이전에 표시되지 않은 데이터를 추론하고 해당 데이터에 대한 예측이 가능하다. 예컨대 심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting)을 포함할 수 있다.
도 1은 본 발명의 일 실시예에 따른 상행성 흉부 대동맥류 추정 시스템을 개략적으로 도시하는 개념도이다. 심초음파(echocardiogram) 검사만으로는 흉부대동맥 전체를 측정하기는 어렵고 측정 결과 또한 검사시행자에 따라 일정하지 않다. 또한 경흉부 심초음파 (TTE, transthoracic echocardiogram)와 경식도 심초음파(TEE, transesophageal echocardiogram)로는 대동맥 기부(aortic root)나 근위 대동맥(proximal aorta)는 잘 확인할 수 있지만, 중간부분이나 상부 상행대동맥 부위는 심초음파로 확인하기가 쉽지 않다. 따라서 전체 흉대 대동맥을 검사하기 위해서 컴퓨터 단층촬영(computed tomography)를 시행할 수 있으나 이 또한 방사성 노출의 위험성이 있으므로 신중함이 필요하다. 이에 기계학습 모델을 이용하여 환자의 상행성 흉부 대동맥류를 추정하는 경우, 상행성 흉부 대동맥류를 검출하는 것이 비교적 용이하다. 이때 본 개시에서의 상행성 흉부 대동맥류는 상행대동맥의 직경을 기준으로 추정하였다. 예컨대 직경이 3.7cm 이상인 경우, 기계학습 모델은 상행성 흉부 대동맥류인 것으로 추정할 수 있다.
도 1을 참고하면, 추정 대상 환자의 의료정보를 획득하여 사전학습된 기계학습 모델인 사전 학습 모델(100)에 입력으로 하는 경우, 상행대동맥 직경 또는 상행성 흉부 대동맥류 여부를 추정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 상행성 흉부 대동맥류를 추정하는 동작을 개략적으로 도시하는 순서도이다. 먼저 컴퓨팅 장치는 복수의 환자에 대응하는 의료정보를 데이터 세트로 하여 기계학습 모델을 학습하여 사전 학습 모델을 생성하고 환자의 상행성 흉부 대동맥류 추정에 이용할 수 있다.
도 2를 참고하면, 컴퓨팅 장치는 S210 단계에서 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득할 수 있다. 예컨대 복수개의 인자들은 나이(Age), 성별(gender), 흡연 여부(smoking status), 초기 방문 시 수축기 혈압(SBP), 이완기 혈압(DBP), 심박동수(HR), 당뇨병(DM) 이상지질혈증(DL), 고혈압(HTN) 여부, 크레아티닌 수치, 당수치, high-sensitivity C-reactive (hs-CRP), low-density lipoprotein (LDL) , 신체표면적(BSA), 허리둘레(waist circumference), 체질량 지수(BMI)중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치는 S220 단계에서 의료정보에 포함된 복수개의 인자들을 입력으로 하고, 상행대동맥 직경을 출력으로 하는 사전 학습된 모델에 의료정보를 입력하여 상행대동맥 직경을 추정할 수 있다.
컴퓨팅 장치는 S230 단계에서 추정된 상행대동맥 직경에 기초하여 , 환자의 상행성 흉부 대동맥류 여부를 추정할 수 있다.
이때 S220 단계 및 S230 단계는 하나의 단계로 구성되어 컴퓨팅 장치가 직접적으로 환자의 상행성 흉부 대동맥류 여부를 추정할 수도 있다.
도 3은 본 발명의 일 실시예에 따른 컴퓨팅 장치가 상행성 흉부 대동맥류를 추정하는 모델을 생성하는 동작을 개략적으로 도시하는 순서도이다. 전술한바와 같이 컴퓨팅 장치는 사전 학습된 모델에 기초하여 상행성 흉부 대동맥류를 추정할 수 있으며, 이하 환자의 의료정보를 이용하여 사전 학습된 모델을 생성하는 동작에 대해 설명한다.
컴퓨팅 장치는 S310 단계에서 복수의 환자들 각각에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하여, 복수개의 의료정보들을 획득할 수 있다. 즉 컴퓨팅 장치는 환자에 대응하는 의료정보를 획득하고, 복수의 환자들에 대해 복수개의 의료정보들을 획득할 수 있다.
컴퓨팅 장치는 S320 단계에서 복수개의 의료정보들에 기초하여, 복수개의 인자들에 관한 특징(feature)을 결정할 수 있다. 예컨대 컴퓨팅 장치는 복수개의 인자 중에서 특징 선택(feature selection)을 수행할 수 있다. 이와 같이 컴퓨팅 장치가 특징을 결정하는 구성은 도 4에 의해 상세하게 설명된다.
컴퓨팅 장치는 S330 단계에서 특징 및 상행대동맥 직경에 관한 라벨(label)을 구비하는 데이터 세트(data set)를 생성할 수 있다.
컴퓨팅 장치는 S340 단계에서 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 복수개의 기계학습모델들을 학습할 수 있다. 예컨대 복수개의 기계학습모델들은 심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting) 중 적어도 하나를 포함할 수 있다. 또한 컴퓨팅 장치는 데이터 세트를 트레이닝 세트(training set) 와 테스트 세트(test set)로 구분하여 복수개의 기계학습모델들을 학습할 수 있다. 컴퓨팅 장치는 다시 S320 단계로 진행하여 특징을 결정하는 단계를 반복적으로 진행하여 최적의 특징을 결정할 수도 있다.
컴퓨팅 장치는 S350 단계에서, 복수개의 기계학습모델들 중 적어도 하나의 기계학습모델을 선택할 수 있다. 구체적으로 컴퓨팅 장치는 학습된 상기 복수개의 기계학습모델 각각의 정확도(Accuracy) 또는 AUROC(area under the receiver operating characteristic curve) 을 비교할 수 있다.
예컨대 컴퓨팅 장치는 심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting) 의 모델의 성능을 평가할 수 있으며, 3,677명의 환자에 대한 모델 성능 비교 결과는 표 1와 같이 나타낼 수 있다.
| Model | TN | FP | FN | TP | SN | SP | AC | AUROC |
| 5-layer DNN | 2796 | 652 | 70 | 159 | 0.694 | 0.811 | 0.804 | 0.835 |
| Decision Tree | 3140 | 308 | 171 | 58 | 0.253 | 0.911 | 0.870 | 0.582 |
| Random Forest | 2487 | 961 | 73 | 156 | 0.681 | 0.721 | 0.719 | 0.775 |
| XGBoost | 3348 | 100 | 186 | 43 | 0.188 | 0.971 | 0.922 | 0.814 |
| AdaBoost | 2621 | 827 | 72 | 157 | 0.686 | 0.760 | 0.756 | 0.765 |
표 1에서 TN은 true negative, FP는 false positive, FN는 false negative, TP는 true positive, SN는 sensitivity, SP는 specificity, AC는 accuracy, AUROC는 area under the receiver operating characteristic curve를 지시할 수 있다.이때 컴퓨팅 장치는 복수개의 기계학습모델들 중 AUROC 값이 높은 모델을 최적의 모델로 선택할 수 있으며, 복수개의 기계학습모델들 중 정확도에 기초하여 후순위 모델을 선택할 수 있다. 예컨대 컴퓨팅 장치는 5-layer DNN 을 상행성 흉부 대동맥류 추정을 위한 최적의 모델로 선택할 수 있다.
다른 실시예에 따른 컴퓨팅 장치는 상행대동맥 직경을 기준으로 하는 것이 아닌 상행성 흉부 대동맥류 여부를 라벨로 하는 데이터 세트를 이용하여 상행성 흉부 대동맥류를 추정하는 모델을 생성할 수 있다. 이때 컴퓨팅 장치는 S330 단계에서 특징 및 상행대동맥 직경을 기준으로 하여 상행성 흉부 대동맥류 여부를 라벨(label)을 구비하는 데이터 세트(data set)를 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 장치가 특징(feature)를 결정하는 동작을 개략적으로 도시하는 순서도이며, 도 4는 도 3에서의 S320, S340 단계에서의 컴퓨팅 장치의 동작과 대응할 수 있다.
컴퓨팅 장치는 S410 단계에서 복수개의 인자 각각의 상행성 흉부 대동맥류 추정 중요도를 결정할 수 있다. 구체적으로 컴퓨팅 장치는 S340 단계에서 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 복수개의 기계학습모델들을 학습할 수 있다. 이러한 과정을 통해 컴퓨팅 장치는 복수개의 기계학습 모델들 각각에서의 인자의 기계학습 모델 별 중요도를 획득할 수 있다. 컴퓨팅 장치는 이러한 모델 별 중요도에 기초하여 복수개의 인자들 각각의 상행성 흉부 대동맥류 추정 중요도를 결정할 수 있다.
예컨대 컴퓨팅 장치는 모델 별 중요도를 산출하고, 모델 별 중요도의 평균값을 기초로 상행성 흉부 대동맥류 추정 중요도를 결정할 수 있다.
컴퓨팅 장치는 S420 단계에서 중요도에 기초하여, 복수개의 인자들 중 일부를 포함하는 복수개의 임시특징들을 결정할 수 있다. 이때 임시특징이란 복수개의 인자들 중 임시적 또는 일시적으로 선택되는 특징을 지시할 수 있다.
예컨대 컴퓨팅 장치는 인자의 상행성 흉부 대동맥류 추정 중요도에 기초하여 상위 중요도를 가지는 인자들 만을 임시특징으로 결정할 수 있다.
컴퓨팅 장치는 S430 단계에서 복수개의 임시특징들에 기초하여 학습된 상기 복수개의 기계학습모델의 정확도 및 AUROC을 비교할 수 있다. 예컨대 상위 10개의 인자를 임시특징으로 하여 학습된 모델과 상위 15개의 인자를 임시특징으로 하여 학습된 모델을 비교할 수 있다.
컴퓨팅 장치는 S440 단계에서, 정확도 및 AUROC에 기초하여 임시특징 중에서 특징을 결정할 수 있다. 예컨대 컴퓨팅 장치는 최적의 정확도 및 AUROC를 가지는 임시특징을 특징으로 결정할 수 있다.
도 5는 본 발명의 일 실시예에 따른 의료정보에 포함된 인자의 중요도를 나타내는 그래프이다. 전술한바와 같이 컴퓨팅 장치는 복수개의 인자 각각의 상행성 흉부 대동맥류 추정 중요도를 결정할 수 있다.
도 5의 경우 의료정보에 포함된 복수개의 인자들의 복수개의 기계학습 모델에 대한 중요도의 평균값을 나타낸다.
이때 도 5에서의 복수개의 인자들은 나이(Age), 성별(gender), 흡연 여부(smoking status), 초기 방문 시 수축기 혈압(SBP), 이완기 혈압(DBP), 심박동수(HR), 당뇨병(DM) 이상지질혈증(DL), 고혈압(HTN) 여부, 크레아티닌 수치, 당수치, high-sensitivity C-reactive (hs-CRP), low-density lipoprotein (LDL) , 신체표면적(BSA), 허리둘레(waist circumference), 체질량 지수(BMI)일 수 있다.
도 5에서의 복수개의 기계학습 모델은 DNN, 의사결정나무, 랜덤 포레스트, XGBoost, AdaBoost 로 하여 상행성 흉부 대동맥류 추정 학습을 진행하였다.
도 5에서 도시된 것과 같이 상행성 흉부 대동맥류에 대한 인자의 중요도 순서는 나이, 허리둘레, 고혈압, 크레아티닌 수치, 흡연 여부, 체질량 지수, hs CRP, 수축기 혈압, 이상지질혈증, 이완기 혈압, 신체표면적, 성별, 심박동수, LDL, 당수치, 당뇨병일 수 있다.
일 실시예에 따른 컴퓨팅 장치는 상행성 흉부 대동맥류에 대한 인자의 중요도에 기초하여 임시특징을 결정하고, 임시특징 각각을 데이터 세트로 하여 기계학습 모델 학습을 수행할 수 있다.
도 6은 본 발명의 일 실시예에 따른 임시특징에 따른 Accuracy 및 AUROC을 나타내는 그래프이다. 구체적으로 상위 N개의 인자를 임시특징으로 결정하여 DNN 모델을 학습한 경우의 Accuracy 및 AUROC를 나타낸다.
도 6에 따르면 상위 15개의 인자를 이용하여 특징을 결정할 경우 상행성 흉부 대동맥류 추정을 위한 Accuracy 및 AUROC 가 최적의 값을 가지므로 상위 15개의 인자를 특징으로 결정할 수 있다. 예컨대 상위 15개의 인자는 나이, 허리둘레, 고혈압, 크레아티닌 수치, 흡연 여부, 체질량 지수, hs CRP, 수축기 혈압, 이상지질혈증, 이완기 혈압, 신체표면적, 성별, 심박동수, LDL, 당수치일 수 있다.
도 7은 본 발명의 일 실시예에 따른 모델의 ROC 커브를 나타내는 도면이다. 구체적으로 5-layer DNN 을 최적의 기계학습 모델로 선택하고, 허리둘레, 고혈압, 크레아티닌 수치, 흡연 여부, 체질량 지수, hs CRP, 수축기 혈압, 이상지질혈증, 이완기 혈압, 신체표면적, 성별, 심박동수, LDL, 당수치를 특징으로 하는 상행성 흉부 대동맥류 추정 모델의 ROC 커브를 나타낸다.
도 8은 본 발명의 일 실시예에 따른 DNN(Deep Neural Network) 모델을 개략적으로 도시하는 도면으로, 예컨대 상행성 흉부 대동맥류 추정을 위한 5-layer DNN을 나타낼 수 있다.
도 8에 도시된 것과 같이, 5-layer DNN(800)은, 1개의 입력 레이어(810), 3개의 히든 레이어(820, 830, 840), 1개의 출력 레이어(850)를 가질 수 있다.
최적화된 5-layer DNN(800)는 15개의 인자를 특징으로 하는 경우이므로, 입력 레이어(810)에는 15개의 특징이 입력층의 뉴런으로 입력될 수 있다.
제1 히든 레이어(820)는 Dense layer 와 Drop out 레이어를 포함할 수 있으며, 30개의 뉴런을 구비할 수 있다. 제2 히든 레이어(830)는 Dense layer 와 Drop out 레이어를 포함할 수 있으며, 16개의 뉴런을 구비할 수 있다. 제3 히든 레이어(840)는 Dense layer 와 Drop out 레이어를 포함할 수 있으며, 8개의 뉴런을 구비할 수 있다.
출력 레이어(850)는 Dense layer을 포함하고, 1개의 추론 결과를 나타내는 뉴런을 구비할 수 있다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 구조(900)를 개략적으로 도시하는 블록도이다. 컴퓨팅 장치는 메모리(901), 통신부(903) 및 프로세서(905)를 포함하는 것으로 도시하였으나 반드시 이에 한정되는 것이 아니다. 메모리(901), 통신부(903) 및 프로세서(905) 각각 물리적으로 독립한 하나의 구성부로서 존재할 수 있다.
메모리(901)는 본 발명의 일실시예에 따른 컴퓨팅 장치가 동작하기 위한 데이터 및 정보를 저장할 수 있다. 예컨대 메모리(901)는 복수의 환자들에 대응하는 의료정보, 복수개의 기계학습 모델 등을 포함할 수 있다. 이러한 메모리(901)는 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(ROM: Read Only Memory), 전기적 삭제가능 프로그램가능 롬(EEPROM: Electrically Erasable Programmable Read Only Memory), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(CD-ROM: Compact Disc-ROM), 디지털 다목적 디스크(DVDs: Digital Versatile Discs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette) 중 하나일 수 있다.
통신부(903)는 네트워크를 통해 신호를 송수신하기 위한 기능들을 수행한다. 통신부(903)의 전부 또는 일부는 송신부, 수신부, 송수신부로 지칭될 수 있다. 통신부(903)는 통신망을 통해 컴퓨팅 장치와 적어도 하나의 다른 노드가 서로 통신하기 위한 기능을 제공할 수 있다. 본 개시의 일 실시예에 따르면 컴퓨팅 장치의 프로세서(905)가 메모리(901)와 같은 기록 장치에 저장된 프로그램 코드에 따라 요청 신호를 생성한 경우, 요청 신호는 통신부(903)의 제어에 따라 통신망을 통해 적어도 하나의 다른 노드로 전달될 수 있다. 역으로, 적어도 하나의 다른 노드의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 콘텐츠, 파일 등이 통신부(903)를 통해 컴퓨팅 장치로 수신될 수 있다.
프로세서(905)는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 전반적인 동작을 제어할 수 있다. 또한 프로세서는 도 2, 3, 4에서 도시된 동작을 수행하도록 컴퓨팅 장치를 제어할 수 있다.
일 실시예에 따른 프로세서(905)는 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하고, 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하며, 상행대동맥 직경에 기초하여 환자의 상행성 흉부 대동맥류 여부를 추정할 수 있다.
일 실시예에 따른 프로세서(905)는 복수의 환자들 각각에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하여, 복수개의 의료정보들을 획득하고, 복수개의 의료정보들에 기초하여, 복수개의 인자들에 관한 특징(feature)을 결정하며, 특징 및 상행대동맥 직경에 관한 라벨(label)을 구비하는 데이터 세트를 생성하고, 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 복수개의 기계학습모델을 학습하며, 학습된 복수개의 기계학습모델들 중 적어도 하나의 기계학습모델을 선택할 수 있다.
일 실시예에 따른 프로세서(905)는 학습된 복수개의 기계학습모델 각각의 정확도 및 AUROC(area under the receiver operating characteristic curve) 을 비교할 수 있다.
일 실시예에 따른 프로세서(905)는 학습된 복수개의 기계학습모델에 기초하여, 복수개의 인자들 각각의 중요도를 결정하고, 중요도에 기초하여, 복수개의 인자들 중 일부를 포함하는 복수개의 임시특징들을 결정하며, 복수개의 임시특징들에 기초하여 학습된 복수개의 기계학습모델의 정확도 및 AUROC(area under the receiver operating characteristic curve)을 비교하고, 정확도 및 AUROC에 기초하여 복수개의 임시특징들 중 하나의 임시특징을, 특징으로 결정할 수 있다.
이러한 프로세서(905)는 단일 CPU 또는 복수의 CPU(또는 DSP, SoC)로 구현될 수 있다. 프로세서(905)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다.
이와 같이 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
한편, 본 명세서와 도면에는 본 발명의 바람직한 실시 예에 대하여 게시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
100: 사전 학습 모델
800: 5-layer DNN
810: 입력 레이어 820: 제1 히든 레이어
830: 제2 히든 레이어 840: 제3 히든 레이어
850: 출력 레이어 900: 컴퓨팅 장치의 구조
901: 메모리 903: 통신부
905: 프로세서
810: 입력 레이어 820: 제1 히든 레이어
830: 제2 히든 레이어 840: 제3 히든 레이어
850: 출력 레이어 900: 컴퓨팅 장치의 구조
901: 메모리 903: 통신부
905: 프로세서
Claims (12)
- 상행성 흉부 대동맥류 추정 방법에 있어서,
환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하는 단계;
상기 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하는 단계; 및
상기 상행대동맥 직경에 기초하여, 상기 환자의 상행성 흉부 대동맥류 여부를 추정하는 단계를 포함하는, 상행성 흉부 대동맥류 추정 방법. - 제1 항에 있어서,
상기 사전 학습된 모델은,
복수의 환자들 각각에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하여, 복수개의 의료정보들을 획득하는 단계;
상기 복수개의 의료정보들에 기초하여, 복수개의 인자들에 관한 특징(feature)을 결정하는 단계;
상기 특징 및 상행대동맥 직경에 관한 라벨(label)을 구비하는 데이터 세트를 생성하는 단계;
상기 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 상기 복수개의 기계학습모델들을 학습하는 단계;
학습된 상기 복수개의 기계학습모델들 중 적어도 하나의 기계학습모델을 선택하는 단계를 포함하여 학습되는, 상행성 흉부 대동맥류 추정 방법. - 제2 항에 있어서,
상기 적어도 하나의 기계학습모델을 선택하는 단계는,
학습된 상기 복수개의 기계학습모델 각각의 정확도 및 AUROC(area under the receiver operating characteristic curve) 을 비교하는 단계를 포함하는, 상행성 흉부 대동맥류 추정 방법. - 제2 항에 있어서,
상기 복수개의 기계학습모델들은,
심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting) 중 적어도 하나를 포함하는, 상행성 흉부 대동맥류 추정 방법. - 제2 항에 있어서,
상기 특징을 결정하는 단계는,
학습된 상기 복수개의 기계학습모델에 기초하여, 상기 복수개의 인자들 각각의 중요도를 결정하는 단계;
상기 중요도에 기초하여, 상기 복수개의 인자들 중 일부를 포함하는 복수개의 임시특징들을 결정하는 단계;
상기 복수개의 임시특징들에 기초하여 학습된 상기 복수개의 기계학습모델의 정확도 및 AUROC(area under the receiver operating characteristic curve)을 비교하는 단계;
상기 정확도 및 상기 AUROC에 기초하여 상기 복수개의 임시특징들 중 하나의 임시특징을, 상기 특징으로 결정하는 단계를 포함하는 상행성 흉부 대동맥류 추정 방법. - 제2 항에 있어서,
상기 의료정보에 포함된 상기 복수개의 인자는,
나이(Age), 성별(gender), 흡연 여부(smoking status), 초기 방문 시 수축기 혈압(SBP), 이완기 혈압(DBP), 심박동수(HR), 당뇨병(DM) 이상지질혈증(DL), 고혈압(HTN) 여부, 크레아티닌 수치, 당수치, high-sensitivity C-reactive (hs-CRP), low-density lipoprotein (LDL) , 신체표면적(BSA), 허리둘레(waist circumference), 체질량 지수(BMI) 중 적어도 하나를 포함하는, 상행성 흉부 대동맥류 추정 방법. - 컴퓨팅 장치에 있어서,
프로세서를 포함하고,
상기 프로세서는, 환자에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하고, 상기 의료정보를 사전 학습된 모델에 입력하여 상행대동맥 직경을 추정하며, 상기 상행대동맥 직경에 기초하여 상기 환자의 상행성 흉부 대동맥류 여부를 추정하는 것을, 컴퓨팅 장치 - 제7 항에 있어서,
상기 프로세서는, 복수의 환자들 각각에 대응하는 복수개의 인자들을 포함하는 의료정보를 획득하여, 복수개의 의료정보들을 획득하고, 상기 복수개의 의료정보들에 기초하여, 복수개의 인자들에 관한 특징(feature)을 결정하며, 상기 특징 및 상행대동맥 직경에 관한 라벨(label)을 구비하는 데이터 세트를 생성하고, 상기 데이터 세트를 복수개의 기계학습모델들 각각의 입력으로 하여, 상기 복수개의 기계학습모델을 학습하며, 학습된 상기 복수개의 기계학습모델들 중 적어도 하나의 기계학습모델을 선택하는, 컴퓨팅 장치 - 제8 항에 있어서,
상기 프로세서는,
학습된 상기 복수개의 기계학습모델 각각의 정확도 및 AUROC(area under the receiver operating characteristic curve) 을 비교하는, 컴퓨팅 장치. - 제8 항에 있어서,
상기 복수개의 기계학습모델들은,
심층신경망(DNN), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), XGBoost (eXtreme Gradient Boosting), AdaBoost (adaptive boosting) 중 적어도 하나를 포함하는, 컴퓨팅 장치. - 제8 항에 있어서,
상기 프로세서는,
학습된 상기 복수개의 기계학습모델에 기초하여, 상기 복수개의 인자들 각각의 중요도를 결정하고, 상기 중요도에 기초하여, 상기 복수개의 인자들 중 일부를 포함하는 복수개의 임시특징들을 결정하며, 상기 복수개의 임시특징들에 기초하여 학습된 상기 복수개의 기계학습모델의 정확도 및 AUROC(area under the receiver operating characteristic curve)을 비교하고, 상기 정확도 및 상기 AUROC에 기초하여 상기 복수개의 임시특징들 중 하나의 임시특징을, 상기 특징으로 결정하는, 컴퓨팅 장치. - 제7 항에 있어서,
상기 의료정보에 포함된 상기 복수개의 인자는,
나이(Age), 성별(gender), 흡연 여부(smoking status), 초기 방문 시 수축기 혈압(SBP), 이완기 혈압(DBP), 심박동수(HR), 당뇨병(DM) 이상지질혈증(DL), 고혈압(HTN) 여부, 크레아티닌 수치, 당수치, high-sensitivity C-reactive (hs-CRP), low-density lipoprotein (LDL) , 신체표면적(BSA), 허리둘레(waist circumference), 체질량 지수(BMI)중 적어도 하나를 포함하는, 컴퓨팅 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220128088A KR20240048377A (ko) | 2022-10-06 | 2022-10-06 | 상행성 흉부 대동맥류 추정 방법 및 장치 |
| PCT/KR2022/019956 WO2024075899A1 (ko) | 2022-10-06 | 2022-12-08 | 상행성 흉부 대동맥류 추정 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220128088A KR20240048377A (ko) | 2022-10-06 | 2022-10-06 | 상행성 흉부 대동맥류 추정 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240048377A true KR20240048377A (ko) | 2024-04-15 |
Family
ID=90608256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220128088A KR20240048377A (ko) | 2022-10-06 | 2022-10-06 | 상행성 흉부 대동맥류 추정 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240048377A (ko) |
| WO (1) | WO2024075899A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017047819A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
| KR102272413B1 (ko) * | 2019-08-05 | 2021-07-06 | 재단법인 아산사회복지재단 | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 |
| US11957507B2 (en) * | 2019-11-15 | 2024-04-16 | Geisinger Clinic | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart |
| KR102304339B1 (ko) * | 2020-11-27 | 2021-09-23 | 두에이아이(주) | 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 |
| KR102510221B1 (ko) * | 2020-12-24 | 2023-03-15 | 연세대학교 산학협력단 | 골절 위험 예측 방법 및 장치 |
-
2022
- 2022-10-06 KR KR1020220128088A patent/KR20240048377A/ko unknown
- 2022-12-08 WO PCT/KR2022/019956 patent/WO2024075899A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024075899A1 (ko) | 2024-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3142033B1 (en) | Physiology-driven decision support for therapy planning | |
| CN105249954B (zh) | 预测支架术后血液动力学指标的方法和系统 | |
| JP2023502983A (ja) | 心臓のビデオを使用して患者のエンドポイントの予測を強化するためのディープニューラルネットワークのためのシステムおよび方法 | |
| CN110998744A (zh) | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 | |
| CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
| CN110638438A (zh) | 用于对血流储备分数的基于机器学习的评估的方法和系统 | |
| RU2536279C1 (ru) | Способ прогнозирования осложнений после операций шунтирования коронарных артерий в условиях искусственного кровообращения | |
| CN111640512B (zh) | 肾脏替代疗法启动策略评估方法、装置及电子设备 | |
| Shukur et al. | Involving machine learning techniques in heart disease diagnosis: a performance analysis | |
| CN112071419A (zh) | 使用递归神经网络对血管的血液动力学分析 | |
| CN112150454B (zh) | 一种主动脉夹层评估方法、装置、设备及存储介质 | |
| KR102009840B1 (ko) | 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치 | |
| CN116230233A (zh) | 一种脑卒中患者的落床风险评估方法及系统 | |
| Kishore et al. | Neuro-fuzzy based medical decision support system for coronary artery disease diagnosis and risk level prediction | |
| JP7349018B2 (ja) | 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体 | |
| CN111652881A (zh) | 基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质 | |
| EP3896702A1 (en) | Cardiovascular assessment of patients suspected of having covid-19 | |
| US11813077B2 (en) | Arrhythmic heartbeat resilient sleep apnea detection | |
| JP2021516108A (ja) | 機械学習ベースの血管イメージングにおける決定フォーカスの分解及びステアリング | |
| AU2021363110A1 (en) | Method and system for personalized prediction of infection and sepsis | |
| KR20240048377A (ko) | 상행성 흉부 대동맥류 추정 방법 및 장치 | |
| Sarkar et al. | A novel approach for detecting abnormality in ejection fraction using transthoracic echocardiography with deep learning | |
| CN111297388B (zh) | 一种血流储备分数测量装置 | |
| EP3770921A1 (en) | Method and system for pressure autoregulation based synthesizing of photoplethysmogram signal | |
| Huang et al. | Aortic pressure forecasting with deep learning |