WO2022103134A1 - 질병 통합 진단 시스템 및 동작 방법 - Google Patents

질병 통합 진단 시스템 및 동작 방법 Download PDF

Info

Publication number
WO2022103134A1
WO2022103134A1 PCT/KR2021/016293 KR2021016293W WO2022103134A1 WO 2022103134 A1 WO2022103134 A1 WO 2022103134A1 KR 2021016293 W KR2021016293 W KR 2021016293W WO 2022103134 A1 WO2022103134 A1 WO 2022103134A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
patient
medical image
result
analysis
Prior art date
Application number
PCT/KR2021/016293
Other languages
English (en)
French (fr)
Inventor
김원태
강신욱
이명재
김동민
김정민
김동석
Original Assignee
(주)제이엘케이
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)제이엘케이 filed Critical (주)제이엘케이
Publication of WO2022103134A1 publication Critical patent/WO2022103134A1/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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/10—Sequence alignment; Homology search
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Definitions

  • the following description relates to a disease diagnosis system and method, and a method and system for diagnosing whether a patient is infected with an infectious disease based on artificial intelligence (AI) and providing a diagnosis result.
  • AI artificial intelligence
  • a machine learning algorithm such as supervised learning and unsupervised learning may be used.
  • a system for estimating whether a patient has a disease by generating a diagnostic model through a machine learning algorithm and analyzing medical data using the generated diagnostic model may be configured.
  • accuracy is still low, and a lot of computing resources and time are required. Therefore, there is a need for improvement.
  • the present disclosure may provide an infectious disease integrated diagnosis system and operation method for analyzing whether a patient is infected with an infectious disease based on artificial intelligence (AI) in performing an infectious disease diagnosis.
  • AI artificial intelligence
  • a method of operating an integrated infectious disease diagnosis system includes: acquiring medical data of a patient; analyzing, from among the medical data, test result data based on the patient's genome data using a first artificial neural network; analyzing, from among the medical data, medical image data of the patient using a second artificial neural network; finally diagnosing the patient's condition based on the analysis result of the examination result data and the patient's medical image data; storing the examination result data, the analysis result of the patient's medical image data, and the patient's condition information in a database; and outputting at least one of the examination result data stored in the database, an analysis result of the patient's medical image data, and the patient's condition information.
  • the acquiring of the patient's medical data may include: acquiring detection target data; and outputting information necessary to perform an analysis for detecting the detection target data, wherein the test result data based on the patient's genome data is performed based on the information required to perform the analysis It may be data obtained as a result of the examination.
  • information necessary for performing the analysis includes nucleotide sequences of a primer and a probe for detecting the detection target data, a melting temperature (TM) of the primer and the probe, and of the primer and the probe. may include affinity.
  • TM melting temperature
  • the analyzing of the patient's medical image data may include: filtering the patient's medical image data; dividing the pre-processed medical image data of the patient into segments; and performing data labeling on each of the segments of the medical image data.
  • the medical image data of the patient may include at least one of a fast Fourier transform (FFT), a histogram equalization, a motion artifact removal, and a noise removal. It can be filtered through the filtering method of FFT, a fast Fourier transform (FFT), a histogram equalization, a motion artifact removal, and a noise removal. It can be filtered through the filtering method of FFT, a fast Fourier transform (FFT), a histogram equalization, a motion artifact removal, and a noise removal. It can be filtered through the filtering method of
  • the analyzing of the patient's medical image data from among the medical data may include: obtaining information on a detected pathogen as a result of analyzing the test result data;
  • the method may include classifying a medical image of a body part exhibiting symptoms due to the pathogen from among the medical image data included in the medical data.
  • the finally diagnosing the patient's condition may include: comparing learning degrees of the first artificial neural network and the second artificial neural network; assigning different weights to an analysis result of the examination result data and an analysis result of the patient's medical image data based on a comparison result of the learning degree of the first artificial neural network and the second artificial neural network; and inputting the analysis result of the examination result data to which the different weights are given and the analysis result of the patient's medical image data into a third artificial neural network for diagnosing the condition of the patient.
  • the operating method may include: receiving feedback on status information of the finally diagnosed patient; and updating weights assigned to each of the analysis result of the examination result data and the analysis result of the patient's medical image data based on the feedback on the patient's condition information.
  • the operating method may include: acquiring genome data of a pathogen detected as a result of analyzing the test result data; and analyzing the taxonomy specificity of the genome data of the detected pathogen based on a comparison result with the taxonomy based on the genome data of the existing pathogen previously stored in the database.
  • the operating method may further include deriving a relationship between the patient and existing patients previously stored in the database based on the taxonomy specificity analysis information.
  • the integrated infectious disease diagnosis system includes: a data input unit for acquiring medical data of a patient; a first data analysis unit that analyzes test result data based on the patient's genome data from among the medical data using a first artificial neural network; a second data analyzer analyzing the medical image data of the patient from among the medical data using a second artificial neural network; a diagnosis unit that finally diagnoses the condition of the patient based on the analysis result of the examination result data and the patient's medical image data; a database manager configured to store the examination result data, an analysis result of the patient's medical image data, and the patient's condition information in a database; and a report unit configured to output at least one of the examination result data stored in the database, an analysis result of the patient's medical image data, and the patient's condition information.
  • the data input unit obtains detection target data, outputs information necessary to perform analysis for detecting the detection target data, and test result data based on the patient's genome data is , may be data obtained as a result of an inspection performed based on information necessary to perform the analysis.
  • information necessary for performing the analysis includes nucleotide sequences of a primer and a probe for detecting the detection target data, a melting temperature (TM) of the primer and the probe, and of the primer and the probe. may include affinity.
  • TM melting temperature
  • the second data analyzer filters the medical image data of the patient, divides the pre-processed medical image data of the patient into segments, and stores data in each of the segments of the medical image data. Labeling can be done.
  • the medical image data of the patient may include at least one of a fast Fourier transform (FFT), a histogram equalization, a motion artifact removal, and a noise removal. It can be filtered through the filtering method of FFT, a fast Fourier transform (FFT), a histogram equalization, a motion artifact removal, and a noise removal. It can be filtered through the filtering method of FFT, a fast Fourier transform (FFT), a histogram equalization, a motion artifact removal, and a noise removal. It can be filtered through the filtering method of
  • the second data analyzer may obtain information on a detected pathogen as a result of analyzing the test result data, and among the medical image data included in the medical data, Medical images of expressed body parts can be classified.
  • the diagnosis unit compares the learning degrees of the first artificial neural network and the second artificial neural network, and based on the comparison result of the learning degrees of the first artificial neural network and the second artificial neural network, the Different weights are given to the analysis result of the examination result data and the analysis result of the patient's medical image data, respectively, and the analysis result of the examination result data to which the different weights are given and the analysis result of the patient's medical image data It may be input to a third artificial neural network for diagnosing the patient's condition.
  • the diagnosis unit may receive a feedback on the state information of the patient who is finally diagnosed, and based on the feedback on the state information of the patient, an analysis result of the examination result data and the medical treatment of the patient As a result of analyzing the image data, weights assigned to each may be updated.
  • a specificity analysis unit of genomic data is included, wherein the specificity analysis unit obtains genomic data of a pathogen detected as a result of analyzing the test result data, and based on genomic data of an existing pathogen stored in advance in the database. Based on the comparison result with the taxonomy, the taxonomy specificity of the genome data of the detected pathogen may be analyzed.
  • the specificity analyzer may derive a correlation between the patient and existing patients previously stored in the database based on the taxonomy specificity analysis information.
  • AI artificial intelligence
  • FIG. 1 is a view showing an integrated infectious disease diagnosis system according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating the structure of an infectious disease integrated diagnosis system according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating an operation of an integrated infectious disease diagnosis system according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a data analysis operation of the integrated infectious disease diagnosis system according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating an interface provided by the integrated infectious disease diagnosis system and functions executed according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a structure of an artificial neural network applicable to a disease diagnosis and analysis system according to an embodiment of the present invention.
  • each component or feature may be considered optional unless explicitly stated otherwise.
  • Each component or feature may be implemented in a form that is not combined with other components or features.
  • some components and/or features may be combined to configure an embodiment of the present disclosure.
  • the order of operations described in embodiments of the present disclosure may be changed. Some configurations or features of one embodiment may be included in other embodiments, or may be replaced with corresponding configurations or features of other embodiments.
  • FIG. 1 is a view showing an integrated infectious disease diagnosis system according to an embodiment of the present invention.
  • the disease diagnosis and analysis system includes a local device 110a, a local device 110b, and a server 120 connected to a communication network.
  • 1 illustrates two local devices 110a and 110b, but is not limited thereto.
  • the local device 110a and the local device 110b are used by a user who wants to diagnose and analyze a disease such as an infectious disease by utilizing the system.
  • the local device 110a and the local device 110b may transmit input data to the server 120 through a communication network, and may receive data including an analysis result from the server 120 .
  • the server 120 provides diagnosis and analysis of diseases according to embodiments of the present invention, and performs algorithms for diagnosis and analysis of diseases. According to various embodiments, an algorithm for diagnosis and analysis may be performed based on artificial intelligence.
  • the server 120 performs operations such as molecular diagnosis, genetic diagnosis, and disease diagnosis based on data received from at least one of the local device 110a and the local device 110b, and transmits the result data to the local device 110a and to at least one of the local devices 110b.
  • the server 120 may be a cloud server.
  • the local device 110a and the local device 110b are terminals that perform data input and output functions, and the server 120 performs diagnosis, analysis, and design functions.
  • the local device 110a and the local device 110b may perform at least some operations for diagnosis and analysis. The degree of sharing of calculations for diagnosis and analysis may be different for each local device.
  • a local device including all functions of the server 120 may also exist. In this case, the local device 110a or the local device 110b may perform diagnosis, analysis, and design operations even if it is not connected to a communication network.
  • the server 120 may provide a platform for analyzing/diagnosing a disease.
  • a platform according to an embodiment may provide a diagnosis and prediction service for a disease.
  • the platform according to an embodiment provides a bioinformatics service based on genome big data information using artificial intelligence.
  • the present disclosure relates to an infectious disease diagnosis system and operation method, and more particularly, to an infectious disease integrated diagnosis system and operation method for analyzing whether a patient is infected with an infectious disease based on artificial intelligence (AI) in performing an infectious disease diagnosis do.
  • AI artificial intelligence
  • the structure of the infectious disease integrated diagnosis system may be configured as described below.
  • FIG. 2 is a diagram illustrating the structure of an infectious disease integrated diagnosis system according to an embodiment of the present invention.
  • the components illustrated in FIG. 2 may be included in one of a local device (local device 110a or local device 110b in FIG. 1) and a server (eg, server 120 in FIG. 1), and each component How it is deployed in the local device and the server may vary according to various embodiments. Accordingly, the connection between the components may be based on an internal circuit or an external communication network.
  • the data input unit 202 may obtain medical data of the patient.
  • the patient's medical data may be the patient's genomic data analysis result data.
  • the genomic data analysis result data may include genome sequence data in any format (eg, Axt, BAM, BAMBAM, BED, MAF, microarray, SAM, WIG, XML, etc. formats).
  • the genome data analysis result data may be data obtained as a result of single nucleotide polymorphism (SNP) analysis.
  • SNP single nucleotide polymorphism
  • the genomic data analysis result data may be data obtained as a PCR test result.
  • the patient's medical data may further include antibody test result data.
  • the antibody test result data may be data in the form of an image output as a result of a rapid kit test of a patient.
  • the patient's data may further include the patient's medical image data.
  • the medical image data may include medical image data of the patient, such as MRI, CT, and X-ray of the patient.
  • the data input unit 202 may perform a preprocessing operation of the medical data prior to analyzing the acquired medical data of the patient. For example, the data input unit 202 may reduce the dimension of the raw patient's genome data based on a database secured in advance to generate sequence annotations. The data input unit 202 may preprocess the patient's genomic data by reflecting the relative position in each chromosome, association with a known allele, association with a known marker, association with a known mutation, etc. .
  • the data input unit 202 may filter the patient's medical data by filtering the image-type patient's medical data.
  • the data input unit 202 may filter a test result image obtained by PCR test, an image outputted as a rapid kit test result, and medical image data.
  • the filtering method may include a filtering method such as fast Fourier transform (FFT), histogram equalization, motion artifact removal, or noise canceling.
  • FFT fast Fourier transform
  • histogram equalization e.g., histogram equalization
  • motion artifact removal e.g., motion artifact removal, or noise canceling.
  • the filtering of the present disclosure is not limited to the methods listed above, and may include all types of filtering methods capable of improving the quality of images and images.
  • the first data analysis unit 204 may obtain test result data for diagnosing an infectious disease of a patient from the data input unit 202 , and may analyze the acquired test result data.
  • the test result data may be PCR test result data based on the patient's genome data.
  • the first data analysis unit 204 may obtain a PCR test result image from the data input unit 202, and using an artificial neural network model for analyzing the PCR test result image obtained in advance, each of the PCR test result images You can label data in parts.
  • the second data analyzer 206 may obtain medical image data of the patient from the data input unit 202 and analyze the obtained medical image data.
  • the second data analyzer 206 may analyze and extract characteristics of the medical image data.
  • the second data analyzer 206 may extract local features of each region of the medical image data.
  • the second data analysis unit 206 may extract features of regions included in medical image data using a convolutional neural network (CNN) technique or a pooling technique.
  • CNN convolutional neural network
  • the pooling technique may be at least one of a max pooling technique and an average pooling technique.
  • the pooling technique referred to in the present disclosure is not limited to the max pooling technique or the average pooling technique, and may include any technique for obtaining a representative value of an image region of a predetermined size.
  • the representative value used in the pooling technique may be at least one of a variance value, a standard deviation value, a mean value, a most frequent value, a minimum value, and a weighted average value, in addition to the maximum value and the average value.
  • the convolutional neural network of the present disclosure may be used to extract features such as borders, line colors, etc. from input data (eg, examination result images and medical images), and may include a plurality of layers. may include Each layer may receive input data, process input data of the corresponding layer, and generate output data.
  • the convolutional neural network may output a feature map generated by convolving an input image or an input feature map with filter kernels as output data.
  • the initial layers of a convolutional neural network may operate to extract low-level features such as edges or gradients from the input.
  • the next layers of the neural network can extract progressively more complex features.
  • the second data analyzer 206 may use an artificial neural network model for analyzing the patient's medical image data to label each area of the medical image data.
  • the diagnosis unit 208 may obtain test result data from the first data analyzer 204 and may obtain medical image data from the second data analyzer 206 .
  • the diagnosis unit 208 may obtain clinical information about the patient by analyzing the test result data and the medical image data. That is, by analyzing the test result data and the medical image data, the diagnosis unit 208 may acquire clinical information such as whether the patient is infected (or onset) of a disease, whether antibodies to the disease are generated, and whether the disease is expressed.
  • the diagnosis unit 208 may determine the patient's condition, whether the patient is infected with an infectious disease, the progress of the infectious disease, the severity of the patient, and the like by synthesizing the clinical information obtained as a result of the analysis of the examination result data and the medical image data.
  • the report unit 212 may obtain medical data of the patient and may output the obtained medical data of the patient.
  • the patient's medical data may include the patient's genome data analysis result data, antibody test result data, the patient's medical image data, and the patient's diagnosis information. Accordingly, the user may visually check the patient's medical data through the database manager 210 .
  • the database manager 210 may store the acquired patient's medical data in a database, and may manage a medical database built on the basis of the acquired patient's medical data.
  • the patient's medical data may include the patient's genome data analysis result data, antibody test result data, the patient's medical image data, and the patient's diagnosis information. That is, the user may modify or manage the patient's medical data through the database manager 210 .
  • the function of at least one of the first data analysis unit 204 , the second data analysis unit 206 , and the diagnosis unit 208 and the data input unit 202 , the database management unit 210 and the At least some functions of the report unit 212 may be performed by a processor.
  • the system may include an interface means for interaction with a user.
  • the system may include input means such as a keyboard, mouse, touch screen, and the like, and display means, such as a monitor, touch screen, projector, and the like.
  • input means such as a keyboard, mouse, touch screen, and the like
  • display means such as a monitor, touch screen, projector, and the like.
  • FIG. 3 is a diagram illustrating an operation of an integrated infectious disease diagnosis system according to an embodiment of the present invention. 3 illustrates an operation method of the integrated infectious disease diagnosis system (eg, the infectious disease integrated diagnosis system of FIG. 2 ).
  • the operating entity of FIG. 3 is referred to as an 'integrated infectious disease diagnosis system', but may be referred to as another term having an equivalent technical meaning.
  • the infectious disease integrated diagnosis system may acquire the patient's medical data. That is, the integrated infectious disease diagnosis system may acquire medical data such as a patient's genome data, test result data, and medical image data. The integrated infectious disease diagnosis system may perform filtering on at least one medical data of the patient's genome data, test result data, and medical image data.
  • the integrated infectious disease diagnosis system may output information necessary to perform analysis to detect detection target data in order to obtain patient medical data.
  • the infectious disease integrated diagnosis system can acquire the genomic data of the patient from the user.
  • the test result data based on the patient's genome data may be data obtained as a result of a test performed based on information required to perform the analysis.
  • the integrated infectious disease diagnosis system may analyze the genomic data-based test result data among the patient's medical data.
  • the infectious disease integrated diagnosis system can analyze the test result data based on genomic data by using an artificial neural network.
  • the patient's genomic data and test result data may be data filtered by the infectious disease integrated diagnosis system.
  • the integrated infectious disease diagnosis system may analyze the patient's medical image data among the patient's medical data.
  • the infectious disease integrated diagnosis system may analyze the patient's medical image data using an artificial neural network.
  • the patient's medical image data may be data filtered by the infectious disease integrated diagnosis system.
  • the infectious disease integrated diagnosis system may segment the patient's medical image data for each area.
  • the infectious disease integrated diagnosis system may analyze medical image data for each area to detect a lesion in the patient's body.
  • the integrated infectious disease diagnosis system may determine image data of a region to be analyzed preferentially based on the analysis result of the genomic data-based test result data. That is, when a pathogen is detected from genomic data in the patient's medical data, the integrated infectious disease diagnosis system classifies the medical image of the body part where symptoms are expressed due to the pathogen from among the medical image data, and displays the classified medical image. can be analyzed first.
  • the infectious disease integrated diagnosis system may finally diagnose the patient's condition based on the medical data analysis result.
  • the infectious disease integrated diagnosis system may diagnose the disease progression of a patient by combining test result data and medical image data.
  • the infectious disease integrated diagnosis system can finally diagnose the patient's condition using an artificial neural network.
  • the integrated infectious disease diagnosis system may assign different weights to each of the test result data and the medical image data. For example, the integrated infectious disease diagnosis system can compare the learning degree of the artificial neural network for analyzing the genomic data-based test result data and the artificial neural network for analyzing the medical image data, and compare the learning degree of each of the artificial neural networks. Based on the analysis result of the examination result data and the analysis result of the patient's medical image data, different weights may be assigned to each.
  • the integrated infectious disease diagnosis system can diagnose the condition of a patient, whether the patient has an infectious disease, the progress of the infectious disease, the severity of the patient, and the like.
  • the infectious disease integrated diagnosis system may visualize the patient's status information including the patient's diagnosis result and the patient's medical data, and output the visualized patient's medical data.
  • the integrated infectious disease diagnosis system may receive feedback from the user on information such as the patient's condition, whether the patient is infected with the infectious disease, the progress of the infectious disease, and the severity of the patient.
  • the integrated infectious disease diagnosis system may update weights assigned to each of the analysis result of the examination result data and the analysis result of the patient's medical image data based on the feedback on the patient's condition information.
  • the infectious disease integrated diagnosis system may build a medical database based on the medical data analysis result. That is, the infectious disease integrated diagnosis system can create a data set for each patient.
  • the individual patient data set may include patient personal information, patient health status information, patient medical data, patient clinical data, and patient infectious disease diagnosis result information.
  • the data set of each patient may further include a correlation between the examination result data and the medical image data.
  • the integrated infectious disease diagnosis system can build a medical database by storing the created data set for each patient in the database.
  • FIG. 4 is a diagram illustrating a data analysis operation of the integrated infectious disease diagnosis system according to an embodiment of the present invention. 4 illustrates an operation method of the integrated infectious disease diagnosis system (eg, the infectious disease integrated diagnosis system of FIG. 2 ).
  • the operating subject of FIG. 4 is referred to as an 'integrated infectious disease diagnosis system', but may be referred to as another term having an equivalent technical meaning.
  • the integrated infectious disease diagnosis system may generate a correlation between the patient's medical data.
  • the integrated infectious disease diagnosis system may create a correlation relationship between information about the genome obtained as a test result based on the genome data and information about the medical image data of a body affected by the expression of the genome.
  • the integrated infectious disease diagnosis system can create a relationship between the genome and the location of the lesion in the body, the degree of metastasis, and the like.
  • the integrated infectious disease diagnosis system may generate a correlation between the patient's medical data and the existing medical data.
  • the integrated infectious disease diagnosis system may create a correlation including similarity and difference between previously acquired medical data of a patient and acquired medical data of a patient.
  • the integrated infectious disease diagnosis system may derive an analysis result of the acquired medical data of the patient according to the medical data of the existing patient, wherein the analysis result of the acquired medical data of the patient is the current patient's infectious disease progress status. It may include information such as the current patient's singularity compared to other patients.
  • the infectious disease integrated diagnostic system may analyze the taxonomy specificity of the pathogen genome data.
  • the infectious disease integrated diagnosis system may acquire taxonomy information based on previously obtained pathogen genome data from a database. And the infectious disease integrated diagnosis system can compare the genome data of the pathogen detected from the patient with the taxonomy.
  • the integrated infectious disease diagnosis system may analyze the taxonomy specificity of the genome data of the pathogen detected from the patient based on the comparison result between the genome data and the taxonomy of the pathogen detected from the patient. Therefore, the integrated infectious disease diagnosis system can derive a correlation between the previously secured pathogen genome data and the patient's pathogen genome data, and based on the derived correlation, a mutation process due to pathogen mutation, etc. can be derived. .
  • the infectious disease integrated diagnosis system may derive a correlation between the patient and the existing patients. Based on the generated taxonomy information, the infectious disease integrated diagnosis system can check the information of the existing patient having the pathogen data most similar to the patient's pathogen data. The integrated infectious disease diagnosis system can derive the relationship between patients and existing patients identified through taxonomy information and the path of disease transmission.
  • FIG. 5 is a diagram illustrating an interface provided by the integrated infectious disease diagnosis system and functions executed according to an embodiment of the present invention.
  • the interface provided by the integrated infectious disease diagnosis system includes a menu, a search bar, and function items.
  • Each of the function items may be composed of an image and a name expressing an analysis target or technique.
  • the user may proceed with the corresponding analysis technique by clicking or selecting a function item to be utilized for analysis.
  • the infectious disease integrated diagnosis system executing the dimer analysis function 501 may acquire genomic data to be analyzed.
  • the genome data may be genome data in the form of a sequencing library divided into predetermined units.
  • the infectious disease integrated diagnosis system may acquire data of primers and probes used to analyze genomic data.
  • the infectious disease integrated diagnosis system may acquire data of primers and probes through a database or a user's input.
  • the infectious disease integrated diagnostic system may analyze a dimer of genomic data by using information on one primer group including primers and probes.
  • the infectious disease integrated diagnosis system may analyze a dimer of genomic data by using information on a plurality of primer groups.
  • the plurality of primer groups may include a query primer and a target primer.
  • the infectious disease integrated diagnostic system executing the TM calculation function 502 may calculate a TM of each of the primers and/or probes based on the characteristic information of the primers and/or probes.
  • the integrated infectious disease diagnosis system may receive information about the base sequence and components of the primer and/or probe.
  • the information on the components may be information on the capacity of at least one of oligo, sodium, potassium, magnesium, Tris, and dNTP included in the primer and/or probe.
  • the integrated infectious disease diagnosis system may determine the TM of the primer and/or probe, which is a temperature suitable for performing a test such as PCR, based on information about the base sequence and components of the primer and/or probe.
  • the integrated infectious disease diagnosis system executing the related research data search function 503 may acquire information on the nucleotide sequence and characteristics of the target genome to be searched.
  • the integrated infectious disease diagnosis system may retrieve research data related to the target genome from the database based on information on the nucleotide sequence and characteristics of the target genome.
  • the integrated infectious disease diagnosis system that executes the efficiency calculation function 504 of the PCR test may acquire information about a target genome to be detected through the PCR test, information about a primer and a probe, and the like.
  • the integrated infectious disease diagnosis system may acquire affinity between the primer and/or probe and the genome and TM information of the primer and/or probe, and may calculate the efficiency of a PCR test based on the acquired information.
  • the infectious disease integrated diagnosis system executing the primer design function 505 may acquire information on a genome to be tested and a target genome to be detected.
  • the integrated infectious disease diagnosis system can design primers that meet preset conditions based on the acquired genomic information.
  • the preset conditions may be conditions related to the length of the primer, TM, guanine-cytosine (GC) content, the structure of the primer and template, and repetition of the nucleotide sequence.
  • the infectious disease integrated diagnostic system executing the primer affinity calculation function 506 may acquire component and characteristic information of the primer and/or probe.
  • the integrated infectious disease diagnosis system may calculate the affinity between the primer and/or probe and the genome based on the obtained primer and/or probe component and property information.
  • the infectious disease integrated diagnosis system executing the target genome alignment function 507 may acquire a sequence of genome data including the target genome, and may align the sequence of the acquired genome data in units of a predetermined length.
  • the infectious disease integrated diagnosis system executing the target genome extraction function 508 can extract target genomes to be identified through genome analysis from among the genomes secured in the database based on the characteristic information of each of the genomes stored in advance from the database. there is.
  • the infectious disease integrated diagnosis system executing the target genome identification function 509 may acquire information such as the nucleotide sequence of the genomic data, and the target included in the genomic data based on the nucleotide sequence information of each of the target genomes stored in advance from the database The genome can be identified.
  • the infectious disease integrated diagnostic system executing the template folding analysis function 510 may acquire genomic data, and may acquire shape information of the template according to the nucleotide sequence stored in advance from the database.
  • the infectious disease integrated diagnosis system can analyze the entire template fold structure by combining the shape information of the template corresponding to the nucleotide sequence of the genome data.
  • the infectious disease integrated diagnosis system executing the sequence coverage analysis function 511 may acquire genome data and reference genome data.
  • reference genomic data is a control.
  • the integrated infectious disease diagnosis system can analyze the sequence coverage of the acquired genome data by comparing the genome data and the reference genome data and calculating the difference between the genome data with respect to the reference genome data.
  • the infectious disease integrated diagnosis system executing the taxonomy specificity analysis function 512 may extract genome data of pathogens from the analyzed genome data.
  • the pathogen may be an object such as a virus, segun, liceca, or protozoa.
  • the integrated infectious disease diagnosis system that executes the taxonomy specificity analysis function can generate taxonomy information, a classification system between pathogens, based on the genome data of the pathogens secured in advance.
  • the integrated infectious disease diagnosis system can classify pathogens based on the similarity of genomic data between pathogens obtained in advance.
  • AI Artificial Intelligence
  • machines such as computers, perform thinking, learning, and analysis that are possible with human intelligence.
  • ANNs artificial neural networks
  • FIG. 6 An example of an artificial neural network applicable to the present invention is shown in FIG. 6 below.
  • the artificial neural network includes an input layer 610 , at least one hidden layer 620 , and an output layer 630 .
  • Each of the layers 610 , 620 , and 630 includes a plurality of nodes, and each of the nodes is connected to the output of at least one node belonging to the previous layer.
  • Each node adds a bias to the inner product of each output value of the nodes of the previous layer and the corresponding connection weight, and then a non-linear activation function
  • the output value multiplied by is delivered to at least one neuron in the next layer.
  • Machine learning models used in various embodiments of the present invention include a fully convolutional neural network, a convolutional neural network, a recurrent neural network, and a restricted Boltzmann machine (RBM). ) and at least one of a deep belief neural network (DBN), but is not limited thereto.
  • machine learning methods other than deep learning may be included.
  • it may include a hybrid model that combines deep learning and machine learning. For example, when a feature of an image is extracted by applying a deep learning-based model, and an image is classified or recognized based on the extracted feature, a machine learning-based model may be applied.
  • the machine learning-based model may include, but is not limited to, a support vector machine (SVM), AdaBoost, and the like.
  • examples of the above-described proposed method may also be included as one of the implementation methods of the present disclosure, it is clear that they may be regarded as a kind of proposed method.
  • the above-described proposed methods may be implemented independently, or may be implemented in the form of a combination (or merge) of some of the proposed methods.
  • Rules may be defined so that the base station informs the terminal of whether the proposed methods are applied or not (or information on the rules of the proposed methods) through a predefined signal (eg, a physical layer signal or a higher layer signal) to the terminal. .
  • the present invention can be used in a server including a processor, a local device, and a system including a server and a local device, and the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 개시는 전염병 통합 진단 시스템의 동작 방법 및 시스템의 동작 방법을 개시한다. 본 개시에 적용 가능한 일 실시 예에 따르면, 전염병 통합 진단 시스템의 동작 방법은, 환자의 의료 데이터들을 획득하는 단계; 상기 의료 데이터들 중에서, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터를 분석하는 단계; 상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 분석하는 단계; 상기 검사 결과 데이터 및 상기 환자의 의료 영상 데이터의 분석 결과를 바탕으로 상기 환자의 상태를 최종적으로 진단하는 단계; 및 상기 검사 결과 데이터 및 상기 환자의 의료 영상 데이터의 분석 결과를 데이터베이스에 저장하는 단계를 포함할 수 있다.

Description

질병 통합 진단 시스템 및 동작 방법
이하의 설명은 질병 진단 시스템 및 방법에 대한 것으로, 인공지능(artificial intelligence, AI)을 기반으로 한 환자의 전염병 감염 여부를 진단하고, 진단 결과를 제공하는 방법 및 시스템에 대한 것이다.
인공지능 기법을 이용한 다양한 알고리즘들이 오랜 기간 동안 개발되어 왔으며, 의학 분야에서도 인공지능 기법을 적용하여 임상 의사 결정에 도움을 받고자 하는 시도가 활발하게 진행되었다. 특히, 인공지능 기법을 적용함으로써, X-ray, 초음파, CT(computed tomography), MRI(magnetic resonance imaging), PET(positron emission tomography) 등의 의료 영상과 PCR(polymerase chain reaction) 검사 등의 유전체 데이터에 기반한 의료 데이터를 분석하고, 질병 진단 및 의사 결정에 도움을 주는 기술들이 개발되어 왔다.
인공지능 기법을 구현하기 위하여, 지도학습(supervised learning)과 비지도학습(unsupervised learning) 등의 기계 학습(machine learning) 알고리즘을 사용할 수 있다. 기계 학습 알고리즘을 통해 진단 모델을 생성하고, 생성한 진단 모델을 이용하여, 의료 데이터를 분석하여 환자의 질병 감염 여부를 추정하는 시스템을 구성할 수 있다. 하지만, 의료 데이터를 분석하여 환자의 상태를 선별하거나 병변을 검출함에 있어서, 정확도가 여전히 낮은 실정이고, 또한 많은 컴퓨팅 자원과 시간이 소요되는 실정이다. 따라서, 이에 대한 개선이 필요하다.
본 개시는 전염병 진단을 수행함에 있어서, 인공지능(artificial intelligence, AI)을 기반으로 환자의 전염병 감염 여부를 분석하는 전염병 통합 진단 시스템 및 동작 방법을 제공할 수 있다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 전염병 통합 진단 시스템의 동작 방법은, 환자의 의료 데이터들을 획득하는 단계; 상기 의료 데이터들 중에서, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터를 제1 인공 신경망을 이용하여 분석하는 단계; 상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 제2 인공 신경망을 이용하여 분석하는 단계; 상기 검사 결과 데이터 및 상기 환자의 의료 영상 데이터의 분석 결과를 바탕으로 상기 환자의 상태를 최종적으로 진단하는 단계; 상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보를 데이터베이스에 저장하는 단계; 및 상기 데이터베이스에 저장된 상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보 중 적어도 하나의 정보를 출력하는 단계를 포함한다.
본 개시의 일 예로서, 환자의 의료 데이터들을 획득하는 단계는, 검출 대상 데이터를 획득하는 단계; 상기 검출 대상 데이터를 검출하기 위한 분석을 수행하기 위해 필요한 정보들을 출력하는 단계를 포함하고, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터는, 상기 분석을 수행하기 위해 필요한 정보들을 기반으로 수행된 검사 결과 획득한 데이터일 수 있다.
본 개시의 일 예로서, 상기 분석을 수행하기 위해 필요한 정보들은, 상기 검출 대상 데이터를 검출하기 위한 프라이머 및 프로브의 염기 서열, 상기 프라이머 및 상기 프로브의 TM(melting temperature) 및 상기 프라이머 및 상기 프로브의 친화력을 포함할 수 있다.
본 개시의 일 예로서, 상기 환자의 의료 영상 데이터를 분석하는 단계는, 상기 환자의 의료 영상 데이터를 필터링하는 단계; 상기 전처리한 상기 환자의 의료 영상 데이터를 세그먼트 단위로 분할하는 단계; 및 상기 의료 영상 데이터의 세그먼트들 각각에 데이터 라벨링을 수행하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 상기 환자의 의료 영상 데이터는, 고속 푸리에 변환(fast Fourier transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거, 및 노이즈(noise) 제거 중 적어도 하나의 필터링 방식을 통해 필터링될 수 있다.
본 개시의 일 예로서, 상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 분석하는 단계는, 상기 검사 결과 데이터의 분석 결과, 검출된 병원체의 정보를 획득하는 단계; 상기 의료 데이터에 포함된 의료 영상 데이터들 중에서, 상기 병원체로 인해, 증상이 발현되는 신체 부위의 의료 영상을 분류하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 상기 환자의 상태를 최종적으로 진단하는 단계는, 상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도를 비교하는 단계; 상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도의 비교 결과를 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 서로 다른 가중치를 부여하는 단계; 및 상기 서로 다른 가중치가 부여된 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과를 상기 환자의 상태를 진단하기 위한 제3 인공 신경망에 입력하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 동작 방법은, 최종적으로 진단한 상기 환자의 상태 정보에 대한 피드백을 수신하는 단계; 및 상기 환자의 상태 정보에 대한 피드백을 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 부여되는 가중치들을 업데이트하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 동작 방법은, 상기 검사 결과 데이터 분석 결과 검출한 병원체의 유전체 데이터를 획득하는 단계; 및 상기 데이터베이스에 미리 저장된 기존 병원체의 유전체 데이터들에 기초한 택소노미와의 대조 결과를 기초로 상기 검출한 병원체의 유전체 데이터의 택소노미 특이성을 분석하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 동작 방법은, 상기 택소노미 특이성 분석 정보를 기초로 상기 환자와 상기 데이터베이스에 미리 저장된 기존 환자들의 연관 관계를 도출하는 단계를 더 포함할 수 있다.
본 개시의 일 예로서, 전염병 통합 진단 시스템은, 환자의 의료 데이터들을 획득하는 데이터 입력부; 상기 의료 데이터들 중에서, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터를 제1 인공 신경망을 이용하여 분석하는 제1 데이터 분석부; 상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 제2 인공 신경망을 이용하여 분석하는 제2 데이터 분석부; 상기 검사 결과 데이터 및 상기 환자의 의료 영상 데이터의 분석 결과를 바탕으로 상기 환자의 상태를 최종적으로 진단하는 진단부; 상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보를 데이터베이스에 저장하는 데이터베이스 관리부; 및 상기 데이터베이스에 저장된 상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보 중 적어도 하나의 정보를 출력하는 레포트부를 포함할 수 있다.
본 개시의 일 예로서, 데이터 입력부는, 검출 대상 데이터를 획득하고, 상기 검출 대상 데이터를 검출하기 위한 분석을 수행하기 위해 필요한 정보들을 출력하며, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터는, 상기 분석을 수행하기 위해 필요한 정보들을 기반으로 수행된 검사 결과 획득한 데이터일 수 있다.
본 개시의 일 예로서, 상기 분석을 수행하기 위해 필요한 정보들은, 상기 검출 대상 데이터를 검출하기 위한 프라이머 및 프로브의 염기 서열, 상기 프라이머 및 상기 프로브의 TM(melting temperature) 및 상기 프라이머 및 상기 프로브의 친화력을 포함할 수 있다.
본 개시의 일 예로서, 상기 제2 데이터 분석부는, 상기 환자의 의료 영상 데이터를 필터링하고, 상기 전처리한 상기 환자의 의료 영상 데이터를 세그먼트 단위로 분할하고, 상기 의료 영상 데이터의 세그먼트들 각각에 데이터 라벨링을 수행할 수 있다.
본 개시의 일 예로서, 상기 환자의 의료 영상 데이터는, 고속 푸리에 변환(fast Fourier transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거, 및 노이즈(noise) 제거 중 적어도 하나의 필터링 방식을 통해 필터링될 수 있다.
본 개시의 일 예로서, 상기 제2 데이터 분석부는, 상기 검사 결과 데이터의 분석 결과, 검출된 병원체의 정보를 획득하고, 상기 의료 데이터에 포함된 의료 영상 데이터들 중에서, 상기 병원체로 인해, 증상이 발현되는 신체 부위의 의료 영상을 분류할 수 있다.
본 개시의 일 예로서, 상기 진단부는, 상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도를 비교하고, 상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도의 비교 결과를 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 서로 다른 가중치를 부여하고, 상기 서로 다른 가중치가 부여된 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과를 상기 환자의 상태를 진단하기 위한 제3 인공 신경망에 입력할 수 있다.
본 개시의 일 예로서, 상기 진단부는, 최종적으로 진단한 상기 환자의 상태 정보에 대한 피드백을 수신하고, 상기 환자의 상태 정보에 대한 피드백을 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 부여되는 가중치들을 업데이트할 수 있다.
본 개시의 일 예로서, 유전체 데이터의 특이성 분석부를 포함하고, 상기 특이성 분석부는, 상기 검사 결과 데이터 분석 결과 검출한 병원체의 유전체 데이터를 획득하고, 상기 데이터베이스에 미리 저장된 기존 병원체의 유전체 데이터들에 기초한 택소노미와의 대조 결과를 기초로 상기 검출한 병원체의 유전체 데이터의 택소노미 특이성을 분석할 수 있다.
본 개시의 일 예로서, 상기 특이성 분석부는, 상기 택소노미 특이성 분석 정보를 기초로 상기 환자와 상기 데이터베이스에 미리 저장된 기존 환자들의 연관 관계를 도출할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시 예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 인공지능(artificial intelligence, AI)을 기반으로 환자의 의료 데이터를 분석함으로써, 효율적으로 환자의 전염병 감염 여부를 분석하고, 분석 결과를 신속하게 제공하는 효과가 있을 수 있다.
본 개시의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전염병 통합 진단 시스템을 나타내는 도면이다.
도 2는 본 발명의 일 실시 예에 따른 전염병 통합 진단 시스템의 구조를 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 전염병 통합 진단 시스템의 동작을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 전염병 통합 진단 시스템의 데이터 분석 동작을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 전염병 통합 진단 시스템에 의해 제공되는 인터페이스 및 실행되는 기능들을 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 질병 진단 및 분석 시스템에 적용 가능한 인공 신경망의 구조를 나타내는 도면이다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전염병 통합 진단 시스템을 나타내는 도면이다.
도 1을 참고하면, 질병 진단 및 분석 시스템은 통신망에 연결된 로컬 장치(110a), 로컬 장치(110b), 서버(120)을 포함한다. 도 1은 2개의 로컬 장치들(110a, 110b)를 예시하였으나, 이에 한정되지는 아니한다.
로컬 장치(110a) 및 로컬 장치(110b)는 시스템을 활용하여 전염병 등의 질병을 진단 및 분석하고자 하는 사용자에 의해 사용된다. 로컬 장치(110a) 및 로컬 장치(110b)는 입력 데이터를 통신 망을 통해 서버(120)로 송신할 수 있고, 서버(120)로부터 분석의 결과를 포함하는 데이터를 수신할 수 있다.
서버(120)는 본 발명의 실시 예들에 따른 질병의 진단 및 분석을 제공하고, 질병의 진단 및 분석을 위한 알고리즘을 수행한다. 다양한 실시 예들에 따라, 진단, 분석의 알고리즘은 인공 지능 기반으로 수행될 수 있다. 서버(120)는 로컬 장치(110a) 및 로컬 장치(110b) 중 적어도 하나로부터 수신되는 데이터에 기반하여 분자 진단, 유전자 진단, 질병 진단 등의 동작을 수행하고, 결과 데이터를 로컬 장치(110a) 및 로컬 장치(110b) 중 적어도 하나에게 송신한다. 예를 들어, 서버(120)는 클라우드 서버일 수 있다.
전술한 바와 같이, 일 실시 예에 따라, 로컬 장치(110a) 및 로컬 장치(110b)는 단말로서, 데이터의 입력 및 출력 기능을 수행하고, 서버(120)는 진단, 분석, 설계 기능들을 수행할 수 있다. 다른 실시 예에 따라, 로컬 장치(110a) 및 로컬 장치(110b)는 진단, 분석에 대한 적어도 일부의 연산을 수행할 수 있다. 진단, 분석에 대한 연산의 분담 정도는 로컬 장치 별로 상이할 수 있다. 나아가, 또 다른 실시 예에 따라, 서버(120)의 모든 기능을 포함하는 로컬 장치도 존재할 수 있다. 이 경우, 로컬 장치(110a) 또는 로컬 장치(110b)는 통신 망에 연결되지 아니하더라도 진단, 분석, 설계 동작들을 수행할 수 있다.
도 1을 참고하여 설명한 바와 같이, 서버(120)는 질병의 분석/진단을 위한 플랫폼을 제공할 수 있다. 일 실시 예에 따른 플랫폼은 질병의 진단 및 예측 서비스를 제공할 수 있다. 나아가, 일 실시 예에 따른 플랫폼은 인공 지능을 활용한 유전체 빅데이터 정보에 기반한 바이오 인포매틱스 서비스를 제공한다.
본 개시는 전염병 진단 시스템 및 동작 방법에 관한 것으로, 특히, 전염병 진단을 수행함에 있어서, 인공지능(artificial intelligence, AI)을 기반으로 환자의 전염병 감염 여부를 분석하는 전염병 통합 진단 시스템 및 동작 방법을 설명한다. 전염병 통합 진단 시스템의 구조는 아래에 설명된 바와 같이 구성될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 전염병 통합 진단 시스템의 구조를 나타내는 도면이다. 도 2에 예시된 구성요소들은 로컬 장치(도 1의 로컬 장치(110a) 또는 로컬 장치(110b)) 및 서버(예: 도 1의 서버(120)) 중 하나에 포함될 수 있으며, 각 구성 요소가 로컬 장치 및 서버에 어떻게 배치되는지는 다양한 실시 예들에 따라 달라질 수 있다. 따라서, 구성 요소들 간 연결은 내부 회로 또는 외부 통신망에 기반할 수 있다.
도 2를 참고하면, 시스템은 데이터 입력부(202), 제1 데이터 분석부(204), 제2 데이터 분석부(206), 데이터베이스 관리부(210) 및 레포트부(212)를 포함할 수 있다.
데이터 입력부(202)는 환자의 의료 데이터를 획득할 수 있다. 여기서, 환자의 의료 데이터는 환자의 유전체 데이터 분석 결과 데이터일 수 있다. 유전체 데이터 분석 결과 데이터는 임의의 포맷(예를 들어, Axt, BAM, BAMBAM, BED, MAF, 마이크로어레이, SAM, WIG, XML 등의 포맷)의 유전체 서열 데이터를 포함할 수 있다. 유전체 데이터 분석 결과 데이터는 SNP(single nucleotide polymorphism) 분석 결과 획득한 데이터일 수 있다. 또는 유전체 데이터 분석 결과 데이터는 PCR 검사 결과 획득한 데이터일 수 있다.
여기서, 환자의 의료 데이터는 항체 검사 결과 데이터를 더 포함할 수 있다. 예를 들어, 항체 검사 결과 데이터는 환자의 래피드 키트(rapid kit) 검사 결과 출력된 이미지 형식의 데이터일 수 있다.
그리고, 여기서 환자의 데이터는 환자의 의료 영상 데이터를 더 포함할 수 있다. 의료 영상 데이터는 환자의 MRI, CT, X-ray 등의 환자의 의료 영상 데이터를 포함할 수 있다.
데이터 입력부(202)는 획득한 환자의 의료 데이터를 분석하기에 앞서 의료 데이터의 전처리 동작을 수행할 수 있다. 예를 들어, 데이터 입력부(202)는 서열 주석을 생성하기 위해 미리 확보한 데이터베이스를 기초로 가공되지 않은 환자의 유전체 데이터의 차원을 축소할 수 있다. 데이터 입력부(202)는 염색체들 각각의 염색체 내에 상대적인 위치, 공지된 대립 유전자와의 연관성, 공지된 마커와의 연관성, 공지된 돌연변이와의 연관성 등을 반영하여, 환자의 유전체 데이터를 전처리할 수 있다.
또한, 데이터 입력부(202)는 이미지 타입의 환자의 의료 데이터를 필터링함으로써, 환자의 의료 데이터를 필터링할 수 있다. 예를 들어, 데이터 입력부(202)는 PCR 검사 획득한 검사 결과 이미지, 래피드 키트 검사 결과 출력된 이미지 및 의료 영상 데이터를 필터링할 수 있다. 필터링 방식은 고속 푸리에 변환(fast Fourier transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거 또는 노이즈 캔슬링(noise cancelling) 등의 필터링 방식을 포함할 수 있다. 그러나, 본 개시의 필터링은 상기 열거한 방법으로 제한되지 않으며, 이미지 및 영상의 품질을 개선할 수 있는 모든 형태의 필터링 방식을 포함할 수 있다.
제1 데이터 분석부(204)는 데이터 입력부(202)로부터 환자의 전염병 진단을 위한 검사 결과 데이터를 획득할 수 있으며, 획득한 검사 결과 데이터를 분석할 수 있다. 여기서, 검사 결과 데이터는 환자의 유전체 데이터를 기반으로 한 PCR 검사 결과 데이터일 수 있다. 제1 데이터 분석부(204)는 데이터 입력부(202)로부터 PCR 검사 결과 이미지를 획득할 수 있으며, 미리 확보한 PCR 검사 결과 이미지의 분석을 위한 인공 신경망 모델을 이용하여, PCR 검사 결과 이미지의 각각의 부분에 데이터 라벨링할 수 있다.
제2 데이터 분석부(206)는 데이터 입력부(202)로부터 환자의 의료 영상 데이터를 획득할 수 있으며, 획득한 의료 영상 데이터를 분석할 수 있다. 제2 데이터 분석부(206)는 분석하여 의료 영상 데이터의 특징을 추출할 수 있다. 예컨대, 제2 데이터 분석부(206)는 의료 영상 데이터의 각 영역들의 국소적인 특징을 추출할 수 있다. 본 발명의 일 실시예에 따른 제2 데이터 분석부(206)는 합성곱 신경망(convolutional neural network, CNN) 기법 또는 풀링(pooling) 기법을 이용하여 의료 영상 데이터에 포함된 영역들의 특징을 추출할 수 있다. 여기서, 풀링 기법은 맥스(max) 풀링 기법 및 평균(average) 풀링 기법 중 적어도 하나의 기법일 수 있다. 그러나, 본 개시에서 언급되는 풀링 기법은 맥스 풀링 기법 또는 평균 풀링 기법에 한정되지 않으며, 소정 크기의 영상 영역의 대표 값을 획득하는 임의의 기법을 포함할 수 있다. 예컨대, 풀링 기법에 사용되는 대표 값은 최대값 및 평균값 외에, 분산값, 표준 편차값, 중간값(mean value), 최빈값(most frequent value), 최소값 및 가중 평균값 중 적어도 하나일 수 있다.
본 개시의 합성곱 신경망은 입력 데이터(예를 들어, 검사 결과 이미지 및 의료 영상 등)로부터 테두리, 선 색 등과 같은 특징들(features)을 추출하기 위해 이용될 수 있으며, 복수의 계층들(layers)을 포함할 수 있다. 각각의 계층은 입력 데이터를 수신하고, 해당 계층의 입력 데이터를 처리하여 출력 데이터를 생성할 수 있다. 합성곱 신경망은 입력된 영상 또는 입력된 특징 맵(feature map)을 필터 커널들(filter kernels)과 컨볼루션하여 생성한 특징맵을 출력 데이터로서 출력할 수 있다. 합성곱 신경망의 초기 계층들은 입력으로부터 에지들 또는 그레디언트들과 같은 낮은 레벨의 특징들을 추출하도록 동작할 수 있다. 신경망의 다음 계층들은 점진적으로 더 복잡한 특징들을 추출할 수 있다. 그리고 제2 데이터 분석부(206)는 환자의 의료 영상 데이터의 분석을 위한 인공 신경망 모델을 이용하여, 의료 영상 데이터의 각각의 영역들에 데이터 라벨링할 수 있다.
진단부(208)는 제1 데이터 분석부(204)로부터 검사 결과 데이터를 획득할 수 있고, 제2 데이터 분석부(206)로부터 의료 영상 데이터를 획득할 수 있다. 진단부(208)는 검사 결과 데이터 및 의료 영상 데이터를 분석함으로써, 환자에 대한 임상 정보들을 획득할 수 있다. 즉, 진단부(208)는 검사 결과 데이터 및 의료 영상 데이터를 분석함으로써, 환자의 질병 감염(또는 발병) 여부, 질병에 대한 항체 생성 여부 및 질병의 발현 여부 등의 임상 정보들을 획득할 수 있다. 진단부(208)는 검사 결과 데이터 및 의료 영상 데이터의 분석 결과 획득한 임상 정보들을 종합함으로써, 환자의 상태, 환자의 전염병 감염 여부, 전염병의 진행 상태, 환자의 중증도 등을 결정할 수 있다.
레포트부(212)는 환자의 의료 데이터들을 획득할 수 있으며, 획득한 환자의 의료 데이터들을 출력할 수 있다. 여기서, 환자의 의료 데이터들은 환자의 유전체 데이터 분석 결과 데이터, 항체 검사 결과 데이터, 환자의 의료 영상 데이터 및 환자의 진단 정보를 포함할 수 있다. 따라서, 사용자는 데이터베이스 관리부(210)를 통해 환자의 의료 데이터들을 시각적으로 확인할 수 있다.
데이터베이스 관리부(210)는 획득한 환자의 의료 데이터들을 데이터베이스에 저장할 수 있으며, 환자의 획득한 환자의 의료 데이터들을 기반으로 구축된 의료 데이터베이스를 관리할 수 있다. 여기서, 환자의 의료 데이터들은 환자의 유전체 데이터 분석 결과 데이터, 항체 검사 결과 데이터, 환자의 의료 영상 데이터 및 환자의 진단 정보를 포함할 수 있다. 즉, 사용자는 데이터베이스 관리부(210)를 통해 환자의 의료 데이터들을 수정하거나 관리할 수 있다.
도 2를 참고하여 설명한 구조에서, 제1 데이터 분석부(204), 제2 데이터 분석부(206) 및 진단부(208) 중 적어도 하나의 기능 및 데이터 입력부(202), 데이터베이스 관리부(210) 및 레포트부(212)의 적어도 일부의 기능은 프로세서(processor)에 의해 수행될 수 있다. 또한, 도 2에 도시되지 아니하였으나, 시스템은 사용자와의 상호 작용(interaction)을 위한 인터페이스 수단을 포함할 수 있다. 예를 들어, 시스템은 키보드, 마우스, 터치스크린 등과 같은 입력 수단 및 모니터, 터치스크린, 프로젝터 등과 같은 표시 수단을 포함할 수 있다. 이하 설명에서, 사용자로부터의 입력 및 사용자에게 보여지는 인터페이스에 대한 설명은 입력 수단을 통해 입력되고, 표시 수단을 통해 표시되는 것으로 이해될 수 있다.
도 3은 본 발명의 일 실시예에 따른 전염병 통합 진단 시스템의 동작을 도시한 도면이다. 도 3은 전염병 통합 진단 시스템(예: 도 2의 전염병 통합 진단 시스템)의 동작 방법을 예시한다. 이하 설명에서, 도 3의 동작 주체는 '전염병 통합 진단 시스템'으로 지칭되나, 이와 동등한 기술적 의미를 갖는 다른 용어로 지칭될 수 있다.
S301 단계에서, 전염병 통합 진단 시스템은 환자의 의료 데이터들을 획득할 수 있다. 즉, 전염병 통합 진단 시스템은 환자의 유전체 데이터, 검사 결과 데이터 및 의료 영상 데이터 등의 의료 데이터들을 획득할 수 있다. 전염병 통합 진단 시스템은 환자의 유전체 데이터, 검사 결과 데이터 및 의료 영상 데이터 중 적어도 하나의 의료 데이터에 대한 필터링을 수행할 수 있다.
전염병 통합 진단 시스템은 환자의 의료 데이터들을 획득하기 위하여, 검출 대상 데이터를 검출하기 위한 분석을 수행하기 위해 필요한 정보들을 출력할 수 있다. 그리고 전염병 통합 진단 시스템은 사용자로부터 환자의 유전체 데이터를 획득할 수 있다. 여기서, 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터는, 분석을 수행하기 위해 필요한 정보들을 기반으로 수행된 검사 결과 획득한 데이터일 수 있다.
S303 단계에서, 전염병 통합 진단 시스템은 환자의 의료 데이터들 중 유전체 데이터 기반 검사 결과 데이터를 분석할 수 있다. 여기서, 전염병 통합 진단 시스템은 인공 신경망을 이용하여, 유전체 데이터 기반 검사 결과 데이터를 분석할 수 있다. 환자의 유전체 데이터 및 검사 결과 데이터는 전염병 통합 진단 시스템에 의해 필터링된 데이터일 수 있다.
S305 단계에서, 전염병 통합 진단 시스템은 환자의 의료 데이터들 중 환자의 의료 영상 데이터를 분석할 수 있다. 여기서, 전염병 통합 진단 시스템은 인공 신경망을 이용하여, 환자의 의료 영상 데이터를 분석할 수 있다. 환자의 의료 영상 데이터는 전염병 통합 진단 시스템에 의해 필터링된 데이터일 수 있다. 전염병 통합 진단 시스템은 환자의 의료 영상 데이터를 영역 별로 세그먼트화(segmentation)할 수 있다. 그리고 전염병 통합 진단 시스템은 영역별 의료 영상 데이터를 분석하여, 환자의 신체 중 병변을 검출할 수 있다.
환자의 신체 부위 별 의료 영상 데이터를 분석함에 있어서, 전염병 통합 진단 시스템은 유전체 데이터 기반 검사 결과 데이터 분석 결과를 기초로, 우선적으로 분석할 영역의 영상 데이터를 결정할 수 있다. 즉, 환자의 의료 데이터들 중에서, 유전체 데이터로부터 병원체를 검출한 경우, 전염병 통합 진단 시스템은 의료 영상 데이터들 중에서, 병원체로 인해 증상이 발현되는 신체 부위의 의료 영상을 분류하고, 분류된 의료 영상을 우선적으로 분석할 수 있다.
S307 단계에서, 전염병 통합 진단 시스템은 의료 데이터 분석 결과를 바탕으로 환자의 상태를 최종적으로 진단할 수 있다. 전염병 통합 진단 시스템은 검사 결과 데이터 및 의료 영상 데이터를 조합함으로써, 환자의 질병의 진행 상태를 진단할 수 있다. 여기서, 전염병 통합 진단 시스템은 인공 신경망을 이용하여, 환자의 상태를 최종적으로 진단할 수 있다.
환자의 상태를 최종적으로 진단함에 있어, 전염병 통합 진단 시스템은 검사 결과 데이터 및 의료 영상 데이터 각각에 서로 다른 가중치를 부여할 수 있다. 예를 들어, 전염병 통합 진단 시스템은 유전체 데이터 기반 검사 결과 데이터를 분석하기 위한 인공 신경망과 의료 영상 데이터를 분석하기 위한 인공 신경망의 학습 정도를 비교할 수 있으며, 인공 신경망들 각각의 학습 정도의 비교 결과를 기초로 검사 결과 데이터의 분석 결과 및 환자의 의료 영상 데이터의 분석 결과 각각에 서로 다른 가중치를 부여할 수 있다.
전염병 통합 진단 시스템은 환자의 상태, 환자의 전염병 감염 여부, 전염병의 진행 상태, 환자의 중증도 등을 진단할 수 있다. 전염병 통합 진단 시스템은 환자의 진단 결과를 포함하는 환자의 상태 정보 및 환자의 의료 데이터를 시각화하고, 시각화된 환자의 의료 데이터를 출력할 수 있다.
그리고 전염병 통합 진단 시스템은 사용자로부터 환자의 상태, 환자의 전염병 감염 여부, 전염병의 진행 상태, 환자의 중증도 등의 정보에 대한 피드백을 수신할 수 있다. 전염병 통합 진단 시스템은 환자의 상태 정보에 대한 피드백을 기초로 검사 결과 데이터의 분석 결과 및 환자의 의료 영상 데이터의 분석 결과 각각에 부여되는 가중치들을 업데이트할 수 있다.
S309 단계에서, 전염병 통합 진단 시스템은 의료 데이터 분석 결과를 기초로 의료 데이터베이스를 구축할 수 있다. 즉, 전염병 통합 진단 시스템은 환자 개개인에 대한 데이터 셋을 생성할 수 있다. 환자 개개인의 데이터 셋은 환자의 개인 정보, 환자의 건강 상태 정보, 환자의 의료 데이터, 환자의 임상 데이터 및 환자의 전염병 진단 결과 정보를 포함할 수 있다. 그리고 환자 개개인의 데이터 셋은 검사 결과 데이터 및 의료 영상 데이터와의 상관 관계를 더 포함할 수 있다. 그리고 전염병 통합 진단 시스템은 생성한 환자 개개인에 대한 데이터 셋을 데이터베이스에 저장함으로써, 의료 데이터베이스를 구축할 수 있다.
도 4는 본 발명의 일 실시예에 따른 전염병 통합 진단 시스템의 데이터 분석 동작을 도시한 도면이다. 도 4는 전염병 통합 진단 시스템(예: 도 2의 전염병 통합 진단 시스템)의 동작 방법을 예시한다. 이하 설명에서, 도 4의 동작 주체는 '전염병 통합 진단 시스템'으로 지칭되나, 이와 동등한 기술적 의미를 갖는 다른 용어로 지칭될 수 있다.
S401 단계에서, 전염병 통합 진단 시스템은 환자의 의료 데이터들 간의 상관 관계를 생성할 수 있다. 예를 들어, 전염병 통합 진단 시스템은 유전체 데이터를 기반으로 검사 결과 획득한 유전체에 관한 정보 및 유전체의 발현으로 인해 영향이 발생한 신체의 의료 영상 데이터에 관한 정보 간의 연관 관계를 생성할 수 있다. 구체적으로, 전염병 통합 진단 시스템은 유전체와 신체의 병변의 발생 위치, 전이 정도 등의 연관 관계를 생성할 수 있다.
S403 단계에서, 전염병 통합 진단 시스템은 환자의 의료 데이터들 및 기존의 의료 데이터 간의 연관 관계를 생성할 수 있다. 예를 들어, 전염병 통합 진단 시스템은 기존에 확보한 환자의 의료 데이터들 및 획득한 환자의 의료 데이터 간의 유사성 및 차이 등을 포함하는 연관 관계를 생성할 수 있다. 따라서, 전염병 통합 진단 시스템은 기존 환자의 의료 데이터들에 따른 획득한 환자의 의료 데이터의 분석 결과를 도출할 수 있으며, 여기서, 획득한 환자의 의료 데이터의 분석 결과는 현재 환자의 전염병 진행 상태 기존 환자들에 비한 현재 환자의 특이점 등의 정보를 포함할 수 있다.
S405 단계에서, 전염병 통합 진단 시스템은 병원체 유전체 데이터의 택소노미 특이성을 분석할 수 있다. 전염병 통합 진단 시스템은 데이터베이스로부터 기존에 확보한 병원체 유전체 데이터들에 기초한 택소노미 정보를 획득할 수 있다. 그리고 전염병 통합 진단 시스템은 환자로부터 검출한 병원체의 유전체 데이터를 택소노미와 대조할 수 있다. 그리고, 전염병 통합 진단 시스템은 환자로부터 검출한 병원체의 유전체 데이터와 택소노미 간의 대조 결과를 기초로 환자로부터 검출한 병원체의 유전체 데이터의 택소노미 특이성을 분석할 수 있다. 따라서, 전염병 통합 진단 시스템은 기존에 확보한 병원체 유전체 데이터들과 환자의 병원체 유전체 데이터 간의 상관 관계를 도출할 수 있으며, 도출된 상관 관계를 기초로 병원체의 돌연변이 등으로 인한 변이 과정을 도출할 수 있다.
S407 단계에서, 전염병 통합 진단 시스템은 환자와 기존 환자들 간의 연관 관계를 도출할 수 있다. 전염병 통합 진단 시스템은 생성한 택소노미 정보를 기초로 환자의 병원체 데이터와 가장 유사한 병원체 데이터를 갖는 기존 환자의 정보를 확인할 수 있다. 전염병 통합 진단 시스템은 환자와 택소노미 정보를 통해 확인한 기존 환자들과의 연관 관계 및 질병의 전파 경로 등을 도출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 전염병 통합 진단 시스템에 의해 제공되는 인터페이스 및 실행되는 기능들을 도시한 도면이다.
도 5를 참조하면, 전염병 통합 진단 시스템에 의해 제공되는 인터페이스는 메뉴, 검색 바, 기능 항목들을 포함한다. 기능 항목들 각각은 분석 대상 또는 기법을 표현한 이미지 및 명칭으로 구성될 수 있다. 예를 들어, 기능 항목들은 전염병 통합 진단 시스템은 이량체 분석(dimerization analysis) 기능(501), TM(melting temperature) 계산(TM calculation) 기능(502), 관련 연구 자료 탐색(basic science study research) 기능(503), PCR 검사의 효율 계산(PCR efficiency calculation) 기능(504), 프라이머 디자인(primer design) 기능(505), 프라이머 친화도(primer binding affinity) 계산 기능(506), 타겟 유전체 정렬(target gene alignment) 기능(507), 타겟 유전체 추출(target gene extraction) 기능(508), 타겟 유전체 식별(target gene identification) 기능(509), 주형 접힘 분석(template folding analysis) 기능(510), 시퀀스 커버리지 분석(sequence coverage analysis) 기능(511) 및 택소노미 특이성 분석(taxonomy specificity analysis) 기능(512) 중 적어도 하나를 포함한다. 사용자는 의료 데이터를 입력한 후, 분석을 위해 활용하고자 하는 기능의 항목을 클릭 또는 선택함으로써, 해당 분석 기법을 진행시킬 수 있다.
이량체 분석 기능(501)을 실행하는 전염병 통합 진단 시스템은 분석 대상인 유전체 데이터를 획득할 수 있다. 여기서, 유전체 데이터는 일정한 단위로 분할된 시퀀싱 라이브러리 형태의 유전체 데이터일 수 있다. 그리고 전염병 통합 진단 시스템은 유전체 데이터를 분석하기 위해 사용되는 프라이머들 및 프로브들의 데이터를 획득할 수 있다. 전염병 통합 진단 시스템은 데이터베이스 또는 사용자의 입력을 통해 프라이머들 및 프로브들의 데이터를 획득할 수 있다.
전염병 통합 진단 시스템은 프라이머들 및 프로브들을 포함하는 하나의 프라이머 그룹의 정보를 이용하여, 유전체 데이터의 이량체를 분석할 수 있다. 또는 전염병 통합 진단 시스템은 복수의 프라이머 그룹들의 정보를 이용하여, 유전체 데이터의 이량체를 분석할 수 있다. 여기서, 복수의 프라이머 그룹은 쿼리 프라이머 및 타겟 프라이머를 포함할 수 있다.
TM 계산 기능(502)을 실행하는 전염병 통합 진단 시스템은 프라이머 및/또는 프로브의 특성 정보를 기초로 프라이머 및/또는 프로브들 각각의 TM을 산출할 수 있다. 전염병 통합 진단 시스템은 프라이머 및/또는 프로브의 염기 서열 및 성분들에 관한 정보를 입력받을 수 있다. 여기서, 성분들에 관한 정보는 프라이머 및/또는 프로브에 포함된 올리고, 나트륨, 칼륨, 마그네슘, Tris, dNTP 중 적어도 하나의 용량에 관한 정보일 수 있다. 그리고, 전염병 통합 진단 시스템은 프라이머 및/또는 프로브의 염기 서열 및 성분들에 관한 정보를 기초로 PCR 등의 검사를 실행하기에 적합한 온도인 프라이머 및/또는 프로브의 TM을 결정할 수 있다.
관련 연구 자료 탐색 기능(503)을 실행하는 전염병 통합 진단 시스템은 탐색 대상인 타겟 유전체의 염기 서열 및 특성에 관한 정보를 획득할 수 있다. 그리고, 전염병 통합 진단 시스템은 타겟 유전체의 염기 서열 및 특성에 관한 정보를 기초로, 타겟 유전체와 관련된 연구 자료를 데이터베이스로부터 불러올 수 있다.
PCR 검사의 효율 계산 기능(504)을 실행하는 전염병 통합 진단 시스템은 PCR 검사를 통해 검출하고자 하는 타겟 유전체에 관한 정보, 프라이머 및 프로브에 관한 정보 등을 획득할 수 있다. 그리고 전염병 통합 진단 시스템은 프라이머 및/또는 프로브와 유전체 간의 친화도 및 프라이머 및/또는 프로브의 TM 정보를 획득할 수 있으며, 획득한 정보들을 기초로 PCR 검사의 효율을 산출할 수 있다.
프라이머 디자인 기능(505)을 실행하는 전염병 통합 진단 시스템은 PCR 검사 대상인 유전체 정보, 검출하고자 하는 타겟 유전체의 정보를 획득할 수 있다. 그리고 전염병 통합 진단 시스템은 획득한 유전체 정보를 기초로 미리 설정된 조건에 부합하는 프라이머를 디자인할 수 있다. 여기서, 미리 설정된 조건은 프라이머의 길이, TM, GC(guanine-cytosine) 함량, 프라이머 및 주형의 구조, 및 염기 서열의 반복 등에 관한 조건일 수 있다.
프라이머 친화도 계산 기능(506)을 실행하는 전염병 통합 진단 시스템은 프라이머 및/또는 프로브의 성분 및 특성 정보를 획득할 수 있다. 그리고 전염병 통합 진단 시스템은 획득한 프라이머 및/또는 프로브의 성분 및 특성 정보를 기초로 프라이머 및/또는 프로브와 유전체 간의 친화도를 산출할 수 있다.
타겟 유전체 정렬 기능(507)을 실행하는 전염병 통합 진단 시스템은 타겟 유전체를 포함하는 유전체 데이터의 시퀀스를 획득할 수 있으며, 획득한 유전체 데이터의 시퀀스를 일정한 길이 단위로 정렬할 수 있다.
타겟 유전체 추출 기능(508)을 실행하는 전염병 통합 진단 시스템은 데이터베이스로부터 미리 저장된 유전체들 각각의 특성 정보를 기초로, 데이터베이스에 확보한 유전체들 중에서, 유전체 분석을 통해 식별하고자 하는 타겟 유전체들을 추출할 수 있다.
타겟 유전체 식별 기능(509)을 실행하는 전염병 통합 진단 시스템은 유전체 데이터의 염기 서열 등의 정보를 획득할 수 있으며, 데이터베이스로부터 미리 저장된 타겟 유전체들 각각의 염기 서열 정보를 기초로 유전체 데이터에 포함된 타겟 유전체를 식별할 수 있다.
주형 접힘 분석 기능(510)을 실행하는 전염병 통합 진단 시스템은 유전체 데이터를 획득할 수 있으며, 데이터베이스로부터 미리 저장된 염기 서열에 따른 주형의 형상 정보를 획득할 수 있다. 그리고 전염병 통합 진단 시스템은 유전체 데이터의 염기 서열에 대응되는 주형의 형상 정보를 조합함으로써, 전체 주형 접힘 구조를 분석할 수 있다.
시퀀스 커버리지 분석 기능(511)을 실행하는 전염병 통합 진단 시스템은 유전체 데이터 및 참조 유전체 데이터를 획득할 수 있다. 여기서, 참조 유전체 데이터는 대조군이다. 그리고 전염병 통합 진단 시스템은 유전체 데이터 및 참조 유전체 데이터를 비교하고, 참조 유전체 데이터에 대한 유전체 데이터의 차이를 산출함으로써, 획득한 유전체 데이터의 시퀀스 커버리지를 분석할 수 있다.
택소노미 특이성 분석 기능(512)을 실행하는 전염병 통합 진단 시스템은 분석한 유전체 데이터에서 병원체의 유전체 데이터를 추출할 수 있다. 여기서, 병원체는 바이러스, 세군, 리체카, 원충 등의 객체일 수 있다. 택소노미 특이성 분석 기능을 실행하는 전염병 통합 진단 시스템은 미리 확보한 병원체들의 유전체 데이터를 기초로 병원체들 간의 분류 체계인 택소노미 정보를 생성할 수 있다. 전염병 통합 진단 시스템은 미리 확보한 병원체들 간의 유전체 데이터의 유사도를 기초로 병원체들을 분류할 수 있다.
AI(Artificial Intelligence)는 인간의 지능으로 가능한 사고, 학습 및 분석 등을 컴퓨터 등의 기계가 수행하는 것을 의미한다. 최근 이러한 AI를 의료 산업에 접목하는 기술이 증가하고 있는 실정이다. AI를 구현하기 위해, 인공 신경망(Artificial Neural Network, ANN)이 널리 사용된다. 본 발명에 적용 가능한 인공 신경망의 일 예는 이하 도 6과 같다.
도 6은 본 발명의 일 실시 예에 따른 질병 진단 및 분석 시스템에 적용 가능한 인공 신경망의 구조를 나타내는 도면이다. 도 6을 참고하면, 인공 신경망은 입력 계층(input layer)(610), 적어도 하나의 은닉 계층(hidden layer)(620), 출력 계층(output layer)(630)으로 이루어진다. 계층들(610, 620, 630) 각각은 복수의 노드(node)들로 구성되어 있으며, 노드들 각각은 이전 계층에 속한 적어도 하나의 노드의 출력과 연결되어 있다. 각 노드는 이전 계층의 노드들의 각 출력 값과 그에 상응하는 연결 가중치(weight)를 내적(inner product)한 값에 바이어스(bias)를 더한 후, 비선형(non-linear)인 활성화 함수(activation function)와 곱한 출력 값을 다음 계층의 적어도 하나의 뉴런에게 전달한다.
본 발명의 다양한 실시 예에서 사용되는 인공 신경망 모델은 완전 합성곱 신경망(fully convolutional neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 영상의 특징을 추출하고, 상기 추출된 특징에 기초하여 영상을 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(support vector machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 발명은 프로세서를 포함하는 서버, 로컬 장치 및 서버와 로컬 장치 등을 포함하는 시스템에 사용될 수 있다.

Claims (20)

  1. 전염병 통합 진단 시스템의 동작 방법에 있어서,
    환자의 의료 데이터들을 획득하는 단계;
    상기 의료 데이터들 중에서, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터를 제1 인공 신경망을 이용하여 분석하는 단계;
    상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 제2 인공 신경망을 이용하여 분석하는 단계;
    상기 검사 결과 데이터 및 상기 환자의 의료 영상 데이터의 분석 결과를 바탕으로 상기 환자의 상태를 최종적으로 진단하는 단계;
    상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보를 데이터베이스에 저장하는 단계; 및
    상기 데이터베이스에 저장된 상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보 중 적어도 하나의 정보를 출력하는 단계를 포함하는, 동작 방법.
  2. 청구항 1에 있어서,
    환자의 의료 데이터들을 획득하는 단계는,
    검출 대상 데이터를 획득하는 단계;
    상기 검출 대상 데이터를 검출하기 위한 분석을 수행하기 위해 필요한 정보들을 출력하는 단계를 포함하고,
    상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터는,
    상기 분석을 수행하기 위해 필요한 정보들을 기반으로 수행된 검사 결과 획득한 데이터인, 동작 방법.
  3. 청구항 2에 있어서,
    상기 분석을 수행하기 위해 필요한 정보들은,
    상기 검출 대상 데이터를 검출하기 위한 프라이머 및 프로브의 염기 서열, 상기 프라이머 및 상기 프로브의 TM(melting temperature) 및 상기 프라이머 및 상기 프로브의 친화력을 포함하는, 동작 방법.
  4. 청구항 1에 있어서,
    상기 환자의 의료 영상 데이터를 분석하는 단계는,
    상기 환자의 의료 영상 데이터를 필터링하는 단계;
    상기 전처리한 상기 환자의 의료 영상 데이터를 세그먼트 단위로 분할하는 단계; 및
    상기 의료 영상 데이터의 세그먼트들 각각에 데이터 라벨링을 수행하는 단계를 포함하는, 동작 방법.
  5. 청구항 4에 있어서,
    상기 환자의 의료 영상 데이터는,
    고속 푸리에 변환(fast Fourier transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거, 및 노이즈(noise) 제거 중 적어도 하나의 필터링 방식을 통해 필터링되는, 동작 방법.
  6. 청구항 1에 있어서,
    상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 분석하는 단계는,
    상기 검사 결과 데이터의 분석 결과, 검출된 병원체의 정보를 획득하는 단계;
    상기 의료 데이터에 포함된 의료 영상 데이터들 중에서, 상기 병원체로 인해, 증상이 발현되는 신체 부위의 의료 영상을 분류하는 단계를 포함하는, 동작 방법.
  7. 청구항 1에 있어서,
    상기 환자의 상태를 최종적으로 진단하는 단계는,
    상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도를 비교하는 단계;
    상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도의 비교 결과를 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 서로 다른 가중치를 부여하는 단계; 및
    상기 서로 다른 가중치가 부여된 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과를 상기 환자의 상태를 진단하기 위한 제3 인공 신경망에 입력하는 단계를 포함하는, 동작 방법.
  8. 청구항 7에 있어서,
    최종적으로 진단한 상기 환자의 상태 정보에 대한 피드백을 수신하는 단계; 및
    상기 환자의 상태 정보에 대한 피드백을 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 부여되는 가중치들을 업데이트하는 단계를 포함하는, 동작 방법.
  9. 청구항 1에 있어서,
    상기 검사 결과 데이터 분석 결과 검출한 병원체의 유전체 데이터를 획득하는 단계; 및
    상기 데이터베이스에 미리 저장된 기존 병원체의 유전체 데이터들에 기초한 택소노미와의 대조 결과를 기초로 상기 검출한 병원체의 유전체 데이터의 택소노미 특이성을 분석하는 단계를 포함하는, 동작 방법.
  10. 청구항 9에 있어서,
    상기 택소노미 특이성 분석 정보를 기초로 상기 환자와 상기 데이터베이스에 미리 저장된 기존 환자들의 연관 관계를 도출하는 단계를 더 포함하는, 동작 방법.
  11. 전염병 통합 진단 시스템에 있어서,
    환자의 의료 데이터들을 획득하는 데이터 입력부;
    상기 의료 데이터들 중에서, 상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터를 제1 인공 신경망을 이용하여 분석하는 제1 데이터 분석부;
    상기 의료 데이터들 중에서, 상기 환자의 의료 영상 데이터를 제2 인공 신경망을 이용하여 분석하는 제2 데이터 분석부;
    상기 검사 결과 데이터 및 상기 환자의 의료 영상 데이터의 분석 결과를 바탕으로 상기 환자의 상태를 최종적으로 진단하는 진단부;
    상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보를 데이터베이스에 저장하는 데이터베이스 관리부; 및
    상기 데이터베이스에 저장된 상기 검사 결과 데이터, 상기 환자의 의료 영상 데이터의 분석 결과 및 상기 환자의 상태 정보 중 적어도 하나의 정보를 출력하는 레포트부를 포함하는, 시스템.
  12. 청구항 11에 있어서,
    데이터 입력부는,
    검출 대상 데이터를 획득하고,
    상기 검출 대상 데이터를 검출하기 위한 분석을 수행하기 위해 필요한 정보들을 출력하며,
    상기 환자의 유전체 데이터를 기반으로 한 검사 결과 데이터는,
    상기 분석을 수행하기 위해 필요한 정보들을 기반으로 수행된 검사 결과 획득한 데이터인, 시스템.
  13. 청구항 12에 있어서,
    상기 분석을 수행하기 위해 필요한 정보들은,
    상기 검출 대상 데이터를 검출하기 위한 프라이머 및 프로브의 염기 서열, 상기 프라이머 및 상기 프로브의 TM(melting temperature) 및 상기 프라이머 및 상기 프로브의 친화력을 포함하는, 시스템.
  14. 청구항 11에 있어서,
    상기 제2 데이터 분석부는,
    상기 환자의 의료 영상 데이터를 필터링하고,
    상기 전처리한 상기 환자의 의료 영상 데이터를 세그먼트 단위로 분할하고, 및
    상기 의료 영상 데이터의 세그먼트들 각각에 데이터 라벨링을 수행하는, 시스템.
  15. 청구항 14에 있어서,
    상기 환자의 의료 영상 데이터는,
    고속 푸리에 변환(fast Fourier transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거, 및 노이즈(noise) 제거 중 적어도 하나의 필터링 방식을 통해 필터링되는, 시스템.
  16. 청구항 11에 있어서,
    상기 제2 데이터 분석부는,
    상기 검사 결과 데이터의 분석 결과, 검출된 병원체의 정보를 획득하고,
    상기 의료 데이터에 포함된 의료 영상 데이터들 중에서, 상기 병원체로 인해, 증상이 발현되는 신체 부위의 의료 영상을 분류하는, 시스템.
  17. 청구항 11에 있어서,
    상기 진단부는,
    상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도를 비교하고,
    상기 제1 인공 신경망 및 상기 제2 인공 신경망의 학습 정도의 비교 결과를 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 서로 다른 가중치를 부여하고,
    상기 서로 다른 가중치가 부여된 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과를 상기 환자의 상태를 진단하기 위한 제3 인공 신경망에 입력하는, 시스템.
  18. 청구항 17에 있어서,
    상기 진단부는,
    최종적으로 진단한 상기 환자의 상태 정보에 대한 피드백을 수신하고,
    상기 환자의 상태 정보에 대한 피드백을 기초로 상기 검사 결과 데이터의 분석 결과 및 상기 환자의 의료 영상 데이터의 분석 결과 각각에 부여되는 가중치들을 업데이트하는, 시스템.
  19. 청구항 11에 있어서,
    유전체 데이터의 특이성 분석부를 포함하고,
    상기 특이성 분석부는,
    상기 검사 결과 데이터 분석 결과 검출한 병원체의 유전체 데이터를 획득하고,
    상기 데이터베이스에 미리 저장된 기존 병원체의 유전체 데이터들에 기초한 택소노미와의 대조 결과를 기초로 상기 검출한 병원체의 유전체 데이터의 택소노미 특이성을 분석하는, 시스템.
  20. 청구항 19에 있어서,
    상기 특이성 분석부는,
    상기 택소노미 특이성 분석 정보를 기초로 상기 환자와 상기 데이터베이스에 미리 저장된 기존 환자들의 연관 관계를 도출하는, 시스템.
PCT/KR2021/016293 2020-11-10 2021-11-10 질병 통합 진단 시스템 및 동작 방법 WO2022103134A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200149540A KR102296207B1 (ko) 2020-11-10 2020-11-10 질병 통합 진단 시스템 및 동작 방법
KR10-2020-0149540 2020-11-10

Publications (1)

Publication Number Publication Date
WO2022103134A1 true WO2022103134A1 (ko) 2022-05-19

Family

ID=77794140

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/016293 WO2022103134A1 (ko) 2020-11-10 2021-11-10 질병 통합 진단 시스템 및 동작 방법

Country Status (2)

Country Link
KR (1) KR102296207B1 (ko)
WO (1) WO2022103134A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115295125A (zh) * 2022-08-04 2022-11-04 天津市中西医结合医院（天津市南开医院） 一种基于人工智能的医学影像文件管理系统及方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102296207B1 (ko) * 2020-11-10 2021-09-02 (주)제이엘케이 질병 통합 진단 시스템 및 동작 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060034508A1 (en) * 2004-06-07 2006-02-16 Zhou Xiang S Computer system and method for medical assistance with imaging and genetics information fusion
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20200004204A (ko) * 2018-07-03 2020-01-13 (주) 프로큐라티오 빅데이터분석기반 암진단장치 및 방법
KR20200092805A (ko) * 2019-01-25 2020-08-04 주식회사 딥바이오 커스터마이징 진단 시스템 제공방법 및 그 시스템
KR102296207B1 (ko) * 2020-11-10 2021-09-02 (주)제이엘케이 질병 통합 진단 시스템 및 동작 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060034508A1 (en) * 2004-06-07 2006-02-16 Zhou Xiang S Computer system and method for medical assistance with imaging and genetics information fusion
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20200004204A (ko) * 2018-07-03 2020-01-13 (주) 프로큐라티오 빅데이터분석기반 암진단장치 및 방법
KR20200092805A (ko) * 2019-01-25 2020-08-04 주식회사 딥바이오 커스터마이징 진단 시스템 제공방법 및 그 시스템
KR102296207B1 (ko) * 2020-11-10 2021-09-02 (주)제이엘케이 질병 통합 진단 시스템 및 동작 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115295125A (zh) * 2022-08-04 2022-11-04 天津市中西医结合医院（天津市南开医院） 一种基于人工智能的医学影像文件管理系统及方法
CN115295125B (zh) * 2022-08-04 2023-11-17 天津市中西医结合医院（天津市南开医院） 一种基于人工智能的医学影像文件管理系统及方法

Also Published As

Publication number Publication date
KR102296207B1 (ko) 2021-09-02

Similar Documents

Publication Publication Date Title
WO2022103134A1 (ko) 질병 통합 진단 시스템 및 동작 방법
WO2022245042A1 (ko) 의료 데이터의 전처리를 통한 의료 데이터베이스 구축 시스템 및 동작 방법
WO2017095014A1 (ko) Dnn 학습을 이용한 세포이상 여부 진단시스템 및 그 진단관리 방법
Malik et al. CDC_Net: Multi-classification convolutional neural network model for detection of COVID-19, pneumothorax, pneumonia, lung Cancer, and tuberculosis using chest X-rays
RU2543563C2 (ru) Системы и способы поддержки клинических решений
WO2019103440A1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
Chatterjee et al. Exploration of interpretability techniques for deep covid-19 classification using chest x-ray images
WO2012102444A1 (ko) 계층적 퍼지 추론에 기반한 임상진단 지원방법 및 그 시스템
Chow et al. Quantitative and qualitative analysis of 18 deep convolutional neural network (CNN) models with transfer learning to diagnose COVID-19 on chest X-ray (CXR) images
WO2020111378A1 (ko) 질환 진단 보조를 위한 데이터 분석 방법 및 시스템
WO2022245062A1 (ko) 인공 지능 기반의 유전체 분석 및 의약 물질 개발 방법 및 시스템
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
WO2021075826A1 (ko) 생체 추출 데이터를 전처리하여 질병을 진단하는 방법 및 그를 위한 장치
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
WO2021149913A1 (ko) Ngs 분석에서의 질병 관련 유전자 선별 방법 및 장치
Shoaib et al. Hybrid classification structures for automatic COVID-19 detection
Ghose et al. Deep viewing for the identification of Covid-19 infection status from chest X-Ray image using CNN based architecture
Li et al. A depthwise separable dense convolutional network with convolution block attention module for COVID-19 diagnosis on CT scans
WO2022197044A1 (ko) 뉴럴 네트워크를 이용한 방광병변 진단 방법 및 그 시스템
WO2022245063A1 (ko) 인공 지능 기반의 유전체와 의료 정보 분석 및 의약 물질 개발 방법 및 시스템
Avanija et al. Prediction and analysis of cervical cancer: an ensemble approach
Pham et al. Dicom imaging router: An open deep learning framework for classification of body parts from dicom x-ray scans
Khazaal et al. Predicting Coronary Artery Disease Utilizing Support Vector Machines: Optimizing Predictive Model
Thirukrishna et al. Survey on diagnosing CORONA VIRUS from radiography chest X-ray images using convolutional neural networks
WO2021230687A1 (ko) 의학 데이터로부터 바이오마커와 관련된 의학적 예측을 생성하는 방법 및 시스템

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: 21892301

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 13/09/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21892301

Country of ref document: EP

Kind code of ref document: A1