WO2020262748A1 - 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 - Google Patents

종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 Download PDF

Info

Publication number
WO2020262748A1
WO2020262748A1 PCT/KR2019/008296 KR2019008296W WO2020262748A1 WO 2020262748 A1 WO2020262748 A1 WO 2020262748A1 KR 2019008296 W KR2019008296 W KR 2019008296W WO 2020262748 A1 WO2020262748 A1 WO 2020262748A1
Authority
WO
WIPO (PCT)
Prior art keywords
attention
test data
hyperactivity disorder
comprehensive
test
Prior art date
Application number
PCT/KR2019/008296
Other languages
English (en)
French (fr)
Inventor
유한익
Original Assignee
(주)해피마인드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)해피마인드 filed Critical (주)해피마인드
Publication of WO2020262748A1 publication Critical patent/WO2020262748A1/ko

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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

Definitions

  • the following description is about a technique for classifying attention deficit and hyperactivity disorder from diagnosis using the results of comprehensive attention test and predicting treatment response.
  • ADHD Attention deficit and hyperactivity disorder
  • ADHD symptoms are characterized by persistent lack of attention, resulting in distraction, hyperactivity, and impulsiveness.If these symptoms are left untreated, difficulties persist in various behaviors throughout the childhood development process, and in some cases, adolescence. And symptoms persist even into adulthood.
  • therapeutic drugs for children with ADHD symptoms have been developed and patents have been obtained, it is impossible to cure them with the prescription of treatment drugs, so a certain amount of practice and training is required.
  • a method and system for classifying attention deficit and hyperactivity disorder based on the diagnosis of a specialist made by using the results of the comprehensive attention test can be provided. Specifically, by creating a learning model to classify attention deficit and hyperactivity disorder, and by learning the comprehensive attention test data using the generated learning model, the diagnosis and classification of attention deficit and hyperactivity disorder and the degree of treatment response It is possible to provide a method and system for numerically indicating the possibility of.
  • a method for classifying attention deficit and hyperactivity disorder performed by a comprehensive attention test system includes the steps of: classifying attention deficit and hyperactivity disorder (Attention Deficit Hyperactivity Disorder) and generating a learning model for predicting a treatment response; Obtaining a learning result by learning the comprehensive attention test data through the generated learning model; And deriving result information related to the clinical manifestation and treatment response of attention deficit and hyperactivity disorder from the acquired learning result.
  • attention deficit and hyperactivity disorder Attention Deficit Hyperactivity Disorder
  • the step of acquiring the learning result includes inputting each test data for simple attention, interference selective attention, restraining attention, divisional attention, and working memory included in the comprehensive attention test data into the generated learning model to learn. It may include steps.
  • Acquiring the learning result may include generating an ensemble model based on a random forest or a Gaussian ProcessClassifier as a learning model.
  • the obtaining of the learning result includes performing pre-processing on each test data classified by examination of the comprehensive attention test data, and using a random forest for each classification model for each test data on which the pre-processing has been performed. After classifying, estimating missing values for each classified test data using a random forest, performing processing on the estimated missing values, and classifying each classified test data using a random forest, attention is paid to attention. Deriving the likelihood of the diagnosis, type, and degree of response to treatment of deficit and hyperactivity disorder.
  • the obtaining of the learning result includes performing a range test of standardized data on each test data, which is classified by test, the comprehensive attention test data, and merging each standardized test data that passed the test, and the merging
  • the missing value is estimated by excluding the test data that has not been tested more than a preset number from the obtained test data, and after processing the estimated missing value, the merged test data is subjected to PCA (Principal Component Analysis). It may include reducing the dimension through the reduction of the dimension and classifying the merged test data with the reduced dimension through a Gaussian process classifier to derive the possibility of attention deficit and hyperactivity disorder.
  • Acquiring the learning result may include excluding test data that has not performed three or more tests among simple attention, interference selective attention, restrained persistence attention, and divided attention from the merged test data.
  • the deriving may include a step of numerically indicating the likelihood of a diagnosis and a type and a degree of treatment response of the attention deficit and hyperactivity disorder.
  • the obtaining of the learning result includes removing a plurality of types of outliers from the comprehensive attention test data and setting an exclusion variable, wherein the plurality of types of outliers are in an age range of less than 4 years or 100 years or more.
  • Excessive first type simple selective attention (visual)/simple selective attention (auditory) test parameters missing second type, working memory test reverse positive response number/reverse space width missing third type, reverse working memory
  • the fourth type with missing working memory observations and the fifth type without gender may be included.
  • Acquiring the learning result may include excluding some test data from the comprehensive attention test data based on a predefined criterion.
  • the comprehensive attention test system includes: a modeling unit that generates a learning model for classifying attention deficit and hyperactivity disorder and predicting a treatment response; An acquisition unit for acquiring a learning result by learning the comprehensive attention test data through the generated learning model; And a derivation unit for deriving result information related to a clinical manifestation and treatment response of attention deficit and hyperactivity disorder from the obtained learning result.
  • FIG. 1 is a block diagram illustrating a configuration of a comprehensive attention test system according to an exemplary embodiment.
  • FIG. 2 is a flowchart illustrating a method of classifying attention deficit and hyperactivity disorder and predicting a treatment response in a comprehensive attention test system according to an exemplary embodiment.
  • 3 and 4 are diagrams for explaining learning of comprehensive attention test data through a learning model in the comprehensive attention test system according to an embodiment.
  • the Comprehensive Attention Test is a standardized test tool that comprehensively evaluates the attention of children, adolescents and adults. Attention refers to a higher function of the brain that pays attention to the desired information, keeps concentration continuously for problem solving, and sometimes switches attention to stimuli that are needed according to the purpose.
  • the Comprehensive Attention Test can examine five types of attention, such as simple selective attention, interfering selective attention, constrained persistence attention, divided attention, and working memory, in various ways with six tests. Through this, each level of attention can be grasped, and the lack of attention can be evaluated.
  • Simple selective attention is the ability to respond to desired visual stimuli
  • simple selective attention is the ability to respond to desired auditory stimuli
  • suppressive persistence is the ability to maintain attention and suppress impulsiveness.
  • Interference selective attention is the ability to ignore the surrounding interference stimuli and respond to the necessary stimuli
  • divisional attention is the ability to process two or more stimuli at the same time
  • working memory is the ability to remember and process a series of stimuli in sequence. Means.
  • the comprehensive attention test has a basic set menu according to age, and a new test set suitable for the tester may be created by combining individual tests in consideration of the tester's situation.
  • a nursing set for 4 to 5 years old can consist of a simple selective attention test (visual and auditory: 10 minutes + 10 minutes), a suppressive persistence test, and a shortened kindergarten set (4 to 5 years old). 3) can consist of a simple selective attention test (visual and auditory: 5 minutes + 5 minutes) and suppressive persistence test, and the lower grade set of 6 to 8 years old is a simple selective attention test (visual and auditory: 10 minutes).
  • a comprehensive test set for ages 9 to 15/Comprehensive test set for ages 16 and over is a simple selective attention test (visual and hearing: 10 minutes + 10 minutes), suppressive persistence test, interference selective attention test, divisional attention It can consist of a test and a working memory test.
  • modeling is performed to generate a learning model by selectively selecting the comprehensive attention test data obtained by performing the comprehensive attention test, and classifying attention deficit and hyperactivity disorder through the learning model and predicting the treatment response.
  • the method and system will be described.
  • FIG. 1 is a block diagram for explaining the configuration of a comprehensive attention test system according to an embodiment
  • FIG. 2 is a method of classifying attention deficit and hyperactivity disorder and predicting a treatment response in the comprehensive attention test system according to an embodiment It is a flow chart for explaining.
  • the processor of the comprehensive attention test system 100 may include a modeling unit 110, an acquisition unit 120, and a derivation unit 130. Components of such a processor may be expressions of different functions performed by the processor according to a control command provided by a program code stored in the comprehensive attention test system.
  • the processor and components of the processor may control the comprehensive attention test system to perform steps 210 to 230 included in the method of classifying attention deficit and hyperactivity disorder of FIG. 2 and predicting a treatment response.
  • the processor and the components of the processor may be implemented to execute an instruction according to the code of the operating system included in the memory and the code of at least one program.
  • the processor may load into memory a program code stored in a file of a program for a method of classifying attention deficit and hyperactivity disorder and predicting a treatment response. For example, when a program is executed in the comprehensive attention test system, the processor may control the comprehensive attention test system to load the program code from the program file into the memory under the control of the operating system.
  • the processor and the modeling unit 110, the acquisition unit 120, and the derivation unit 130 included in the processor each execute a command of a corresponding part of the program code loaded in the memory, and the subsequent steps 210 to 230 It may be different functional expressions of the processor for executing the.
  • the modeling unit 110 may classify attention deficit and hyperactivity disorder and generate a learning model for predicting a treatment response.
  • a machine learning-based learning model may be constructed.
  • the acquisition unit 120 may acquire a learning result by learning the comprehensive attention test data through the generated learning model.
  • the acquisition unit 120 may remove a plurality of types of outliers from the comprehensive attention test data and set an exclusion variable.
  • multiple types of outliers are the first type that exceeds the age range of less than 4 years or more than 100 years old, the second type with missing simple selective attention (visual)/simple selective attention (audible) test parameters, and working memory test.
  • the third type in which the number of reverse positive responses/reverse space width of is missing, the fourth type in which the observed value of working memory is missing in addition to the reverse space width AQ of working memory, and the fifth type without gender may be included.
  • the acquisition unit 120 may exclude variables for hospital, MR, coexistence diagnosis, severity, treatment status, and treatment response.
  • the acquisition unit 120 may exclude some of the test data from the comprehensive attention test data based on a predefined criterion.
  • the acquisition unit 120 may input and learn each test data for simple attention, interference selective attention, suppressive persistence, divisional attention, and working memory included in the comprehensive attention test data into the generated learning model.
  • An acquiring unit 120 may generate a random forest (RandomForest) or Gaussian classifier process (GaussianProcessClassifier) based ensemble model (Ensemble Model) as model study.
  • the ensemble model is a method of using multiple learning algorithms to obtain better prediction performance compared to the case of using separate learning algorithms. It is a problem by learning and combining multiple models without learning and using only one model. Is to deal with.
  • the random forest is a type of ensemble learning method used for classification and regression analysis, and operates by outputting a classification or average predicted value (regression analysis) from a plurality of decision trees constructed during a learning process.
  • the acquisition unit 120 performs pre-processing on each test data classified by examination of the comprehensive attention test data, and classifies each classification model for each pre-processed test data using a random forest. , Attention deficit and excess by estimating the missing values for each classified test data using a random forest, performing processing on the estimated missing values, and classifying each classified test data using a random forest. Classification of behavioral disorders and the likelihood of the degree of response to treatment can be derived.
  • the acquisition unit 120 performs a range test of the standardized data on each test data classified by examination of the comprehensive attention test data, merges each standardized test data that passed the test, and merges the test data.
  • the missing value is estimated by excluding the test data that has not been tested more than a preset number from the data, the estimated missing value is processed, and then the merged test data is dimensioned through Principal Component Analysis (PCA).
  • PCA Principal Component Analysis
  • the possibility of attention deficit and hyperactivity disorder can be derived by classifying the reduced and dimensioned merged test data through a Gaussian process classifier.
  • the acquisition unit 120 may exclude test data that has not performed three or more tests among simple attention, interference selective attention, restraining persistence attention, and divided attention from the merged test data.
  • the derivation unit 130 may derive result information related to attention deficit and hyperactivity disorder from the obtained learning result.
  • the derivation unit 130 may derive result information related to a clinical pattern of attention deficit and hyperactivity disorder and a treatment response from the acquired learning result.
  • the derivation unit 130 may derive drug treatment effect result information related to a clinical pattern and treatment response of attention deficit and hyperactivity disorder from the acquired learning result.
  • the important scale may differ depending on the domain of the data, the prediction accuracy of attention deficit and hyperactivity disorder in the diagnosis of attention deficit and hyperactivity disorder through a learning model or attention deficit and hyperactivity predicted accurately by the model.
  • the importance between the ratio of behavioral disorders may be defined by a preset criterion.
  • a confusion matrix for deriving drug treatment effect result information can be set.
  • Drug treatment effect result information can be derived based on (True Positives (TP), TN (True Negatives), FP (False Positives), FN (False Negative)) configured in the set confusion matrix.
  • Rate of attention deficit and hyperactivity disorder (Recall) or (sensitivity, TPR):
  • the correct classification rate of attention deficit and hyperactivity disorder is the correct prediction rate of attention deficit and hyperactivity disorder
  • the rate of attention deficit and hyperactivity disorder is the proportion of positive samples that are accurately detected
  • the accuracy of prediction of attention deficit and hyperactivity disorder means the proportion of negative samples that were detected correctly.
  • the derivation unit 130 may numerically indicate the possibility of attention deficit and hyperactivity disorder.
  • the derivation unit 130 may represent the probability of attention deficit and hyperactivity disorder in %.
  • the derivation unit 130 may express the possibility of attention deficit and hyperactivity disorder as a value between 0 and 100. At this time, as the probability of attention deficit and hyperactivity disorder is closer to 100, it may be determined that the degree of attention deficit and hyperactivity disorder is severe.
  • the derivation unit 130 may classify the possibility of attention deficit and hyperactivity disorder into preset grades (eg, 0-25 normal, 25-50 slightly dangerous, 50-75 dangerous, 75-100 warning).
  • the numerical data of attention and hyperactivity disorder may derive a corresponding grade based on the classified preset grade.
  • 3 and 4 are diagrams for explaining learning of comprehensive attention test data through a learning model in the comprehensive attention test system according to an embodiment.
  • the comprehensive attention test system may include comprehensive attention test data related to the comprehensive attention test results.
  • the comprehensive attention test data may include standardized data obtained by standardizing hospital data and data values collected at each hospital.
  • the comprehensive attention test data may include hospital data including a diagnosis of a specialist made using hospital data and comprehensive attention test data.
  • standardization can be performed to reflect that only data that exist in a specific range from each hospital data are used, the unit of examination data is unified, or that diagnostic criteria are different for each hospital.
  • the comprehensive attention test system can perform an analysis on the comprehensive attention test data.
  • the comprehensive attention test system can remove and exclude multiple types of outliers from the comprehensive attention test data. For example, five types of outliers can be set.
  • the five types of outliers are the first type that exceeds the age range of less than 4 years or more than 100 years old, the second type with missing simple selective attention (visual)/simple selective attention (audible) test parameters, and the number of reverse positive responses of the working memory test.
  • the third type in which the reverse spatial width is missing the fourth type in which the observed value of working memory is missing, and the fifth type without gender, in addition to the reverse spatial width AQ of working memory.
  • the comprehensive attention test system can remove at least one or more or/or all of the five types of outliers from the comprehensive attention test data.
  • the comprehensive attention test system can set the variables for hospital, MR, coexistence diagnosis, severity, treatment status, treatment response among the comprehensive attention test data as excluded variables.
  • Test data representing each test can be selectively selected based on predefined criteria from the comprehensive attention test data.
  • the comprehensive attention test system may exclude some test data from modeling based on a predefined criterion from the comprehensive attention test data.
  • a resampling method for improving the degree of imbalance for example, SMOTE, or random oversampling is not considered.
  • SMOTE is a method of randomly generating similar data for each class, and it is possible to generate random data by simply filling a section between points in the same class.
  • the comprehensive attention test system performs under-sampling to exclude the data. I can.
  • Scaling with Random Over-Sampling may be performed as a standardization method. Scaling with Random Over-Sampling can perform StandardScaler, RobustScaler, and MinMaxScaler for comprehensive attention test data.
  • the comprehensive attention test system performs modeling to generate a learning model by selectively selecting test data related to the comprehensive attention test, and classifies attention deficit and hyperactivity disorder through the learning model and predicts treatment response.
  • the comprehensive attention test system may generate a random forest-based ensemble model as a learning model to learn the comprehensive attention test data.
  • the comprehensive attention test system may input 301 comprehensive attention test data to the learning model.
  • the comprehensive attention test system can classify the comprehensive attention test data by test. For example, the comprehensive attention test system can be classified into simple attention, interference selective attention, constrained persistence attention, divided attention, and working memory from the comprehensive attention test data.
  • the comprehensive attention test system may perform pre-processing 302 on each test data classified for each test.
  • the comprehensive attention test system may classify each classification model for each test data on which preprocessing has been performed, using the random forest 303.
  • the comprehensive attention test system may estimate 304 a missing value for each classified test data using the random forest 303.
  • the comprehensive attention test system derives the possibility of attention deficit and hyperactivity disorder (306) by classifying each test data classified using a random forest using a random forest 305. can do.
  • the comprehensive attention test system may generate an ensemble model based on a Gaussian process classifier as a learning model to learn the comprehensive attention test data.
  • the comprehensive attention test system may input 401 the comprehensive attention test data to the learning model.
  • the comprehensive attention test system can classify the comprehensive attention test data by test. For example, the comprehensive attention test system can be classified into simple attention, interference selective attention, constrained persistence attention, divided attention, and working memory from the comprehensive attention test data.
  • the comprehensive attention test system may perform a range test 402 of standardized data on each test data classified for each test. At this time, the range test for working memory is not performed.
  • the comprehensive attention test system may merge (403) each test data passing the test as the test proceeds. At this time, the comprehensive attention test system merges all the test data, and then excludes (404) test data that has not performed three or more tests among simple attention, interference selective attention, restrained attention, and divided attention.
  • the comprehensive attention test system can estimate the missing value (405) by excluding test data that did not perform three or more tests among simple attention, interference selective attention, constrained persistence attention, and divided attention.
  • the Comprehensive Attention Test System uses simple selective attention (auditory) tests if a subject has not performed simple selective attention (visual) tests but has performed simple selective attention (hearing), suppressive persistence, interference selective attention, and divisional attention tests.
  • the simple selective attention (visual) test data can be estimated by the average of the test data for each of restrained attention, interference selective attention, and divisional attention.
  • specific processing may be performed on the estimated missing value. For example, certain processing can be performed, such as deleting missing values or replacing them with other values.
  • the comprehensive attention test system merges the measured values of all test data, high-dimensional data can be reduced to low-dimensional data through a Principal Component Analysis (PCA) 405.
  • PCA Principal Component Analysis
  • the comprehensive attention test system may be replaced with a Gaussian process classifier 407 as a classifier.
  • the comprehensive attention test system may classify the merged test data with a reduced dimension through the Gaussian process classifier 407 to derive the possibility 408 of the classification of attention deficit and hyperactivity disorder and the degree of treatment response.
  • the comprehensive attention test system is a learning model that simultaneously utilizes test data for each of simple attention, interference selective attention, restraint attention, dividing attention, and working memory included in the comprehensive attention test data, and classifier as a Gaussian process classifier. Can be used to improve performance. Thus, the probability of attention deficit and hyperactivity disorder shows reasonable results. However, assuming a 10% prevalence rate, the precision of the learning model is lowered. Assuming a 10% prevalence, a learning model can be used, but the learning model can be verified by sampling the class balance of test data not used for modeling at 10% for attention deficit and hyperactivity disorder and 90% for normal. Because the ratio between attention deficit and hyperactivity disorder and normal was set at 10:90, not considering the extremity of the actual symptoms or the difference from normal, assuming the prevalence of 10%, the absolute of attention deficit and hyperactivity disorder The smaller the number, the lower the accuracy value.
  • the apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component.
  • the devices and components described in the embodiments are, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, such as one or more general purpose computers or special purpose computers.
  • the processing device may execute an operating system (OS) and one or more software applications executed on the operating system.
  • OS operating system
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include.
  • the processing device may include a plurality of processors or one processor and one controller.
  • other processing configurations are possible, such as a parallel processor.
  • the software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device.
  • Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. Can be embodyed in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Developmental Disabilities (AREA)
  • Data Mining & Analysis (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Educational Technology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류와 치료반응 예측 방법 및 시스템이 개시된다. 일 실시예에 따른 종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류 방법은, 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 단계; 상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 단계; 및 상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 단계를 포함할 수 있다.

Description

종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법
아래의 설명은 종합주의력 검사 결과를 활용한 진단으로부터 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 기술에 관한 것이다.
주의력 결핍 및 과잉 행동 장애는 일명 ADHD(Attention Deficit Hyperactivity Disorder)로 더 잘 알려진 증상으로, 주로 아동기에 많이 나타난다. ADHD 증상의 특성은 지속적으로 주의력이 부족하여 산만하고 과다활동, 충동성을 보이는 상태로 나타나며, 이러한 증상들을 치료하지 않고 방치할 경우, 아동기 성장 과정 내내 여러 행동에서 어려움이 지속되고, 일부의 경우 청소년기와 성인기가 되어서도 증상이 유지된다. ADHD 증상을 갖는 아동들을 위한 치료약이 개발되어 특허까지 획득한 경우가 있지만, 치료약의 처방만으로는 완치가 불가능하여 지속적으로 일정량의 연습과 훈련이 필요한 현실이다.
ADHD 증상이 의심되거나 걱정되는 경우 이를 진단해야 하는데, 진료실에서 단순히 특정 행동 하나만으로 판단하기에 부족하다. 이에, 단순선택주의력(시각), 단순선택주의력(청각), 억제지속주의력검사, 간섭선택주의력검사, 분할주의력검사, 작업기억력검사를 포함하는 종합주의력 검사를 통하여 ADHD를 진단하고 치료반응을 예측하는 기술이 요구된다.
종합주의력 검사 결과를 활용하여 내린 전문의의 진단을 기준으로 주의력 결핍 및 과잉 행동 장애를 분류하는 방법 및 시스템을 제공할 수 있다. 구체적으로, 주의력 결핍 및 과잉 행동 장애를 분류하기 위한 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 종합주의력 검사 데이터를 학습시킴에 따라 주의력 결핍 및 과잉 행동 장애의 진단과 유형 분류 및 치료반응 정도의 가능성을 수치적으로 나타내는 방법 및 시스템을 제공할 수 있다.
종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류 방법은, 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 단계; 상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 단계; 및 상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터에 포함된 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력,　작업기억력에 대한 각각의 검사 데이터를 상기 생성된 학습 모델에 입력하여 학습시키는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델을 학습 모델로 생성하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 상기 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 진단, 유형, 치료반응 정도의 가능성을 도출하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터를 표준화 자료의 범위 테스트를 진행하고, 상기 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 상기 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA (Principal Component Analysis)를 통하여 차원을 축소시키고, 상기 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 가능성을 도출하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 병합된 검사 데이터로부터 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외시키는 단계를 포함할 수 있다.
상기 도출하는 단계는, 상기 주의력 결핍 및 과잉 행동 장애의 진단과 유형 및 치료반응 정도의 가능성을 수치적으로 나타내는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터로부터 복수 개의 유형의 이상치를 제거 및 제외 변수를 설정하는 단계를 포함하고, 상기 복수 개의 유형의 이상치는, 4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭 AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 제외시키는 단계를 포함할 수 있다.
종합주의력 검사 시스템은, 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 모델링부; 상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 획득부; 및 상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 도출부를 포함할 수 있다.
종합주의력 검사의 결과를 활용해 내린 전문의의 진단을 기준으로 ADHD를 분류하는 기계학습 모델을 통하여 보다 정확하고 종합적으로 주의력 결핍 및 과잉 행동 장애를 판단할 수 있다. 이를 통해 전문병원뿐만 아니라 심리 상담소 등에서도 활용이 가능하다.
도 1은 일 실시예에 따른 종합주의력 검사 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 종합주의력 검사 시스템에서 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 설명하기 위한 흐름도이다.
도 3 및 도 4는 일 실시예에 따른 종합주의력 검사 시스템에서 학습 모델을 통하여 종합주의력 검사 데이터를 학습시키는 것을 설명하기 위한 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
종합주의력 검사(Comprehensive Attention Test)란 아동, 청소년 및 성인의 주의력을 종합적으로 평가하는 표준화된 검사도구를 의미한다. 주의력이란 원하는 정보에 관심을 기울이고,　문제 해결을 위해 지속적으로 집중력을 유지하며,　때로는 목적에 따라 필요한 자극으로 주의력을 전환할 수 있는 뇌의 고등 기능을 의미한다. 종합주의력 검사는 각기 다른 방식으로 단순선택주의력,　간섭선택주의력,　억제지속주의력,　분할주의력,　작업기억력 등의　5가지 종류의 주의력을　6가지 검사로 다양하게 살펴볼 수 있다. 이를 통해 각 주의력의 수준을 파악할 수 있고,　주의력 결핍 여부가 평가될 수 있다.
단순선택주의력(시각)은 원하는 시각 자극에 반응할 수 있는 능력, 단순선택주의력(청각)은 원하는 청각 자극에 반응할 수 있는 능력, 억제지속주의력은 지속적으로 주의력을 유지하며 충동성을 억제하는 능력, 간섭선택주의력은 주위의 간섭 자극을 무시하고 필요한 자극에 반응할 수 있는 능력, 분할주의력은 두 가지 이상의 자극을 동시에 처리할 수 있는 능력, 작업기억력은 일련의 자극들을 순서대로 기억하며 처리하는 능력을 의미한다.
일례로, 종합주의력 검사는 연령에 따른 기본세트 메뉴가 존재하며, 검사자의 상황을 고려하여 개별 검사를 조합해 검사자에게 알맞은 새로운 검사 세트를 생성할 수도 있다. 예를 들면, 만 4세~5세의 유치원 세트는, 단순선택주의력 검사(시각 및 청각: 10분+10분), 억제지속주의력 검사로 구성될 수 있고, 유치원 세트 단축형(만 4세~5세)은 단순선택주의력 검사(시각 및 청각: 5분+5분), 억제지속주의력 검사로 구성될 수 있고, 만 6세~8세의 저학년 세트는 단순선택주의력 검사(시각 및 청각: 10분+10분), 억제지속주의력 검사, 간섭선택주의력 검사로 구성될 수 있고, 저학년 세트 단축형(만 6세~8세)은 단순선택주의력 검사(시각 및 청각: 5분+5분), 억제지속주의력 검사, 간선선택주의력 검사로 구성될 수 있고, 만 9세~15세의 고학년 세트/만 16세 이상의 성인세트는 억제지속주의력 검사, 간섭선택주의력 검사, 분할주의력 검사, 작업기억력 검사로 구성될 수 있고, 만 9세~15세의 종합검사 세트/만 16세 이상의 종합검사 세트는 단순선택주의력 검사(시각 및 청각: 10분+10분), 억제지속주의력 검사, 간섭선택주의력 검사, 분할주의력 검사, 작업기억력 검사로 구성될 수 있다.
실시예에서는 종합주의력 검사를 수행함에 따라 획득된 종합주의력 검사 데이터를 선별적으로 선택하여 학습 모델을 생성하는 모델링을 진행하고, 학습 모델을 통하여 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법 및 시스템을 설명하기로 한다.
도 1은 일 실시예에 따른 종합주의력 검사 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 종합주의력 검사 시스템에서 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 설명하기 위한 흐름도이다.
종합주의력 검사 시스템(100)의 프로세서는 모델링부(110), 획득부(120) 및 도출부(130)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 종합주의력 검사 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 2의 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법이 포함하는 단계들(210 내지 230)을 수행하도록 종합주의력 검사 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 종합주의력 검사 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 종합주의력 검사 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 모델링부(110), 획득부(120) 및 도출부(130) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(210 내지 230)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(210)에서 모델링부(110)는 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류하고 치료반응을 예측하기 위한 학습 모델을 생성할 수 있다. 이때, 기계학습 기반의 학습 모델이 구성될 수 있다.
단계(220)에서 획득부(120)는 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득할 수 있다. 획득부(120)는 종합주의력 검사 데이터로부터 복수 개의 유형의 이상치를 제거 및 제외 변수를 설정할 수 있다. 예를 들면, 복수 개의 유형의 이상치는 4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭 AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함할 수 있다. 예를 들면, 획득부(120)는 병원, MR, 공존진단, 심각도, 치료여부, 치료반응에 대한 변수를 제외시킬 수 있다. 획득부(120)는 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 제외시킬 수 있다.
획득부(120)는 종합주의력 검사 데이터에 포함된 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력에 대한 각각의 검사 데이터를 생성된 학습 모델에 입력하여 학습시킬 수 있다. 획득부(120)는 랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델(Ensemble Model )을 학습 모델로 생성할 수 있다. 구체적으로, 앙상블 모델이란 학습 알고리즘들을 따로 쓰는 경우에 비해 더 좋은 예측 성능을 얻기 위해 다수의 학습 알고리즘을 사용하는 방법으로, 하나의 모델만을 학습시켜 사용하지 않고 여러 모델을 학습시켜 결합하는 방식으로 문제를 처리하는 것이다. 랜덤 포레스트는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 학습 과정에서 구성한 다수의 결정 트리로부터 분류 또는 평균 예측치(회귀 분석)를 출력함으로써 동작한다.
일례로, 획득부(120)는 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출할 수 있다.
다른 예로서, 획득부(120)는 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터를 표준화 자료의 범위 테스트를 진행하고, 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA(Principal Component Analysis)를 통하여 차원을 축소시키고, 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 가능성을 도출할 수 있다. 이때, 획득부(120)는 병합된 검사 데이터로부터 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외시킬 수 있다.
단계(230)에서 도출부(130)는 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애와 관련된 결과 정보를 도출할 수 있다. 도출부(130)는 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출할 수 있다. 예를 들면, 도출부(130)는 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 약물치료효과 결과 정보를 도출할 수 있다. 이때, 자료의 도메인에 따라 중요한 척도가 다를 수 있으므로, 학습 모델을 통한 주의력 결핍 및 과잉 행동 장애의 진단에 있어 주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision) 또는 모델이 정확하게 예측한 주의력 결핍 및 과잉 행동 장애의 비율(Recall) 간의 중요도가 기 설정된 기준에 의하여 정의될 수 있다. 실시예에서는, 주의력 결핍 및 과잉 행동 장애의 예측 정확도 및 비율을 도메인 전문가에 의해서 정의된 것을 예를 들어 설명한다. 우선, 약물치료효과 결과 정보를 도출하기 위한 컨퓨전 매트릭스(Confusion Matrix)를 설정할 수 있다. 설정된 컨퓨전 매트릭스에 구성된 (TP(True Positives), TN(True Negatives), FP(False Positives), FN(False Negative))에 기초하여 약물치료효과 결과 정보를 도출할 수 있다.
Figure PCTKR2019008296-appb-img-000001
주의력 결핍 및 과잉 행동 장애의 정분류율(Accuracy):
Figure PCTKR2019008296-appb-img-000002
주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision):
Figure PCTKR2019008296-appb-img-000003
주의력 결핍 및 과잉 행동 장애의 비율(Recall) 또는 (민감도(sensitivity), TPR):
Figure PCTKR2019008296-appb-img-000004
주의력 결핍 및 과잉 행동 장애의 특이도(Specificity) 또는 TNR:
Figure PCTKR2019008296-appb-img-000005
여기서, 주의력 결핍 및 과잉 행동 장애의 정분류율은 주의력 결핍 및 과잉 행동 장애의 정확한 예측 비율, 주의력 결핍 및 과잉 행동 장애의 비율은 정확하게 감지한 양성 샘플의 비율, 주의력 결핍 및 과잉 행동 장애의 예측 정확도는 양성 예측의 정확도, 주의력 결핍 및 과잉 행동 장애의 특이도는 정확하게 감지한 음성 샘플의 비율을 의미한다. 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 수치적으로 나타낼 수 있다. 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 %로 나타낼 수 있다. 예를 들면, 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 0 내지 100 사이의 수치로 표현할 수 있다. 이때, 주의력 결핍 및 과잉 행동 장애의 가능성이 100에 가까울수록 주의력 결핍 및 과잉 행동 장애의 정도가 심한 것으로 판단될 수 있다. 또는, 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 기 설정된 등급(예를 들면, 0~25 정상, 25~50 약간 위험, 50~75 위험, 75~100 경고)으로 분류할 수 있고, 분류된 기 설정된 등급에 기초하여 주의력 및 과잉 행동 장애의 수치 데이터가 해당하는 등급을 도출할 수도 있다.
도 3 및 도 4는 일 실시예에 따른 종합주의력 검사 시스템에서 학습 모델을 통하여 종합주의력 검사 데이터를 학습시키는 것을 설명하기 위한 도면이다.
종합주의력 검사 시스템은 종합주의력 검사 결과와 관련된 종합주의력 검사 데이터를 포함할 수 있다. 이때, 종합주의력 검사 데이터는 각 병원에서 수집된 병원 자료 및 데이터의 값을 표준화한 표준화 자료를 포함할 수 있다. 예를 들면, 종합주의력 검사 데이터는 병원자료 종합주의력 검사 데이터를 활용하여 내린 전문의의 진단을 포함하는 병원 자료를 포함할 수 있다. 또한, 각 병원 자료로부터 특정 범위에 존재하는 자료만을 이용하거나, 검사 데이터의 단위를 통일하거나, 각각의 병원에 따라 진단 기준이 다름을 반영하기 위한 표준화를 수행할 수 있다.
종합주의력 검사 시스템은 종합주의력 검사 데이터에 대한 분석을 수행할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터로부터 복수 가지 유형의 이상치를 제거 및 제외 변수를 설정할 수 있다. 예를 들면, 5가지 유형의 이상치가 설정될 수 있다. 5가지 유형의 이상치는 4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭 AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터로부터 5가지 유형의 이상치를 적어도 하나 이상 또는/및 모두 제거할 수 있다. 또한, 종합주의력 검사 시스템은 종합주의력 검사 데이터 중 병원, MR, 공존진단, 심각도, 치료여부, 치료 반응에 대한 변수에 대해서는 제외 변수로 설정할 수 있다.
종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 각각의 검사를 대표하는 검사 데이터를 선별적으로 선택할 수 있다. 다시 말해서, 종합주의력 검사 시스템은 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 모델링에서 제외시킬 수 있다. 제외한 결과, 제외 전에 비해 정상 검사 데이터와 ADHD 검사 데이터의 불균형 정도를 개선시킬 수 있다. 이에, 불균형 정도를 개선하기 위한 리샘플링(resampling) 방법, 예를 들면, SMOTE, Random oversampling을 고려하지 않는다. SMOTE은 각 클래스 별로 유사한 데이터를 임의로 생성하는 방법으로, 간단하게 동일한 클래스 내의 각 점의 사이 구간을 채워주는 방식으로 임의의 데이터를 생성할 수 있다. 종합주의력 검사 시스템은 병원 자료의 ADHD 데이터가 표준화 자료의 범위 내에 있을 경우, 또는 병원 자료의 정상 자료가 표준화 자료의 범위 밖에 있을 경우, 상기 자료를 제외시키는 언더-샘플링(Under-Sampling)을 수행할 수 있다.
종합주의력 검사를 수행함에 따라 획득된 검사 데이터(값)에 대하여 단위를 통일하는 표준화를 수행할 수 있다. 예를 들면, 병원 자료에 이때, 표준화 방법으로 Scaling with Random Over-Sampling이 수행될 수 있다. Scaling with Random Over-Sampling은 종합주의력 검사 데이터에 대하여 StandardScaler, RobustScaler, MinMaxScaler을 수행할 수 있다.
종합주의력 검사 시스템은 종합주의력 검사와 관련된 검사 데이터를 선별적으로 선택하여 학습 모델을 생성하는 모델링을 진행하고, 학습 모델을 통하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측할 수 있다. 일례로, 도 3에 도시된 바와 같이, 종합주의력 검사 시스템은 랜덤 포레스트 기반의 앙상블 모델을 학습 모델로 생성하여 종합주의력 검사 데이터를 학습시킬 수 있다. 종합주의력 검사 시스템은 학습 모델에 종합주의력 검사 데이터를 입력(301)할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터를 검사별로 분류할 수 있다. 예를 들면, 종합 주의력 검사 시스템은 종합주의력 검사 데이터로부터 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력,　작업기억력으로 분류할 수 있다.
종합주의력 검사 시스템은 검사별로 분류된 각각의 검사 데이터에 대한 전처리(302)를 수행할 수 있다. 종합주의력 검사 시스템은 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트(303)를 사용하여 분류할 수 있다. 종합주의력 검사 시스템은 랜덤 포레스트(303)를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정(304)할 수 있다. 이때, 결측값에 대한 특정 처리를 수행할 수 있다. 예를 들면, 결측값을 삭제하거나 다른값으로 대체하는 등 특정 처리가 수행될 수 있다.
종합주의력 검사 시스템은 결측값에 대한 처리를 수행한 후, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터를 랜덤 포레스트(305)를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 가능성(306)을 도출할 수 있다.
도 4를 참고하면, 종합주의력 검사 시스템은 가우시안프로세스분류기 기반의 앙상블 모델을 학습 모델로 생성하여 종합주의력 검사 데이터를 학습시킬 수 있다. 종합주의력 검사 시스템은 학습 모델에 종합주의력 검사 데이터를 입력(401)할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터를 검사별로 분류할 수 있다. 예를 들면, 종합 주의력 검사 시스템은 종합주의력 검사 데이터로부터 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력,　작업기억력으로 분류할 수 있다. 종합주의력 검사 시스템은 검사별로 분류된 각각의 검사 데이터를 표준화 자료의 범위 테스트(402)를 진행할 수 있다. 이때, 작업기억력에 대한 범위 테스트는 진행하지 않는다.
종합주의력 검사 시스템은 테스트를 진행함에 따라 테스트를 통과한 각각의 검사 데이터를 병합(403)할 수 있다. 이때, 종합주의력 검사 시스템은 각각의 검사 데이터를 모두 병합한 후, 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외(404)시킬 수 있다.
종합주의력 검사 시스템은 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정(405)할 수 있다. 예를 들면, 종합주의력 검사 시스템은 어떤 피험자가 단순선택주의력(시각) 검사를 하지 않고 단순선택주의력(청각), 억제지속주의력, 간섭선택주의 및 분할주의력 검사를 진행한 경우, 단순선택주의력(청각), 억제지속주의력, 간섭선택주의 및 분할주의력 각각에 대한 검사 데이터의 평균으로 단순선택주의력(시각) 검사 데이터를 추정할 수 있다. 이때, 추정된 결측값에 대한 특정 처리를 수행할 수 있다. 예를 들면, 결측값을 삭제하거나 다른값으로 대체하는 등 특정 처리가 수행될 수 있다.
종합주의력 검사 시스템은 모든 검사 데이터의 측정값을 병합하였으므로 PCA(Principal Component Analysis)(405)를 통하여 고차원의 데이터를 저차원의 데이터로 축소시킬 수 있다. 종합주의력 검사 시스템은 모든 검사 데이터의 측정값을 병합함에 따라 컬럼(column)의 수가 약 100개 이상이 되므로, PCA(Principal Component Analysis)를 통하여 약 30개의 pca로 차원을 축소시킬 수 있다. 종합주의력 검사 시스템은 분류기로 가우시안프로세스분류기(407)로 대체할 수 있다. 종합주의력 검사 시스템은 가우시안프로세스분류기(407)를 통하여 차원이 축소된 병합된 검사 데이터를 분류하여 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성(408)을 도출할 수 있다.
일 실시예에 따른 종합주의력 검사 시스템은 종합주의력 검사 데이터에 포함된 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력,　작업기억력 각각에 대한 검사 데이터를 동시에 활용하는 학습 모델로 분류기를 가우시안프로세스분류기를 사용하여 성능을 향상시킬 수 있다. 이에, 주의력 결핍 및 과잉 행동 장애일 확률이 타당한 결과를 보인다. 다만, 10% 유병률을 가정한 경우, 학습 모델의 정확도(precision)가 낮아진다. 10% 유병률을 가정하면, 학습 모델을 사용하되, 모델링에 사용되지 않은 테스트 데이터의 클래스 균형을 주의력 결핍 및 과잉 행동 장애에 10%, 정상에 90%로 샘플링하여 학습 모델을 검증할 수 있다. 실제 증상의 극단성이나 정상과의 차이를 고려한 것이 아니라 단지 주의력 결핍 및 과잉 행동 장애와 정상의 비율을 10:90으로 설정하였기 때문에, 유병률을 10%로 가정한 경우, 주의력 결핍 및 과잉 행동 장애의 절대 수가 작아져 정확도 값이 낮아진다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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 장치에 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.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법에 있어서,
    주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 단계;
    상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 단계; 및
    상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  2. 제1항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    상기 종합주의력 검사 데이터에 포함된 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력,　작업기억력에 대한 각각의 검사 데이터를 상기 생성된 학습 모델에 입력하여 학습시키는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  3. 제1항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델을 학습 모델로 생성하는 단계
    주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  4. 제3항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 상기 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출하는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  5. 제3항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터를 표준화 자료의 범위 테스트를 진행하고, 상기 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 상기 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA (Principal Component Analysis)를 통하여 차원을 축소시키고, 상기 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출하는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  6. 제5항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    상기 병합된 검사 데이터로부터 단순주의력,　간섭선택주의력,　억제지속주의력,　분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외시키는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측방법.
  7. 제1항에 있어서,
    상기 도출하는 단계는,
    상기 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 수치적으로 나타내는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  8. 제1항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    상기 종합주의력 검사 데이터로부터 복수 개의 유형의 이상치를 제거 및 제외 변수를 설정하는 단계
    를 포함하고,
    상기 복수 개의 유형의 이상치는,
    4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함하는
    주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  9. 제1항에 있어서,
    상기 학습 결과를 획득하는 단계는,
    상기 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 제외시키는 단계
    를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법.
  10. 종합주의력 검사 시스템에 있어서,
    주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 모델링부;
    상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 획득부; 및
    상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 도출부
    를 포함하는 종합주의력 검사 시스템.
PCT/KR2019/008296 2019-06-27 2019-07-05 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 WO2020262748A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0076774 2019-06-27
KR1020190076774A KR102248732B1 (ko) 2019-06-27 2019-06-27 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2020262748A1 true WO2020262748A1 (ko) 2020-12-30

Family

ID=74060988

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/008296 WO2020262748A1 (ko) 2019-06-27 2019-07-05 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR102248732B1 (ko)
WO (1) WO2020262748A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343670A (zh) * 2022-01-07 2022-04-15 北京师范大学 解释信息生成方法及电子设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102635609B1 (ko) 2021-07-19 2024-02-08 고려대학교 산학협력단 불규칙 임상 시계열 데이터 예측 및 분류 방법, 및 장치
KR102501989B1 (ko) * 2022-08-11 2023-02-23 주식회사 하이 일상 과업 수행 지원을 위한 스크립트 생성 방법 및 장치
WO2024106902A1 (ko) * 2022-11-15 2024-05-23 동국대학교 산학협력단 심리 검사용 이미지 데이터를 이용한 성격 유형 예측 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014075029A1 (en) * 2012-11-10 2014-05-15 The Regents Of The University Of California Systems and methods for evaluation of neuropathologies
KR101612779B1 (ko) * 2014-11-03 2016-04-15 계명대학교 산학협력단 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치
KR20180002102A (ko) * 2016-06-28 2018-01-08 주식회사 소소 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
WO2018017767A1 (en) * 2016-07-19 2018-01-25 Akili Interactive Labs, Inc. Platforms to implement signal detection metrics in adaptive response-deadline procedures
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014075029A1 (en) * 2012-11-10 2014-05-15 The Regents Of The University Of California Systems and methods for evaluation of neuropathologies
KR101612779B1 (ko) * 2014-11-03 2016-04-15 계명대학교 산학협력단 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치
KR20180002102A (ko) * 2016-06-28 2018-01-08 주식회사 소소 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
WO2018017767A1 (en) * 2016-07-19 2018-01-25 Akili Interactive Labs, Inc. Platforms to implement signal detection metrics in adaptive response-deadline procedures
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343670A (zh) * 2022-01-07 2022-04-15 北京师范大学 解释信息生成方法及电子设备

Also Published As

Publication number Publication date
KR102248732B1 (ko) 2021-05-06
KR20210001145A (ko) 2021-01-06

Similar Documents

Publication Publication Date Title
WO2020262748A1 (ko) 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법
Gill et al. Using machine learning to predict dementia from neuropsychiatric symptom and neuroimaging data
Liu et al. A brief review of artificial intelligence applications and algorithms for psychiatric disorders
Norouzifard et al. Automated glaucoma diagnosis using deep and transfer learning: Proposal of a system for clinical testing
RU2010137352A (ru) Способ, компьютерный программный продукт и система обеспечения поддержки принятия клинического решения
KR102111852B1 (ko) 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치
CN111446002A (zh) 一种基于人工智能的新型冠状病毒患者病况分类系统
CN113762104A (zh) 基于脑电信号的情景意识评估方法、装置及电子设备
Magboo et al. Explainable AI for autism classification in children
Mogaveera et al. Multi-class Chest X-ray classification of Pneumonia, Tuberculosis and Normal X-ray images using ConvNets
Jiji et al. Diagnosis of Parkinson’s disease using EEG and fMRI
CN116013466A (zh) 一种患者围手术期风险评估方法及系统
EP3588513A1 (en) Apparatus and method for statistical processing of patient s test results
US20230091197A1 (en) Automatic sensor trace validation using machine learning
Wahid et al. Pneumonia Detection in Chest X‐Ray Images Using Enhanced Restricted Boltzmann Machine
WO2022265131A1 (ko) 아이트래킹을 이용한 정신과 검사 데이터에 기초하여 정신 장애 진단 및 치료 반응을 예측하는 시스템 및 방법
Buecher et al. Firefighter Stress Monitoring: Model Quality and Explainability
CN112768066A (zh) 一种神经外科患者综合诊疗方法及系统
Ikermane et al. Web-based autism screening using facial images and convolutional neural network
Tasaki et al. Interpretable deep learning approach for extracting cognitive features from hand-drawn images of intersecting pentagons in older adults
Alves et al. Identifying ADHD and subtypes through microstates analysis and complex networks
JP2024521462A (ja) アイトラッキングを用いた精神科検査データに基づいて精神障害診断及び治療反応を予測するシステム及び方法
CN110135305A (zh) 用于疲劳度检测的方法、装置、设备和介质
CN108984587A (zh) 信息处理装置、信息处理方法、信息处理系统和存储介质
Viroonluecha et al. COVID19 X-ray image classification using voting ensemble CNNs transfer learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19934735

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19934735

Country of ref document: EP

Kind code of ref document: A1