WO2022182058A1 - 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치 - Google Patents

알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치 Download PDF

Info

Publication number
WO2022182058A1
WO2022182058A1 PCT/KR2022/002349 KR2022002349W WO2022182058A1 WO 2022182058 A1 WO2022182058 A1 WO 2022182058A1 KR 2022002349 W KR2022002349 W KR 2022002349W WO 2022182058 A1 WO2022182058 A1 WO 2022182058A1
Authority
WO
WIPO (PCT)
Prior art keywords
alzheimer
disease
risk
value
fat
Prior art date
Application number
PCT/KR2022/002349
Other languages
English (en)
French (fr)
Inventor
이종원
김해원
나기용
Original Assignee
주식회사 에이티앤씨
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
Priority claimed from KR1020210026618A external-priority patent/KR102532906B1/ko
Priority claimed from KR1020210048261A external-priority patent/KR102543914B1/ko
Application filed by 주식회사 에이티앤씨 filed Critical 주식회사 에이티앤씨
Publication of WO2022182058A1 publication Critical patent/WO2022182058A1/ko

Links

Images

Classifications

    • 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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/50—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
    • 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

Definitions

  • the present invention relates to a method for providing information for predicting the risk of Alzheimer's disease, a method for predicting the risk of Alzheimer's disease using the same, and an apparatus including an artificial intelligence model, and more particularly, based on a fat-related parameter obtained from an imaging device It provides information for predicting the risk of Alzheimer's disease and further relates to a method and apparatus for predicting the risk of Alzheimer's disease using the information.
  • Alzheimer's disease is a progressive brain disease, a disease in which memory, language, and the ability to perceive time and space gradually decrease, and eventually the patient becomes unable to take care of himself/herself. Alzheimer's disease can occur even in people in their 30's to 50's, but it accounts for less than 5% of all Alzheimer's disease patients, and most patients develop in their 60's or older. Alzheimer's disease that occurs before the age of 65 is called early-onset Alzheimer's disease. However, since the incidence of Alzheimer's disease increases with age, it is known that Alzheimer's disease is caused by pathological degenerative changes in the cranial nerves, unlike normal aging.
  • Alzheimer's disease is the most common form, accounting for 50 to 70% of dementia, and causes many social problems, and a significant economic cost is used for supportive care and hospitalization.
  • the rapid increase in the proportion of the elderly population in society means that the number of patients with Alzheimer's disease is rapidly increasing.
  • Biomarkers used for early diagnosis of Alzheimer's disease include brain magnetic resonance imaging, assessment of glucose metabolism or amyloid and tau accumulation based on brain positron emission tomography, and measurement of amyloid and tau concentrations by cerebrospinal fluid test. These tests are very expensive or can be performed only in some large hospitals, and like cerebrospinal fluid tests, they have limitations in that they are invasive and psychologically repulsive.
  • Korean Patent No. 10-2139314 early diagnosis and prediction of Alzheimer's disease dementia using an epigenetic methylation change of a gene has been attempted.
  • this method since a process of obtaining genomic DNA from a sample of an individual and detecting a methylation level must be performed, the analysis process takes a long time and analysis is not easy.
  • the risk of Alzheimer's disease that is, the possibility of onset
  • it may be very usefully used in the local community.
  • one aspect of the present invention is to provide a method of obtaining information for predicting the risk of Alzheimer's disease from fat-related parameters obtained from an imaging device.
  • Another aspect of the present invention is to provide a method and apparatus for predicting the risk of Alzheimer's disease, including an artificial intelligence model, for predicting the risk of Alzheimer's disease from fat-related parameters or epidemiological information obtained from an imaging device.
  • SUVmax maximal standard intake coefficient
  • SUVmin minimum standard intake coefficient
  • PET/CT positron emission tomography/computed tomography
  • SUVmean average standard intake coefficient
  • SUVpeak maximum point average standard intake coefficient
  • SUVheterogeneity heterogeneity standard intake coefficient
  • each parameter value when at least one of each parameter value is greater than or equal to a given specific cutoff value, using the information obtained in the information providing method for predicting the risk of Alzheimer's disease, determining that there is a possibility of Alzheimer's disease
  • a method for predicting the risk of Alzheimer's disease is provided, further comprising a.
  • a method for predicting the risk of Alzheimer's disease using the information obtained in the information providing method for predicting the risk of Alzheimer's disease and additional clinical information.
  • the information obtained in the information providing method for predicting the risk of Alzheimer's disease is corrected using the standard intake coefficient value measured from the blood pool in the mediastinal aorta. Methods for predicting risk of Alzheimer's disease using values and additional clinical information are provided.
  • an apparatus for predicting the risk of Alzheimer's disease uses positron emission tomography (PET) and computed tomography (CT) to obtain a PET/CT image based on the whole body.
  • PET/CT image acquisition unit to acquire; an image analysis unit for measuring a fat-related parameter to be used in determining Alzheimer's disease in the image input from the PET/CT image acquisition unit; a risk calculator that compares a reference value using the fat-related parameter with a cutoff value corresponding to the parameter using an artificial intelligence module and outputs a predicted risk of Alzheimer's disease based on the comparison result; includes, the artificial intelligence module can be learned using the PET/CT image segmented into parts based on the whole body for Alzheimer's disease patients and the PET/CT image segmented into parts based on the whole body for normal people.
  • the present invention it is possible to easily predict the risk of Alzheimer's disease by analyzing the patient's epidemiologic information together with the intake of glucose analogs from body fat using PET/CT images and artificial intelligence models. By predicting the occurrence and early diagnosis of dementia, it is possible to reduce the prevalence of dementia patients and further reduce medical and social costs for patient treatment.
  • FIG. 1 is a schematic block diagram of an apparatus for predicting the risk of Alzheimer's disease including an artificial intelligence model according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating an operation of a PET/CT image acquisition unit according to an embodiment of the present invention.
  • FIG. 3 shows an example of partitioning visceral fat in a CT image
  • (a) and (b) are CT images obtained from different patients, respectively.
  • FIG. 4 shows exemplary VOI settings of visceral fat and subcutaneous fat.
  • FIG. 5 shows an ROC curve for predicting the risk of Alzheimer's disease using an SUV.
  • FIG. 6 shows an Alzheimer's disease risk prediction ROC curve using SUVR.
  • the present invention relates to a method for providing information for predicting the risk of Alzheimer's disease using PET/CT (positron emission tomography/computed tomography) using F-18 fluorodeoxyglucose (FDG) and a method for predicting Alzheimer's disease using the same.
  • PET/CT positron emission tomography/computed tomography
  • FDG F-18 fluorodeoxyglucose
  • the 'risk of Alzheimer's disease' is understood to mean a risk for the possibility of developing Alzheimer's disease.
  • F-18 FDG moves into cells like glucose and the uptake rate varies depending on the metabolic activity of the cells
  • the present invention uses these characteristics of F-18 FDG to determine whether fat intake of F-18 FDG is increased. By confirming, the likelihood of developing Alzheimer's disease can be predicted.
  • the apparatus for predicting the risk of Alzheimer's disease including an artificial intelligence model uses positron emission tomography (PET) and computed tomography (CT) to scan the whole body.
  • PET positron emission tomography
  • CT computed tomography
  • a PET/CT image acquisition unit 110 that acquires a PET/CT image based on and a risk calculator 130 that compares a reference value using the fat-related parameter with a cutoff value corresponding to the parameter using an artificial intelligence module and outputs a predicted risk of Alzheimer's disease based on the comparison result;
  • the intelligence module can learn by using a PET/CT image segmented into parts based on the whole body for Alzheimer's disease patients and a PET/CT image segmented into parts based on the whole body for a normal person.
  • the PET/CT image acquisition unit 110 may include an administration module for administering detectable glucose or an analog thereof to an individual, and the glucose analog may be fluorodeoxyglucose (FDG),
  • FDG fluorodeoxyglucose
  • the detectable glucose or its analog may be labeled with an isotope that is F-18, C-11, O-15, N-13, or a combination thereof.
  • the glucose analog may be F-18 FDG (fluoro-2-deoxyglucose).
  • the PET/CT image acquisition unit 110 may acquire a PET/CT image by photographing positron emission tomography (PET) and computed tomography (CT) together within an arbitrary time difference.
  • PET positron emission tomography
  • CT computed tomography
  • the image analysis unit 120 measures the fat-related parameters distributed throughout the body, and the risk calculation unit 130 uses the deep learning-based measurement result based on the whole body.
  • the probability of Alzheimer's disease can be output by inputting it into the artificial intelligence module including the neural network of
  • the risk calculator 130 includes an artificial intelligence module, and the artificial intelligence module may use a deep learning network.
  • the deep learning network may be a model such as a Deep Neural Network (DNN), a Convolutional Neural Network (CNN), a Recurrent Neural Network (RNN), or a Restricted Boltzmann Machine (RBM).
  • DNN Deep Neural Network
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • RBM Restricted Boltzmann Machine
  • risk prediction can be performed in consideration of all fat-related parameters such as the degree of inflammation of fat in fat distributed throughout the body, FDG intake, and heterogeneity of FDG intake.
  • an artificial intelligence module can be used to detect body fat cells by analyzing an image in the image analysis unit 120 , and the risk calculation unit 130 uses an artificial intelligence module to analyze the image
  • the predicted risk of Alzheimer's disease can be derived by complex analysis of adipocytes.
  • the image analysis unit 120 extracts at least one region of the PET/CT image input from the PET/CT image acquisition unit 110 as an ROI, and extracts At least one of the parameter values for the SUV can be measured in the ROI.
  • SUVmax maximum standard intake coefficient
  • SUVmin minimum standard intake coefficient
  • SUVmean average standard intake coefficient
  • SUVpeak average standard intake coefficient at maximum point
  • SUVheterogeneity heterogeneity standard intake coefficient
  • the risk calculator 130 may compare the at least one parameter value with a cutoff value corresponding to the parameter value and output a predicted risk of Alzheimer's disease based on the comparison result.
  • a PET/CT image of the whole body for rapid information processing, a PET/CT image of a region where it is easy to identify related parameters such as fat distribution or fat inflammation is obtained.
  • SUV can be extracted as ROI from the PET/CT image.
  • the image in which the SUV of the glucose analog measured by the image analyzer 120 in the PET image, the CT image, or a combination image obtained by the PET/CT image acquisition unit 110 is marked as the learning data of the AI module.
  • the image analysis unit 120 performs PET/CT for the patient's whole body.
  • Alzheimer's disease of fat cells distributed throughout the body using an artificial intelligence module that receives an image and measures fat-related parameters for the whole body, and the risk calculation unit 130 uses the PET/CT image for the whole body as learning data.
  • the risk of Alzheimer's disease may be output by calculating a disease-related fat-related parameter.
  • the apparatus further includes an epidemiological information analysis unit 140 that receives epidemiological information including the user's personal information and medical history and calculates a degree of association with Alzheimer's disease, wherein the risk calculating unit 130 ) may output a predicted risk of Alzheimer's disease by integrating and analyzing the fat-related parameter and the degree of association of the epidemiological information with Alzheimer's disease.
  • an epidemiological information analysis unit 140 that receives epidemiological information including the user's personal information and medical history and calculates a degree of association with Alzheimer's disease, wherein the risk calculating unit 130 ) may output a predicted risk of Alzheimer's disease by integrating and analyzing the fat-related parameter and the degree of association of the epidemiological information with Alzheimer's disease.
  • the epidemiological information analysis unit 140 calculates the Alzheimer's disease induced degree of epidemiological information that directly or indirectly induces Alzheimer's disease using an artificial intelligence module, and calculates the correlation of the calculated epidemiological information with Alzheimer's disease to the risk calculation unit 130 .
  • the degree of Alzheimer's disease can be calculated by taking into account both the degree of association of epidemiological information with Alzheimer's disease and the distribution of fat in the body.
  • data related to Alzheimer's disease by using the artificial intelligence module to take into account not only body fat cells but also personal information including the patient's age, gender, occupation, or medical history including smoking history, drinking history, high blood pressure, diabetes, etc. can be extracted and analyzed to derive the predicted risk of Alzheimer's disease.
  • a deep learning algorithm is built in consideration of the parameters of glucose analogs reflecting the degree of inflammation of fat cells, which are characteristics related to the occurrence of Alzheimer's disease in PET/CT images, and epidemiologic information related to the induction of Alzheimer's disease.
  • the cost function that calculates the gradient can be updated by iteratively performing weights in consideration of the error in the output value using AdamOptimimzer.
  • the image analysis unit 120 classifies skeletal muscle and fat based on the attenuation signal in the CT image acquired by the PET/CT image acquisition unit, and the fat is divided into visceral fat and subcutaneous fat using the distribution map of fat cells (S210), and the CT image and the PET image are analyzed based on the location information on at least one structure among skeletal muscle, visceral fat, and subcutaneous fat of the CT image.
  • a PET/CT image S220
  • visceral fat and subcutaneous fat of the PET/CT image may be segmented (S230).
  • At least one ROI may be extracted from the segmented visceral fat and subcutaneous fat regions, and feature information to be used for Alzheimer's disease determination may be measured from at least one of the extracted ROIs (S240).
  • fat appears as a low attenuation signal and muscle appears as a moderate attenuation signal. This can be used to distinguish fat from other organs such as skeletal muscle.
  • visceral fat exhibits a more severe degree of adipocyte inflammation than subcutaneous fat, and the distribution of adipocytes with adipocyte inflammation is higher than that of subcutaneous fat, so that visceral fat and subcutaneous fat can be distinguished.
  • the CT image may be combined with the PET image obtained by photographing the image of the whole body.
  • PET image and CT image can be taken for the same patient at the same time or at short time intervals, so the position of visceral fat and subcutaneous fat in PET image when superimposed with PET image based on location information of skeletal muscle or fat separated from CT image information can be obtained.
  • visceral fat and subcutaneous fat of the PET/CT image can be distinguished in S230.
  • the risk calculating unit 130 in consideration of the compartmentalized skeletal muscle, visceral fat, or subcutaneous fat, Alzheimer's disease-related structural information including at least one of the density, volume, body fat mass, and muscle mass of fat, the degree of inflammation in the fat and the fat
  • the predicted risk of Alzheimer's disease may be output in consideration of Alzheimer's disease-related functional features including at least one of the FDG intake of the glucose analog.
  • the Alzheimer's disease-related structural information may include a muscle mass obtained from compartmentalized skeletal muscle obtained from a PET/CT image, preferably a CT image, a fat distribution obtained from visceral fat and subcutaneous fat, or a body fat mass or abdominal fat mass.
  • Alzheimer's disease-related functional information includes the degree of inflammation of fat or intracellular metabolic activity using the FDG intake amount of the glucose analog in fat obtained from a CT image, preferably a PET image, and heterogeneity of intake.
  • the PET/CT image is a sagittal image of at least one of the right mesentery, left mesentery, and sigmoid mesentery of the abdomen, coronal It may be an image, a horizontal image, or a combination thereof.
  • the patient's abdomen has a higher proportion of fat compared to other parts, so it is easier to understand the intake or heterogeneity of glucose analogs in fat. can be used to measure the uptake or heterogeneity of glucose analogs.
  • the PET/CT image is a combination of PET and CT images of the whole body
  • the risk calculating unit 130 uses a deep learning-based neural network to perform a PET/CT image of the whole body. , and calculating the parameters for systemic adipocytes, it is possible to output the possibility of Alzheimer's disease.
  • At least one region of the visceral fat region is extracted as an ROI in S240, and parameters for the SUV can be measured in the ROI, but preferably, all fat distributed throughout the body is considered using an artificial intelligence module. Therefore, the compartmentalized visceral fat and subcutaneous fat distributed throughout the body can be considered.
  • the ROI may extract a corresponding region when the fat distribution is equal to or greater than a preset threshold value, or when cellular metabolic activity or uptake rate is greater than or equal to a preset threshold value.
  • the image of the whole body not only the fat cell analysis, but also the structural characteristics of other organs, such as the degree of contraction of the brain, wrinkles, and changes in muscle mass, can be used to output the possibility of Alzheimer's disease, and various factors can be output. By taking this into consideration, it is possible to more accurately predict the risk of Alzheimer's disease.
  • the image analyzer 120 may additionally acquire structural features of other organs related to Alzheimer's disease from the CT image. For example, by capturing a brain region through a CT image to obtain a size change, shape change, wrinkle change, etc. according to the contraction of the brain, and when the brain contracts over a certain range, it is transmitted to the artificial intelligence module of the risk calculation unit 130 . Therefore, it can be taken into account in predicting the risk of Alzheimer's disease.
  • the risk of Alzheimer's disease is calculated by considering the Alzheimer's disease-related feature information that can be extracted from the PET/CT image along with the body fat distribution of the PET/CT image. can be printed out.
  • the risk calculating unit 130 may predict the risk of Alzheimer's disease by considering the structural features of the additional CT image together with the above-mentioned factors.
  • the information providing method for predicting the risk of Alzheimer's disease of the present invention is (a) SUVmax (maximum standard intake) of a glucose analog in fat using a PET/CT (positron emission tomography/computed tomography) image or a PET image. coefficient), (b) SUVmin (minimum standard intake coefficient), (c) SUVmean (average standard intake coefficient), (d) SUVpeak (maximum point average standard intake coefficient), and (e) SUVheterogeneity (heterogeneity standard intake coefficient) values Measuring the value of at least one of the parameters.
  • a related parameter of a glucose analog may be measured using a feature that moves into cells like glucose and the uptake rate varies depending on the metabolic activity of the cell.
  • the glucose analog may be F-18 FDG (fluoro-2-deoxyglucose).
  • the step of administering detectable glucose or an analogue thereof to the subject may be preceded, and the glucose analogue may be fluorodeoxyglucose (FDG), and the detectable glucose or analogue thereof may be F-18. , C-11, O-15, N-13, or a combination thereof may be labeled with an isotope.
  • the glucose analog may be F-18 FDG (fluoro-2-deoxyglucose).
  • the SUV (standardized uptake value) maximum means the highest value of F-18 FDG intake within a specific ROI (region of interest) or VOI (volume of interest) of body fat
  • SUV mean is body fat means the average value of F-18 FDG intake within a specific ROI or VOI of
  • SUV minimum means the lowest value of F-18 FDG intake within a specific ROI or VOI of body fat
  • SUV peak means the specific ROI or VOI of body fat intake 1 cm 3 around the pixel representing the highest F-18 FDG uptake value in VOI 3 Mean value of F-18 FDG uptake in VOI.
  • SUV heterogeneity is a value indicating the heterogeneity of F-18 FDG intake within a specific ROI or VOI of body fat, and means the ratio or difference between SUVmax and SUVmin, and SUVR is the ratio of SUV in two different ROIs or VOIs. That is, in the present invention, the SUVR value may be a difference value between SUVmax and SUVmin.
  • the image of the present invention may be an abdominal image or a torso image, and in more detail, the metabolic parameter is body fat of the right mesentery, the left mesentery, and the sigmoid mesentery.
  • the average value of each parameter value obtained for visceral fat can be calculated and used.
  • the image may be a whole body image, and may be used by measuring the fat distribution and fat inflammation of the whole body, and calculating an average value of each parameter value obtained from the fat of the whole body.
  • the image analysis unit 120 may use the artificial intelligence module to analyze the whole body image to detect body fat cells.
  • the AI module it is possible to consider all the fat distributed throughout the body and consider the compartmentalized visceral fat and subcutaneous fat distributed throughout the body.
  • the artificial intelligence module included in the image analysis unit 120 may include an encoder and a decoder, wherein the encoder receives a PET/CT image and outputs feature information or a feature map, and the decoder receives the received feature information or feature. Outputs a specific image based on the map.
  • the encoder of the artificial intelligence module extracts feature information to be used for determining the likelihood of Alzheimer's disease from the PET/CT image, and selects a model capable of locating feature information to display a specific region for extracting feature information from the PET/CT image.
  • adipocyte information to be used for determining the possibility of Alzheimer's disease may be extracted from the PET/CT image, and for this purpose, a specific region in which the adipocyte is located may be detected and classified.
  • the decoder of the artificial intelligence module expresses the possibility of Alzheimer's disease in a specific color or in text form in a medical image that reflects the characteristic information extracted by the encoder from the input PET/CT image, for example, a PET/CT image of the whole body. can be printed out. Information indicated by the output image may vary depending on the configuration or parameter setting of the decoder.
  • the risk calculation unit 130 can derive the predicted risk of Alzheimer's disease by complexly analyzing the body fat cells by using the artificial intelligence module.
  • the risk calculator 130 may also include a neural network model for predicting the likelihood of Alzheimer's disease.
  • the neural network model may receive an F-18 FDG PET/CT image and output information for predicting the possibility of Alzheimer's disease on the image.
  • the risk calculator 130 may receive an image output from the image analyzer 120 and detect a region of interest (ROI) in which a desired object exists from the image.
  • ROI region of interest
  • the neural network model of the risk calculator 130 must also be trained in advance to detect the region of interest.
  • training may be performed using the image-processed PET/CT image and whether the user who captured the image has Alzheimer's disease.
  • the neural network model may be implemented as various types of models.
  • the neural network model may be a model of a type such as CNN, or may have a structure such as an encoder-decoder structure, a fully convolutional network (FCN), and the like.
  • FCN fully convolutional network
  • the risk calculating unit 130 may output Alzheimer's disease onset probability information by using the feature information to be used for determining the Alzheimer's disease onset possibility.
  • the risk calculating unit 130 when the risk calculating unit 130 outputs whether or not Alzheimer's disease occurs using the SUV-related parameters provided by the image analysis unit 120, at least one of the parameters is It is determined whether the cutoff value is greater than or less than the following cutoff value, and the possibility of Alzheimer's disease can be determined according to the determined result.
  • the information providing method for predicting the risk of Alzheimer's disease may further include determining whether the value of at least one of the parameters is greater than or less than the following cutoff value.
  • the risk of Alzheimer's disease that is, the risk of Alzheimer's disease is high.
  • the value of one or a combination of two or more of the parameters (a) to (e) may be checked, and the value is preferably confirmed including the SUVmax parameter.
  • the fat may be visceral fat, subcutaneous fat, or a combination thereof, preferably visceral fat.
  • the cutoff value of each parameter may be set as follows.
  • the risk calculating unit 130 may also predict the risk of Alzheimer's disease by providing information including the measured parameters.
  • the Alzheimer's disease risk prediction method of the present invention uses the information providing method for Alzheimer's disease risk prediction of the present invention alone, and when at least one of the parameters is equal to or greater than the following cutoff value, the probability of Alzheimer's disease It may be to further include the step of determining that there is.
  • the cutoff value of each parameter may be set as follows.
  • the prediction of the possibility of Alzheimer's disease occurrence is determined by the following Equations (1) to (3) Using one of the above formulas, when the X value of each formula is equal to or greater than the following cutoff value, determining that the probability of Alzheimer's disease is high.
  • Equation (1) (Sex ⁇ 0.260) + (1.426 ⁇ SUVmax) - 0.648
  • Sex is defined as 0 for females and 1 for males.
  • age since age as well as gender is known as a significant factor in predicting Alzheimer's disease, age can be added as a factor in the information providing method for predicting the risk of Alzheimer's disease of the present invention, and furthermore, not only age, but also Alzheimer's disease If it is known to be related, risk factors such as smoking history, hypertension, diabetes, and hyperlipidemia can also be considered in the information providing method for predicting the risk of Alzheimer's disease of the present invention, as described above, predicting the risk of Alzheimer's disease of the present invention Factors that can be additionally considered in the method of providing information for
  • the above-mentioned parameter value can be applied to the risk prediction of Alzheimer's disease by correcting the value measured in the mediastinal aorta
  • the Alzheimer's disease risk prediction method of the present invention is Using the information obtained in the information providing method for prediction, dividing at least one parameter value of (a) to (c) by the value measured in the mediastinal aorta and deriving a correction value as follows may include
  • SUVRmax (SUVmax / SUVmax of mediastinal aorta)
  • SUVRmean (SUV mean / SUV mean of mediastinal aorta)
  • SUVRmin (SUVmax / SUVmin of mediastinal aorta),
  • the prediction of the likelihood of Alzheimer's disease is determined by using one of the following formulas (4) to (6), and when the X value of each of the following formulas is equal to or greater than the respective cutoff values, it is determined that there is a possibility of the occurrence of Alzheimer's disease It may include steps.
  • Sex is defined as 0 for females and 1 for males.
  • the present invention can predict the likelihood of Alzheimer's disease, that is, the risk, using quantitative parameters of Alzheimer's disease patients set through ROC analysis.
  • PET/CT positron emission tomography/computed tomography
  • FDG F-18 fluorodeoxyglucose
  • the measurement or calculation in the following embodiment may be performed by the artificial intelligence module of the image analysis unit 120 or the risk calculation unit 130 .
  • Visceral fat distributed in the abdomen shows a more severe degree of adipocyte inflammation than subcutaneous fat.
  • adipocytes appear as low attenuation signals, and by using this, they can be partitioned into different organs, visceral fat, and subcutaneous fat (FIG. 5).
  • PET/CT is an image obtained by taking CT and PET on the same patient at the same time, the CT image and PET image have the same location information. and subcutaneous fat.
  • VOI volume of interest
  • ROI region of interest
  • 6 shows an exemplary photograph of measuring SUV by setting VOI in the F-18 FDG PET image. Visceral fat is indicated by a red circle, and subcutaneous fat is indicated by blue.
  • An optimal cut-off value was determined through ROC analysis of quantitative parameters of normal persons and Alzheimer's disease patients.
  • the probability of Alzheimer's disease may be predicted by using cut-off values of the following quantitative metabolic parameters of the PET image.
  • SUV heterogeneity A value indicating the heterogeneity of F-18 FDG intake within a specific ROI or VOI of body fat. The ratio or difference between SUVmax and SUVmin
  • SUVR ratio of SUVs within two different ROIs or VOIs
  • the metabolic parameter is body fat, and the average value thereof is calculated and used for visceral fat of the right mesentery, left mesentery, and sigmoid mesentery.
  • the difference between SUVmax and SUVmin was used as the SUVR value.
  • the SUV is calculated by calculating the ratio of the amount of F-18 FDG intake shown in the PET image to the amount of F-18 FDG actually injected into humans as shown in Equation (a) below.
  • Body weight (near the time of image acquisition) converted to body weight assuming an average mass density of 1 g/mL.
  • the optimal cutoff value was determined as the SUV at the point where the sum of sensitivity and specificity was the largest after drawing an SUV and ROC curve for Alzheimer's disease using the SPSS program, which is shown in Table 1 below. indicated.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the sensitivity upward cutoff value with increased sensitivity after drawing the ROC curve for SUV and Alzheimer's disease using the SPSS program, the sum of sensitivity and specificity is the highest among the points where the sensitivity is 81 to 100%. It was determined as an SUV with a large spot, and it is shown in Table 2 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the specificity upward cutoff value with increased specificity was calculated using the SPSS program to draw ROC curves for SUV and Alzheimer's disease, and the sensitivity and specificity of the points where the specificity is 81 to 100%.
  • the SUV at the point with the largest sum was determined, and it is shown in Table 3 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the optimal cutoff value is the same as in the case of using visceral fat, after drawing an SUV and ROC curve for Alzheimer's disease using the SPSS program, SUV at the point where the sum of sensitivity and specificity is the greatest , which is shown in Table 4 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the sensitivity upward cutoff value with increased sensitivity after drawing the ROC curve for SUV and Alzheimer's disease using the SPSS program, the sum of sensitivity and specificity is the highest among the points where the sensitivity is 81 to 100%. It was determined as an SUV with a large spot, and it is shown in Table 5 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the specificity upward cutoff value with increased specificity was calculated using the SPSS program to draw ROC curves for SUV and Alzheimer's disease, and the sensitivity and specificity of the points where the specificity is 81 to 100%.
  • the SUV at the point with the largest sum was determined, and it is shown in Table 6 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the optimal cutoff value is the same as in the case of using the visceral fat and subcutaneous fat, after drawing the ROC curve for SUV and Alzheimer's disease using the SPSS program, the sum of sensitivity and specificity is the largest. It was determined as the SUV of the branch, and it is shown in Table 7 below. On the other hand, whole adipose tissue SUV means the average of visceral fat and subcutaneous fat SUV.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the sensitivity upward cutoff value with increased sensitivity after drawing the ROC curve for SUV and Alzheimer's disease using the SPSS program, the sum of sensitivity and specificity is the highest among the points where the sensitivity is 81 to 100%. It was determined as an SUV with a large spot, and it is shown in Table 8 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the specificity upward cutoff value with increased specificity was calculated using the SPSS program to draw ROC curves for SUV and Alzheimer's disease, and the sensitivity and specificity of the points where the specificity is 81 to 100%.
  • the SUV at the point with the largest sum was determined, and it is shown in Table 9 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • Indicators of Alzheimer's disease include a decrease in MMSE and KBNT scores in cognitive function tests, an increase in brain amyloid accumulation as measured by amyloid PET, and a decrease in brain glucose metabolism as measured by F-18 FDG PET.
  • the KBNT (Korean Boston Naming Test) is a tool for measuring expressive power through evaluation of object naming ability. Standardization of BNT (Boston Naming Test) into Korean version by adding Korean cultural and linguistic elements. As a result, it is a test method that is sensitive to early cognitive changes in Alzheimer's disease.
  • amyloid burden is a patient's brain amyloid burden (cerebral amyloid burden) measured by amyloid PET, it represents a specific pathological change of Alzheimer's disease, and if it is 1.39 or more, Alzheimer's disease is diagnosed as a pathology.
  • cerebral glucose metabolism is the brain metabolism obtained with F-18 FDG brain PET, which indicates brain activity and is specifically decreased in the parietal and temporal lobes in Alzheimer's disease.
  • the degree of F-18 FDG intake of adipocytes related to the present invention showed a negative correlation with the KBNT score as shown in Table 9 below, a positive correlation with brain amyloid accumulation, and a positive correlation with brain glucose metabolism showed a negative correlation.
  • Alzheimer's occurrence prediction was attempted, and the results are shown in Table 11 below.
  • Table 11 Table 11 below.
  • the optimal cutoff value of the binding model 1 value was calculated using the SPSS program to draw the ROC curve for the binding model 1 value and Alzheimer's disease, and then the binding model at the point where the sum of sensitivity and specificity is the greatest 1 was set.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • Each of the binding models is an occurrence prediction model through multiple regression analysis by the following formula.
  • the Alzheimer's disease group was defined as 1, and the normal group was defined as 2.
  • Equation (1) (Sex ⁇ 0.260) + (1.426 ⁇ SUVmax) - 0.648
  • Sex is defined as 0 for females and 1 for males.
  • FIG. 5 shows an ROC curve for predicting the risk of Alzheimer's disease using an SUV.
  • the optimal cutoff value of SUVR was determined as the SUVR at the point where the sum of sensitivity and specificity was the greatest after drawing an ROC curve for SUVR and Alzheimer's disease using the SPSS program.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the correction value is SUV of the mediastinal aorta
  • SUVRmax is calculated as follows:
  • SUVRmax (SUVmax / SUVmax of mediastinal aorta)
  • SUVRave, SUVRmin, SUVRpeak, and SUVRhtr were similarly divided and corrected by values obtained from the mediastinal aorta, respectively.
  • the sensitivity upward cutoff value with increased sensitivity is the highest of the sum of sensitivity and specificity among the points where sensitivity is 81 to 100% after drawing the ROC curve for SUVR and Alzheimer's disease using the SPSS program. It was determined as the SUVR of the large point, and it is shown in Table 13 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the specificity upward cut-off value with increased specificity is calculated by drawing ROC curves for SUVR and Alzheimer's disease using the SPSS program, The SUVR of the point with the largest sum was determined, and it is shown in Table 14 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the sensitivity upward cutoff value which increased the sensitivity in relation to subcutaneous fat, after drawing the ROC curve for SUVR and Alzheimer's disease using the SPSS program, the sensitivity and specificity among the points where the sensitivity is 81-100%
  • the SUVR of the point where the sum of the figures is the largest was determined, and it is shown in Table 15 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the sensitivity upward cutoff value which increased the sensitivity in relation to total fat, was calculated using the SPSS program to draw the ROC curve for SUVR and Alzheimer's disease, and then, among the points where the sensitivity is 81 to 100%, the sensitivity and specificity
  • the SUVR of the point where the sum of the figures is the largest was determined, and it is shown in Table 16 below.
  • Alzheimer's disease was defined as a case in which brain amyloid accumulation measured by amyloid PET was 1.39 or more.
  • the Alzheimer's disease group was defined as 1, and the normal group was defined as 2.
  • FIG. 6 shows an Alzheimer's disease risk prediction ROC curve using SUVR.
  • a decrease in cognitive function may also be predicted and diagnosed using the prediction of Alzheimer's disease onset according to an embodiment of the present invention.
  • Cognitive dysfunction can occur for various reasons, but it can be caused by geriatric cognitive disorders such as Alzheimer's disease. can
  • the optimal cutoff value was determined as the SUV at the point where the sum of sensitivity and specificity was the largest after drawing an SUV and ROC curve for Alzheimer's disease using the SPSS program, which is shown in Table 18 below. indicated.
  • the occurrence of Alzheimer's disease was defined as a case where the brain metabolism in the Alzheimer's disease-specific region measured by F-18 FDG brain PET was 0.95 or less.
  • the Alzheimer's disease-specific brain metabolism means the average value of the brain metabolism of the limbic cortex, the temporal lobe, and the parietal lobe, and the brain metabolism of the frontal lobe and the insular cortex may be added.
  • the Alzheimer's disease-specific brain metabolic rate may vary depending on circumstances.
  • SUVR which corrected SUV data of visceral fat used in the present invention with SUV measured in the mediastinal aorta
  • the optimal cutoff value of SUVR was determined by using the SPSS program.
  • the SUVR at the point where the sum of the sensitivity and specificity is the largest was determined, and it is shown in Table 19 below.
  • the occurrence of Alzheimer's disease was defined as a case where the brain metabolism in the Alzheimer's disease-specific region measured by F-18 FDG brain PET was 0.95 or less.
  • the following is the result of predicting the probability of developing Alzheimer's disease according to the correlation between the KBNT score and the onset of Alzheimer's disease.
  • the SUV at the point where the sum of sensitivity and specificity was the largest was determined, and it is shown in Table 20 below.
  • the occurrence of Alzheimer's disease was defined as a KBNT score of 42 or less during the cognitive function test.
  • the occurrence of Alzheimer's disease can also be defined using other cognitive function tests such as MMSE other than KBNT.
  • the sensitivity upward cutoff value which increased the sensitivity in relation to subcutaneous fat, after drawing the ROC curve for SUVR and Alzheimer's disease using the SPSS program, the sensitivity and specificity among the points where the sensitivity is 81-100%
  • the SUVR of the point where the sum of the figures is the largest was determined, and it is shown in Table 21 below.
  • the occurrence of Alzheimer's disease was defined as a KBNT score of 42 or less during the cognitive function test.
  • the occurrence of Alzheimer's disease can also be defined using other cognitive function tests such as MMSE other than KBNT.
  • cognitive training should be performed so that the brain is continuously activated to prevent cognitive decline, and appropriate cognitive training can slow the cognitive decline or the progression of Alzheimer's disease.
  • Cognitive training may be performed to change at least one of the difficulty level of the problem and the type of the problem.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Software Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine (AREA)

Abstract

본 발명은 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치에 관한 것으로, 보다 상세하게는 PET/CT(positron emission tomography/computed tomography)의 영상을 이용하여 지방 내 포도당 유사체의 (a) SUVmax(최대 표준섭취계수), (b) SUVmin(최소 표준섭취계수), (c) SUVmean(평균 표준섭취계수), (d) SUVpeak(최대지점 평균 표준섭취계수), 및 (e) SUVheterogeneity (불균질성 표준섭취계수) 값 중 적어도 하나의 파라미터 값을 측정하는 단계를 포함하는, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법; 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치에 관한 것이다.

Description

알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치
본 발명은 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치에 관한 것으로, 보다 상세하게는 영상 진단기기로부터 획득된 지방 관련 파라미터에 기초하여 알츠하이머병의 위험도 예측을 위한 정보를 제공하고 나아가 이를 이용하여 알츠하이머병의 위험도를 예측하는 방법 및 장치에 관한 것이다.
알츠하이머병(Alzheimer's Disease)은 진행성 뇌 질환으로, 기억력, 언어력 및 시간과 공간을 인식하는 능력이 점차적으로 감소하여 결국 환자가 스스로 자신을 돌볼 수 없는 상태가 되는 질환이다. 알츠하이머병은 30대 내지 50대에서도 발병 가능하나 이는 전체 알츠하이머병 환자의 5% 정도 이하이고, 대부분의 환자들은 60대 이상이 되어서 발생된다. 65세 이전에 발생하는 알츠하이머병은 조발성 알츠하이머병이라고 부르는데, 65세 이후에 발생하는 경우에 비해 유전적 경향이 강하다. 하지만 나이가 들어감에 따라 알츠하이머병의 발생률이 높아지기 때문에, 알츠하이머병은 정상적인 노화와 달리 병적인 퇴행성 뇌신경 변화로 인해 발생하는 것으로 알려져 있다.
알츠하이머병은 치매 중 50 내지 70%를 차지하는 가장 흔한 형태로, 사회적으로도 많은 문제를 야기하게 되는데, 상당한 경제적 비용이 보존적 치료(Supportive care) 및 수용시설 입원을 위해 사용되게 된다. 사회에서 노인 인구의 비율이 급속하게 증가한다는 것은 알츠하이머병에 걸리는 환자 수가 급격하게 증가한다는 것을 의미하고, 이런 이유로 알츠하이머병의 예측 및 조기 진단과 치료법의 발견은 전 세계적으로 중요한 이슈가 되고 있다.
알츠하이머병을 초기에 진단하기 위해 이용되는 생체 마커로는 뇌자기공명영상 촬영, 뇌양전자방출단층촬영에 기초한 포도당 대사 혹은 아밀로이드, 타우 축적 평가, 뇌척수액검사에 의한 아밀로이드 및 타우 농도 측정 등이 있다. 이러한 검사는 매우 고가이거나 일부 대형병원에서만 시행할 수 있다는 문제점, 그리고 뇌척수액검사처럼 침습적이고 심리적 거부감이 높다는 한계점이 있다. 한편, 예를 들어 한국 특허 제10-2139314호에서는 유전자의 후성학적 메틸화 변화를 이용한 알츠하이머병 치매의 조기 진단 및 예측을 시도한 바 있다. 그러나, 이와 같은 방법은 개체의 시료로부터 게놈 DNA를 수득하여 메틸화 수준을 검출하는 과정 등이 수행되어야 하므로, 분석 과정에 장시간이 소요되고 분석이 용이하지 않은 측면이 여전히 존재한다.
이러한 면에서 영상 진단기기로부터 획득된 이미지 데이터에 기초하여 지방 관련 파라미터를 이용하여 알츠하이머병의 위험도, 즉 발병 가능성을 예측할 수 있다면, 지역사회에서 매우 유용하게 이용될 수 있을 것이다.
이에 본 발명의 한 측면은 영상 진단기기로부터 획득된 지방 관련 파라미터로부터 알츠하이머병의 위험도를 예측하기 위한 정보를 획득하는 방법을 제공하는 것이다.
본 발명의 다른 측면은 영상 진단기기로부터 획득된 지방 관련 파라미터 또는 역학 정보로부터 알츠하이머병의 위험도를 예측하기 위한, 인공지능 모델을 포함하는 알츠하이머병의 위험도를 예측하는 방법 및 장치를 제공하는 것이다.
본 발명의 일 견지에 의하면, PET/CT(positron emission tomography/computed tomography)의 영상을 이용하여 지방 내 포도당 유사체의 (a) SUVmax(최대 표준섭취계수), (b) SUVmin(최소 표준섭취계수), (c) SUVmean(평균 표준섭취계수), (d) SUVpeak(최대지점평균 표준섭취계수), 및 (e) SUVheterogeneity (불균질성 표준섭취계수) 값 중 적어도 하나의 파라미터 값을 측정하는 단계를 포함하는, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법이 제공된다
본 발명의 다른 견지에 의하면, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 이용하여, 각 파라미터 값 중 적어도 하나가 주어진 특정한 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는 단계를 추가로 포함하는, 알츠하이머병의 위험도 예측 방법이 제공된다.
본 발명의 또 다른 견지에 의하면, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보 및 추가의 임상 정보를 이용하는 알츠하이머병의 위험도 예측 방법이 제공된다.
본 발명의 또 다른 견지에 의하면, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 종격동 대동맥(mediastinal aorta) 안의 혈액(blood pool)에서 측정된 표준섭취계수 값을 이용하여 보정한 보정 파라미터 값 및 이에 추가의 임상 정보를 이용하는 알츠하이머병의 위험도 예측 방법이 제공된다.
본 발명의 일 실시예에 따르면, 인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치는, PET(positron emission tomography) 및 CT(computed tomography)를 촬영하여 전신(全身)을 기준으로 PET/CT 영상을 획득하는 PET/CT 영상 획득부; 상기 PET/CT 영상 획득부로부터 입력된 영상에서 알츠하이머병 판단에 사용될 지방 관련 파라미터를 측정하는 영상 분석부; 인공지능 모듈을 이용하여 상기 지방 관련 파라미터를 이용한 기준 값을 상기 파라미터와 대응되는 컷오프 값과 비교하여 비교 결과를 기반으로 알츠하이머병의 예측된 위험도를 출력하는 위험도 연산부;를 포함하며, 상기 인공지능 모듈은 알츠하이머병 환자에 대해 전신을 기반으로 부위별로 분할한 PET/CT 영상 및 정상인에 대해 전신을 기반으로 부위별로 분할한 PET/CT 영상을 이용하여 학습할 수 있다.
본 발명에 의하면 PET/CT 영상 및 인공 지능 모델을 이용하여 체내 지방에서의 포도당 유사체의 섭취 정도와 함께 환자의 역학 정보를 통합적으로 분석하여 용이하게 알츠하이머병의 발생 위험도를 예측할 수 있으며, 따라서 알츠하이머병의 발생 여부 예측 및 조기 진단을 통해 치매환자의 유병률 감소, 나아가 환자 치료에 대한 의료 비용 및 사회적 비용 절감 효과를 획득할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치의 블록도를 간략하게 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 PET/CT 영상 획득부의 동작에 대한 플로우 차트를 도시한 것이다.
도 3은 CT 영상에서 내장지방을 구획하는 일 예를 나타낸 것으로, (a)와 (b)는 각각 다른 환자로부터 획득한 CT 영상이다.
도 4는 내장지방 및 피하지방 부위의 예시적인 VOI 설정을 나타낸 것이다.
도 5는 SUV를 이용한 알츠하이머병 발생 위험도 예측 ROC 커브를 나타낸 것이다.
도 6은 SUVR을 이용한 알츠하이머병 발생 위험도 예측 ROC 커브를 나타낸 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태를 설명한다. 그러나, 본 발명의 실시 형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다.
본 발명에 의하면, F-18 fluorodeoxyglucose (FDG)를 이용한 PET/CT(positron emission tomography/computed tomography)를 이용하여 알츠하이머병의 위험성 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 예측 방법에 관한 것이다. 본 발명에 있어서, '알츠하이머병의 위험성'이란 알츠하이머병이 발생할 가능성에 대한 위험을 의미하는 것으로 이해된다.
F-18 FDG는 포도당과 같이 세포 내로 이동되고 세포의 대사 활성도(metabolic activity)에 따라 섭취율이 달라지므로, 본 발명은 이러한 F-18 FDG의 특징을 이용하여 지방의 F-18 FDG 섭취 증가 여부를 확인함으로써 알츠하이머병의 발생 가능성을 예측할 수 있다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따르면, 인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치는, PET(positron emission tomography) 및 CT(computed tomography)를 촬영하여 전신(全身)을 기준으로 PET/CT 영상을 획득하는 PET/CT 영상 획득부(110), 상기 PET/CT 영상 획득부로부터 입력된 영상에서 알츠하이머병 판단에 사용될 지방 관련 파라미터를 측정하는 영상 분석부(120), 인공지능 모듈을 이용하여 상기 지방 관련 파라미터를 이용한 기준 값을 상기 파라미터와 대응되는 컷오프 값과 비교하여 비교 결과를 기반으로 알츠하이머병의 예측된 위험도를 출력하는 위험도 연산부(130)를 포함하며, 상기 인공지능 모듈은 알츠하이머병 환자에 대해 전신을 기반으로 부위별로 분할한 PET/CT 영상 및 정상인에 대해 전신을 기반으로 부위별로 분할한 PET/CT 영상을 이용하여 학습할 수 있다.
이를 위해 상기 PET/CT 영상 획득부(110)는 개체에 검출 가능한 포도당 또는 그의 유사체를 투여하는 투여 모듈을 포함할 수 있으며, 상기 포도당 유사체는 플루오로데옥시글루코스(fluorodeoxyglucose; FDG)일 수 있으며, 상기 검출 가능한 포도당 또는 그의 유사체는 F-18, C-11, O-15, N-13, 또는 이들의 조합인 동위원소로 표지된 것일 수 있다. 바람직하게 상기 포도당 유사체는 F-18 FDG (fluoro-2-deoxyglucose)인 것일 수 있다.
구체적으로, PET/CT 영상 획득부(110)는 PET(positron emission tomography) 및 CT(computed tomography)를 임의의 시간차 이내에 함께 촬영하여 PET/CT 영상을 획득할 수 있다.
이때, 본 발명의 일 실시예에 따르면, 상기 영상 분석부(120)가 전신에 분포된 지방 관련 파라미터를 측정하고, 상기 위험도 연산부(130)가, 전신을 기반으로 한 상기 측정 결과를 딥러닝 기반의 뉴럴 네트워크를 포함한 인공지능 모듈에 입력하여 알츠하이머병 발생 가능성을 출력할 수 있다.
즉, 전신에 분포된 내장지방, 피하지방 또는 이들의 조합인 지방을 모두 종합적으로 고려하여 전신 지방의 만성염증이나 유해인자를 복합적으로 분석하여 보다 정확하게 알츠하이머병 발생 가능성을 예측할 수 있다.
상기 위험도 연산부(130)는 인공지능 모듈을 포함하며, 상기 인공지능 모듈은 딥러닝 네트워크를 사용할 수 있다. 딥러닝 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine) 등의 모델일 수 있다. 널리 알려진 딥러닝 모델에 대해서는 자세한 설명을 생략한다.
상기 인공지능 모듈을 이용하는 바 전신에 분포된 지방에서 지방의 염증 정도, FDG 섭취량, FDG 섭취량의 불균질성 등 지방 관련 파라미터를 모두 고려하여 위험도 예측을 수행할 수 있다.
즉, 본 발명의 일 실시예에 따르면, 영상 분석부(120)에서 영상을 분석하여 전신 지방세포를 검출하는데 인공 지능 모듈을 활용할 수 있으며, 또한 위험도 연산부(130)에서 인공지능 모듈을 활용하여 전신 지방세포를 복합적으로 분석하여 알츠하이머병의 예측 위험도를 도출할 수 있다.
또는, 본 발명의 일 실시예에 따르면, 상기 영상 분석부(120)는, 상기 PET/CT 영상 획득부(110)로부터 입력된 상기 PET/CT 영상 중 적어도 하나의 영역을 ROI 로 추출하고, 추출된 ROI에서 SUV에 대한 파라미터 값 중 적어도 하나를 측정할 수 있다.
이때, 상기 PET/CT 영상 획득부(110)로부터 입력된 PET 영상에서 인공지능 모듈을 이용하여 지방 내 포도당 유사체의 (a) SUVmax(최대 표준섭취계수), (b) SUVmin(최소 표준섭취계수), (c) SUVmean(평균 표준섭취계수), (d) SUVpeak(최대지점 평균 표준섭취계수), 및 (e) SUVheterogeneity (불균질성 표준섭취계수) 중 적어도 하나의 파라미터 값을 측정할 수 있다.
그리고, 위험도 연산부(130)는 상기 적어도 하나의 파라미터 값을 상기 파라미터 값과 대응되는 컷오프 값과 비교하여 비교 결과를 기반으로 알츠하이머병의 예측된 위험도를 출력할 수 있다.
전신에 대한 PET/CT 영상을 획득하여 전신의 지방 관련 파라미터를 고려할 수도 있으나, 신속한 정보 처리를 위하여 지방 분포나 지방 염증도 등의 관련 파라미터를 파악하기 용이한 부위의 PET/CT 영상을 획득하고, 상기 PET/CT 영상에서 SUV를 ROI로 추출할 수 있다.
따라서, PET/CT 영상 획득부(110)가 획득한 PET 영상, CT 영상 또는 이들의 조합 영상에서 영상 분석부(120)가 측정한 포도당 유사체의 SUV가 마킹된 영상을 인공지능 모듈의 학습 데이터로 활용하고 위험도 연산부(130)가 학습된 인공지능 모듈을 이용하여 SUV 파라미터를 통해 알츠하이머병의 위험도를 출력할 수 있으나, 바람직하게는, 상기 영상 분석부(120)가 환자의 전신에 대한 PET/CT영상을 입력 받아 전신에 대한 지방 관련 파라미터를 측정하고, 위험도 연산부(130)가 상기 전신에 대한 PET/CT 영상을 학습 데이터로 활용하여 학습한 인공지능 모듈을 이용하여 전신에 분포한 지방세포의 알츠하이머병과 연관된 지방 관련 파라미터를 연산하여 알츠하이머병의 위험도를 출력할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 사용자의 개인정보 및 병력을 포함하는 역학정보를 입력 받아 알츠하이머병과의 연관도를 연산하는 역학정보 분석부(140)를 더 포함하며, 상기 위험도 연산부(130)는 상기 지방 관련 파라미터 및 상기 역학정보의 알츠하이머병과의 연관도를 통합 분석하여 알츠하이머병의 예측된 위험도를 출력할 수 있다.
역학정보 분석부(140)가 알츠하이머병을 직접적 또는 간접적으로 유발하는 역학정보의 알츠하이머병 유발 정도를 인공지능 모듈을 이용하여 연산하고 연산된 역학정보의 알츠하이머병과의 연관도를 위험도 연산부(130)에 전달하여 역학정보의 알츠하이머병과의 연관도와 신체 내의 지방 분포를 모두 고려하여 알츠하이머병 발병 정도를 연산할 수 있다.
즉, 인공지능 모듈을 활용하여 전신 지방세포뿐만 아니라 환자의 나이, 성별, 직업 등을 포함하는 개인정보, 또는 흡연력, 음주력, 고혈압, 당뇨 등을 포함하는 병력 등을 함께 고려하여 알츠하이머병과 관련 있는 데이터를 추출 및 분석하여 알츠하이머병의 예측 위험도를 도출할 수 있다.
따라서, PET/CT 영상의 알츠하이머병 발생 관련 특징인 지방 세포의 염증도를 반영한 포도당 유사체의 파라미터, 알츠하이머병 유발 관련 역학 정보를 고려하여 딥러닝 알고리즘을 구축하고, 알츠하이머병을 예측하는 오차 최소화 및 에너지 최소화하여 알츠하이머병 예측을 최적화된 인공지능 모듈을 구축하기 위하여 AdamOptimimzer를 이용하여 출력값의 에러를 고려하여 가중치를 반복적으로 수행하고, gradient를 계산하는 cost 함수를 업데이트할 수 있다.
이를 위하여, 매 학습마다 데이터를 분리하여 정확도를 측정하고, 최적화에 방해가 되는 데이터는 제거하여 알츠하이머병 발생 예측 모델을 최적화할 수 있다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 영상 분석부(120)는 상기 PET/CT 영상 획득부에서 획득한 CT 영상에서 감쇄 신호를 기반으로 골격근 및 지방을 구분하고, 상기 지방을 지방 세포의 분포도를 이용하여 내장지방 및 피하지방으로 구분하며(S210), 상기 CT 영상의 골격근, 내장지방 및 피하지방 중 적어도 하나의 구조물에 대한 위치 정보를 기반으로 상기 CT 영상과 PET 영상을 결합하여 PET/CT 영상을 획득하고(S220), 상기 PET/CT 영상의 내장지방 및 피하지방을 구획화할 수 있다(S230).
더하여, 구획화된 내장지방 및 피하지방 영역에서 적어도 하나의 영역을 ROI 추출하고, 추출된 ROI 중 적어도 하나에서 알츠하이머병 판단에 사용될 특징 정보를 측정할 수 있다(S240).
구체적으로, S210에서, CT 영상에서 지방은 낮은 감쇄 신호로 나타나고, 근육은 중등도의 감쇄 신호로 나타나는 바, 이를 이용하여 골격근 등 다른 장기와 지방을 구분할 수 있다. 또한, 내장지방은 피하지방에 비해 더 심한 정도의 지방세포염증을 나타내며, 지방세포염증을 가지는 지방 세포의 분포도가 내장지방이 더 높아 내장지방과 피하지방을 구분할 수 있다.
이후, S220에서, 전신의 영상을 촬영한 PET 영상에 CT 영상을 결합할 수 있다. PET 영상과 CT 영상은 동일한 환자에게 동일한 시간 또는 짧은 시간 간격으로 촬영할 수 있어, CT 영상에서 구분된 골격근 또는 지방의 위치 정보를 기반으로 PET 영상과 중첩하였을 때 PET 영상의 내장지방 및 피하지방의 위치 정보를 획득할 수 있다. 이를 활용하여 S230에서 PET/CT 영상의 내장지방 및 피하지방을 구분할 수 있다.
또한, 위험도 연산부(130)는, 구획화된 골격근, 내장지방 또는 피하지방을 고려하여 지방의 밀도, 부피, 체지방량 및 근육량 중 적어도 하나를 포함하는 알츠하이머병 관련 구조적 정보와, 지방 내 염증도 및 지방 내 포도당 유사체의 FDG 섭취량 중 적어도 하나를 포함하는 알츠하이머병 관련 기능적 특징을 고려하여 알츠하이머병의 예측된 위험도를 출력할 수 있다.
알츠하이머병 관련 구조적 정보란 PET/CT 영상, 바람직하게는 CT 영상에서 얻을 수 있는 구획화된 골격근으로부터 획득하는 근육량, 내장지방 및 피하지방에서 획득하는 지방 분포 또는 체지방량이나 복부 지방량을 포함할 수 있다.
또한, 알츠하이머병 관련 기능적 정보란, /CT 영상, 바람직하게는 PET 영상에서 얻을 수 있는 지방 내 포도당 유사체의 FDG 섭취량, 섭취의 불균질성 등을 이용하여 지방의 염증정도나 세포 내 대사 활성도 등을 포함할 수 있다.
이를 전신에 대해 측정 및 연산하여 알츠하이머병 발병 가능성을 분석할 수 있다.
한편, 상기 PET/CT 영상은 복부의 우측 장간막(right mesentery), 좌측 장간막(left mesentery) 및 s자상 장간막(sigmoid mesentery) 중 적어도 하나의 부위에 대한 시상면(sagital) 영상, 관상면(coronal) 영상, 수평면(horizontal) 영상 또는 이들의 조합일 수 있다.
환자의 복부에는 다른 부위에 비해 지방의 비율이 높아 지방 내 포도당 유사체의 섭취량 또는 불균질성을 더 용이하게 파악할 수 있으며, PET/CT 영상에서 복부를 중심으로 우측 장간막 또는 좌측 장간막 또는 s자상 장간막에 대한 영상을 이용하여 포도당 유사체의 섭취량 또는 불균질성을 측정할 수 있다.
그러나 상술한 바와 같이 바람직하게는, 상기 PET/CT 영상은 전신에 대한 PET 및 CT 영상을 결합한 것이며, 상기 위험도 연산부(130)는, 딥러닝 기반의 뉴럴 네트워크를 이용하여 전신에 대한 PET/CT 영상을 분석하고 전신 지방세포에 대한 파라미터를 연산하여 알츠하이머병 발생 가능성을 출력할 수 있다.
전신에 분포한 지방세포의 만성염증과 유해인자를 복합적으로 연산하는 것은 시간이 매우 오래 걸리고 복잡한 바 딥러닝 기반의 뉴럴 네트워크를 이용하여 전신의 지방세포의 분포를 측정한 후, 이를 연산하여 알츠하이머병 발생 가능성을 출력할 수 있다.
이 경우, S240에서 내장지방의 영역 중 적어도 하나의 영역을 ROI로 추출하고, 상기 ROI에서 SUV에 대한 파라미터를 측정할 수 있으나, 바람직하게는 인공지능 모듈을 이용하여 전신에 분포한 지방을 모두 고려하여 전신에 분포한 구획화된 내장지방 및 피하지방 영역을 고려할 수 있다.
상기 ROI는 지방 분포가 기설정된 임계값 이상이거나 세포 대사 활성도 또는 섭취율이 기설정된 임계값 이상인 경우 해당 영역을 추출할 수 있다.
더하여, 전신에 대한 영상을 활용하는 바, 지방 세포 분석뿐만 아니라, 뇌의 수축 정도 또는 주름, 근육량의 변화 등 다른 장기의 구조적 특징도 함께 고려하여 알츠하이머병 발생 가능성을 출력할 수 있고, 다양한 인자를 고려하여 더 정확하게 알츠하이머병 위험도를 예측할 수 있다.
구체적으로, 영상 분석부(120)는 CT 영상에서 추가적으로 알츠하이머병과 관련 있는 다른 장기의 구조적 특징을 획득할 수 있다. 예를 들어, CT 영상을 통해 뇌 영역을 촬영하여 뇌의 수축에 따른 크기 변화 또는 형상 변화, 주름 변화 등을 획득하여 뇌가 일정한 범위 이상 수축하였을 경우 이를 위험도 연산부(130)의 인공 지능 모듈에 전달하여 알츠하이머병의 위험도 예측에 고려하도록 할 수 있다.
이 경우, 인공 지능 모듈의 딥러닝 기반의 뉴럴 네트워크를 이용하여 PET/CT 영상의 전신 지방 분포와 함께, PET/CT 영상에서 추출할 수 있는 알츠하이머병과 관련 있는 특징 정보를 고려하여 알츠하이머병의 위험도를 출력할 수 있다.
또한, 예를 들면, CT 영상에서 복부에 분포한 근육량이 기설정된 범위 이상 감소할 경우, 이를 위험도 연산부(130)의 인공 지능 모듈에 전달하여 알츠하이머병의 위험도 예측에 고려하도록 할 수 있으며, 위험도 연산부(130)는 상술한 요소와 함께 추가적인 CT 영상의 구조적 특징을 고려하여 알츠하이머병의 위험도를 예측할 수 있다.
보다 상세하게, 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법은 PET/CT(positron emission tomography/computed tomography)의 영상 또는 PET 영상을 이용하여 지방 내 포도당 유사체의 (a) SUVmax(최대 표준섭취계수), (b) SUVmin(최소 표준섭취계수), (c) SUVmean(평균 표준섭취계수), (d) SUVpeak(최대지점평균 표준섭취계수), 및 (e) SUVheterogeneity (불균질성 표준섭취계수) 값 중 적어도 하나의 파라미터 값을 측정하는 단계를 포함하는 것이다.
일 실시예로서, PET 영상 또는 PET/CT 영상에서 지방의 염증도를 측정하기 위하여 포도당처럼 세포 내로 이동되고 세포의 대사 활성도에 따라 섭취율이 달라지는 특징을 이용하여 포도당 유사체의 관련 파라미터를 측정할 수 있다.
이때, 본 발명의 일 실시예에 따르면, 상기 포도당 유사체는 F-18 FDG (fluoro-2-deoxyglucose)일 수 있다.
구체적으로, 개체에 검출 가능한 포도당 또는 그의 유사체를 투여하는 단계가 선행될 수 있으며, 상기 포도당 유사체는 플루오로데옥시글루코스(fluorodeoxyglucose; FDG)일 수 있으며, 상기 검출 가능한 포도당 또는 그의 유사체는 F-18, C-11, O-15, N-13, 또는 이들의 조합인 동위원소로 표지된 것일 수 있다. 바람직하게 상기 포도당 유사체는 F-18 FDG (fluoro-2-deoxyglucose)인 것일 수 있다.
상기 본 발명의 파라미터 중 SUV (standardized uptake value) maximum는 체내지방의 특정 ROI(regional of interest) 또는 VOI(volume of interest) 내 F-18 FDG 섭취의 가장 높은 값을 의미하고, SUV mean은 체내지방의 특정 ROI 또는 VOI 내 F-18 FDG 섭취의 평균값을 의미하고, SUV minimum은 체내지방의 특정 ROI 또는 VOI 내 F-18 FDG 섭취의 가장 낮은 값을 의미하며, SUV peak은 체내지방의 특정 ROI 또는 VOI 내 가장 높은 F-18 FDG 섭취값을 나타내는 픽셀(pixel) 주변 1 cm3 VOI 내 F-18 FDG 섭취의 평균값을 의미한다. 한편, SUV heterogeneity는 체내지방의 특정 ROI 또는 VOI 내 F-18 FDG 섭취의 불균질성을 나타내는 값으로, SUVmax와 SUVmin의 비 또는 차를 의미하며, SUVR는 2개의 서로 다른 ROI 또는 VOI 내 SUV의 비를 의미하는데, 본 발명에 있어서 SUVR 값은 SUVmax와 SUVmin의 차이 값을 사용할 수 있다.
본 발명의 영상은 복부 영상 또는 몸통(torso) 영상 일 수 있으며, 보다 상세하게 상기 대사 파라미터는 체내지방으로써 우측 장간막(right mesentery), 좌측 장간막(left mesentery) 및 s자 상 장간막(sigmoid mesentery)의 내장지방을 대상으로 획득한 각 파라미터 값의 평균 값을 계산하여 사용할 수 있다.
바람직하게는, 영상은 전신 영상일 수 있으며, 전신의 지방 분포 및 지방 염증도를 측정하고, 전신의 지방을 대상으로 획득한 각 파라미터 값의 평균 값을 계산하여 사용할 수 있다.
구체적으로, 본 발명의 다른 일 실시예에 따른 영상 분석부(120)에서 전신 영상을 분석하여 전신 지방세포를 검출하는데 인공 지능 모듈을 활용할 수 있다. 인공지능 모듈을 이용하여 전신에 분포한 지방을 모두 고려하여 전신에 분포한 구획화된 내장지방 및 피하지방 영역을 고려할 수 있다.
상기 영상 분석부(120)가 포함하는 인공 지능 모듈은, 인코더 및 디코더를 포함할 수 있으며, 인코더는 PET/CT 영상을 입력 받아 특징 정보 내지 특징 맵을 출력하고, 디코더는 입력 받은 특징 정보 내지 특징 맵을 기준으로 특정 영상을 출력한다.
상기 인공 지능 모듈의 인코더는 PET/CT 영상에서 알츠하이머병 발병 가능성 판단에 사용될 특징 정보를 추출하고, PET/CT 영상에서 특징 정보를 추출하기 위한 특정 영역을 표시하기 위하여 특징 정보 위치 파악이 가능한 모델을 사용할 수 있다. 예를 들어, PET/CT 영상에서 알츠하이머병 발병 가능성 판단에 사용될 지방 세포 정보를 추출하고, 이를 위해 상기 지방 세포가 위치한 특정한 영역을 검출하고 구분할 수 있다.
상기 인공 지능 모듈의 디코더는 입력된 PET/CT 영상에서 인코더가 추출한 특징 정보가 반영된 의료 영상, 예를 들어 전신에 대한 PET/CT 영상에서 알츠하이머병 발병 가능성을 특정한 색상으로 표현하거나 텍스트 형태로 표현한 영상을 출력할 수 있다. 출력되는 영상이 나타내는 정보는 디코더의 구성 내지 파라미터 설정에 따라 달라질 수 있다.
또한 위험도 연산부(130)에서 인공지능 모듈을 활용하여 전신 지방세포를 복합적으로 분석하여 알츠하이머병의 예측 위험도를 도출할 수 있다.
한편, 위험도 연산부(130)도 알츠하이머병 발병 가능성 예측을 위한 신경망 모델을 포함할 수 있다. 신경망 모델은 F-18 FDG PET/CT 영상을 입력 받아 상기 영상에 대한 알츠하이머병 발병 가능성을 예측하는 정보를 출력할 수 있다. 예를 들어, 위험도 연산부(130)는 영상 분석부(120)에서 출력된 영상을 입력 받고 상기 영상에서 원하는 객체가 존재하는 관심영역(ROI)을 검출할 수 있다. 이를 위해 위험도 연산부(130)의 신경망 모델도 상기 관심영역 검출을 위하여 사전에 학습을 수행하여야 한다. 사전 학습에는 상기 이미지 처리된 PET/CT 영상과 상기 영상을 획ㄷ그한 사용자의 알츠하이머병 발병 여부를 이용하여 훈련을 수행할 수 있다.
또한, 상기 신경망 모델은 다양한 유형의 모델로 구현될 수 있다. 예컨대, 신경망 모델은 CNN과 같은 유형의 모델일 수 있으며, 또는 인코더-디코더 구조, FCN(Fully Convolutional Network) 등과 같은 구조를 가질 수 있다.
즉, 위험도 연산부(130)가 알츠하이머병 발병 가능성 판단에 사용될 특징 정보를 이용하여 알츠하이머병 발병 가능성 정보를 출력할 수 있다.
일 실시예로서, 본 발명에 있어서 상기 위험도 연산부(130)가 영상 분석부(120)가 제공한 SUV 관련 파라미터를 이용하여 알츠하이머병 발병 여부를 출력하는 경우에는, 상기 각 파라미터 중 적어도 하나의 값이 하기의 컷오프 값 이상인지 또는 미만인지 여부를 결정하여, 결정된 결과에 따라 알츠하이머병의 발생 가능성을 판단할 수 있다.
즉, 본 발명에 있어서 알츠하이머병의 위험도 예측을 위한 정보 제공 방법은 상기 파라미터 중 적어도 하나의 값이 하기의 컷오프 값 이상인지 또는 미만인지 여부를 결정하는 단계를 추가로 포함하는 것일 수 있다.
(a) SUVmax의 컷오프 값:0.340
(b) SUVmin의 컷오프 값: 0.105
(c) SUVmean의 컷오프 값: 0.205
(d) SUVpeak의 컷오프 값: 0.205
(e) SUVheterogeneity의 컷오프 값: 0.175
보다 상세하게, (a) 내지 (e)의 파라미터의 중 적어도 하나를 선택하여 그 값을 확인한 후 상기 컷오프 값 이상인 경우에는 알츠하이머병의 위험도, 즉 알츠하이머병의 발생 위험도가 높은 것으로 판단할 수 있다. (a) 내지 (e)의 파라미터의 중 하나 또는 둘 이상의 조합의 값을 확인할 수 있으며, 바람직하게는 SUVmax 파라미터를 포함하여 값을 확인한다.
본 발명에 있어서 상기 지방은 내장지방, 피하지방 또는 이들의 조합일 수 있으며, 바람직하게는 내장지방인 것이다.
한편, 내장 지방을 대상으로 하는 경우 상기 각 파라미터의 컷오프 값은 하기와 같이 설정할 수 있다.
(a) SUVmax의 컷오프 값:0.810
(b) SUVmin의 컷오프 값: 0.335
(c) SUVmean의 컷오프 값: 0.499
(d) SUVpeak의 컷오프 값: 0.505
(e) SUVheterogeneity의 컷오프 값: 0.501
나아가, 본 발명에 의하면 상기 측정된 파라미터를 포함한 정보를 제공하여 위험도 연산부(130)는 알츠하이머병의 위험도 예측할 수 있다.
본 발명의 알츠하이머병의 위험도 예측 방법은 상술한 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법을 단독으로 이용하여, 상기 파라미터 중 적어도 하나의 값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는 단계를 추가로 포함하는 것일 수 있다.
(a) SUVmax의 컷오프 값:0.340
(b) SUVmin의 컷오프 값: 0.105
(c) SUVmean의 컷오프 값: 0.205
(d) SUVpeak의 컷오프 값: 0.205
(e) SUVheterogeneity의 컷오프 값: 0.175
한편, 상술한 바와 같이 내장 지방을 대상으로 하는 경우 상기 각 파라미터의 컷오프 값은 하기와 같이 설정할 수 있다.
(a) SUVmax의 컷오프 값:0.810
(b) SUVmin의 컷오프 값: 0.335
(c) SUVmean의 컷오프 값: 0.499
(d) SUVpeak의 컷오프 값: 0.505
(e) SUVheterogeneity의 컷오프 값: 0.501
나아가, 성별과 관련한 임상 정보와 함께 상술한 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 이용하여, 알츠하이머병의 발생 가능성의 예측은 하기 식(1) 내지 식(3) 중 하나를 이용하여, 상기 각 식의 X값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 높은 것으로 판단하는 단계를 포함하는 것일 수 있다.
식(1) X = (Sex × 0.260) + (1.426 × SUVmax) - 0.648
식(2) X = (Sex × 0.269) + (2.098 × SUVmean) - 0.560
식(3) X = (Sex × 0.272) + (2.501 × SUVmin) - 0.322
상기 식(1) 내지 식(3)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다.
이때 알츠하이머병의 위험도 예측을 위한 식(1) 내지 식(3)의 컷오프 값은 하기와 같다.
식(1)의 컷오프 값: 0.482
식(2)의 컷오프 값: 0.454
식(3)의 컷오프 값: 0.475
한편, 성별뿐 아니라 나이 또한 알츠하이머병을 예측하는데 유의미한 인자로 알려져 있으므로, 상술한 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 나이를 인자로 추가할 수 있으며, 나아가 나이뿐만 아니라, 알츠하이머병과 관련이 있는 것으로 알려진 것이라면 흡연력, 고혈압, 당뇨, 고지혈증 등의 위험인자도 상술한 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 고려될 수 있는 것으로, 이와 같이 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 추가로 고려할 수 있는 인자는 특히 제한되는 것은 아니다.
나아가, 상술한 파라미터 값을 종격동 대동맥(mediastinal aorta)에서 측정된 값으로 보정하여 알츠하이머병의 위험도 예측에 적용할 수 있으며, 보다 상세하게 본 발명의 알츠하이머병의 위험도 예측 방법은 상술한 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 이용하여, (a) 내지 (c) 중 적어도 하나의 파라미터 값을 종격동 대동맥(mediastinal aorta)에서 측정된 값으로 나누어 하기와 같이 보정 값을 도출하는 단계를 포함할 수 있다.
SUVRmax = (SUVmax / 종격동 대동맥의 SUVmax)
SUVRmean = (SUV mean / 종격동 대동맥의 SUV mean)
SUVRmin= (SUVmax / 종격동 대동맥의 SUVmin),
이때, 알츠하이머병의 발생가능성의 예측은 하기 식(4) 내지 식(6) 중 하나를 이용하여, 하기 각 식의 X값이 하기 각각의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는 단계를 포함하는 것일 수 있다.
식(4) X = (Sex × 0.284) + (2.292 × SUVRmax) - 0.346
식(4)의 컷오프 값: 0.412
식(5) X = (Sex × 0.287) + (3.365 × SUVRmean) - 0.285
식(5)의 컷오프 값: 0.527
식(6) X = (Sex × 0.283) + (4.443 × SUVRmin) - 0.170
식(6)의 컷오프 값: 0.392
상기 식(4) 내지 식(6)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다.
상술한 바와 같이 본 발명은 ROC 분석을 통해 설정된 알츠하이머병 환자의 정량적 파라미터를 이용하여 알츠하이머병 발생 가능성, 즉 위험도를 예측할 수 있다.
본 발명에 이용되는 F-18 fluorodeoxyglucose (FDG)를 이용한 PET/CT (positron emission tomography/computed tomography)는 암 환자의 병기 결정 등에 널리 이용되고 있으며, 이에 본 발명의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법을 이용하여 알츠하이머병의 위험도 예측 결과도 함께 획득할 수 있을 것으로 기대된다.
이하, 구체적인 실시예를 통해 본 발명을 보다 구체적으로 설명한다. 하기 실시예는 본 발명의 이해를 돕기 위한 예시에 불과하며, 본 발명의 범위가 이에 한정되는 것은 아니다.
또한, 하기 실시예에서의 측정 또는 연산은 상기 영상 분석부(120) 또는 위험도 연산부(130)의 인공지능 모듈에서 수행될 수 있다.
실시예
1. F-18 FDG PET/CT영상의 정량적 파라미터를 이용한 알츠하이머병 발생 예측
(1) CT 영상을 이용한 F-18 FDG PET영상의 내장지방 및 피하지방 부위의 구획화(segmentation)
복부에 분포하는 내장지방은 피하지방에 비해 더 심한 정도의 지방세포염증을 나타낸다. CT에서 지방세포는 낮은 감쇄 신호로 나타나며, 이를 이용하여 다른 장기와 내장지방 및 피하지방을 구분하여 구획할 수 있다(도 5). 한편, PET/CT는 CT와 PET을 동일한 시간에 동일한 환자에게 촬영한 영상이므로 CT영상과 PET영상은 위치정보가 동일하고, 따라서 CT의 내장지방 및 피하지방에 대한 위치정보를 통해서 PET의 내장지방 및 피하지방을 구획할 수 있다.
(2) 내장지방 및 피하지방 부위의 대사 파라미터(metabolic parameter) 추출
F-18 FDG PET영상에서 내장지방 및 피하지방 등의 여러 국소부위에 VOI(volume of interest) 또는 ROI(region of interest)를 설정하여, 정량적 파라미터를 측정할 수 있다. 도 6은 F-18 FDG PET 영상에서 VOI를 설정하여 SUV를 측정하는 예시적인 사진을 나타낸 것으로, 내장지방은 빨간색 원으로 나타내었고, 피하지방은 파란색으로 나타내었다.
정상인과 알츠하이머병 환자의 정량적 파라미터(parameter)에 대한 ROC 분석을 통해 최적의 컷오프 값(cut-off value)을 결정하였다. PET 영상의 하기와 같은 정량적 대사 파라미터(metabolic parameter)의 컷오프 값(cut-off value)을 이용하여 알츠하이머병 발생 확률을 예측할 수 있다.
[대사 파라미터(metabolic parameter)]
- SUV (standardized uptake value) maximum: 체내지방의 특정 ROI(regional of interest) 또는 VOI(volume of interest) 내 F-18 FDG 섭취의 가장 높은 값
- SUV mean: 체내지방의 특정 ROI 또는 VOI 내 F-18 FDG 섭취의 평균값
- SUV minimum: 체내지방의 특정 ROI 또는 VOI 내 F-18 FDG 섭취의 가장 낮은 값
- SUV peak: 체내지방의 특정 ROI 또는 VOI 내 가장 높은 F-18 FDG 섭취값을 나타내는 픽셀(pixel) 주변 1 cm3 VOI 내 F-18 FDG 섭취의 평균값
- SUV heterogeneity: 체내지방의 특정 ROI 또는 VOI 내 F-18 FDG 섭취의 불균질성을 나타내는 값으로, SUVmax와 SUVmin의 비 또는 차
- SUVR: 2개의 서로 다른 ROI 또는 VOI 내 SUV의 비
한편, 본 발명에 있어서 상기 대사 파라미터는 체내지방으로써 우측 장간막(right mesentery), 좌측 장간막(left mesentery) 및 s자 상 장간막(sigmoid mesentery) 의 내장지방을 대상으로 하여 이들의 평균 값을 계산하여 사용하였고, SUVR 값은 SUVmax와 SUVmin의 차이 값을 사용하였다.
이때 상기 SUV는 PET 영상에서 나타나는 F-18 FDG 섭취의 양과 실제로 사람에게 주사한 F-18 FDG 양의 비를 하기 식(a)와 같이 계산한 것이다.
Figure PCTKR2022002349-appb-img-000001
식(a)
*cimg(t): 시간 t(또는 그 부근)에서 획득한 이미지에서 측정된 방사능, 감소(decay)는 t = 0으로 수정되고(corrected), 부피 농도(예: MBq / mL)로 표시
*ID: t = 0에서 주입 된 용량(dose)(e.g. in MBq).
*BW: 체중(이미지 획득 시점 근처)은 평균 질량밀도 1 g/mL로 가정하여 체중으로 변환.
(3) SUV를 이용한 알츠하이머병 발생 예측 기준
1) 내장 지방에 기초한 파라미터 설정
최적 컷오프(optimal cutoff) 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 1에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000002
내장지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (최적 컷오프값)
* PPV: positive predictive value * NPV: negative predictive value * AUC: area under the curve
한편, 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 2에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000003
내장지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (민감도 상향 컷오프값)
한편, 특이도를 증가시킨 특이도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 특이도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 3에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000004
내장지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (특이도 상향 컷오프값)
2) 피하 지방에 기초한 파라미터 설정
최적 컷오프(optimal cutoff) 값은 상기 내장지방을 이용한 경우와 동일하게 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 4에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000005
피하지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (최적 컷오프값)
* PPV: positive predictive value * NPV: negative predictive value * AUC: area under the curve
한편, 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 5에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000006
피하지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (민감도 상향 컷오프값)
한편, 특이도를 증가시킨 특이도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 특이도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 6에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000007
피하지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (특이도 상향 컷오프값)
3) 전체 지방에 기초한 파라미터 설정
최적 컷오프(optimal cutoff) 값은 상기 내장지방 및 피하지방을 이용한 경우와 동일하게 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 7에 나타내었다. 한편, 전체 지방(whole adipose tissue) SUV는 내장 지방 및 피하 지방 SUV의 평균을 의미한다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000008
전체지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (최적 컷오프값)
* PPV: positive predictive value * NPV: negative predictive value * AUC: area under the curve
한편, 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 8에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000009
전체지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (민감도 상향 컷오프값)
한편, 특이도를 증가시킨 특이도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 특이도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 9에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000010
전체지방의 SUV를 이용한 알츠하이머병 발생 예측 결과 (특이도 상향 컷오프값)
2. F-18 FDG PET/CT에서 측정한 지방세포에서의 F-18 FDG 섭취 정도와 알츠하이머병과의 상관관계 확인
알츠하이머병을 나타내는 지표로는 인지기능 실험의 MMSE와 KBNT 스코어 감소 및 아밀로이드 PET으로 측정한 뇌 아밀로이드 축적량 증가, F-18 FDG PET으로 측정한 뇌 당대사량 감소 등이 있다.
상기 KBNT(Korean Boston Naming Test)는 사물 이름대기 능력 평가를 통한 표현력을 측정하기 위한 도구로써, BNT(Boston Naming Test, 이름대기 검사)를 우리나라의 문화적, 언어적 요소를 가미하여 한국판으로 표준화 작업을 한 것으로, 알츠하이머병에 있어서 초기 인지 변화에 민감한 테스트 방법이다.
한편, 상기 아밀로이드 부담(Amyloid burden)은 아밀로이드 PET으로 측정한 환자의 뇌 아밀로이드 축적량(cerebral amyloid burden)이며, 알츠하이머병의 특이적 병리 변화를 나타내고, 1.39 이상이면 알츠하이머병이 병리가 있는 것으로 진단한다. 또한, 뇌 당 대사(cerebral glucose metabolism)는 F-18 FDG 뇌 PET으로 얻은 뇌대사량으로, 상기 뇌대사량은 뇌 활성도를 나타내며 알츠하이머병에서 두정엽, 측두엽 부위에서 특이적으로 감소한다.
본 발명과 관련한 지방세포의 F-18 FDG 섭취정도와 알츠하이머병과의 상관관계 확인을 위해 인지기능이 정상 또는 경도인지장애가 있는 60세 이상의 성인 54명을 대상으로 실험을 수행하였다.
그 결과 본 발명과 관련한 지방세포의 F-18 FDG 섭취 정도는 하기 표 9와 같이 KBNT 스코어와 음의 상관관계를 나타내는 것을 확인할 수 있었으며, 뇌 아밀로이드 축적량과는 양의 상관관계, 그리고 뇌 당 대사량과 음의 상관관계를 보여주었다.
Figure PCTKR2022002349-appb-img-000011
* 종속변수(Dependent variable): 독립변수에 영향을 받는 인자로, 결과값을 의미
* 독립변수(Independent variable): 종속변수에 영향을 미치는 인자로, 원인을 의미
상기 표 10에 있어서 KBNT- 단일변수 모델(Univariable model)은 지방의 F-18 FDG 섭취정도는 KBNT 스코어(score)와 유의한 음의 상관관계가 있었으며, KBNT-다변수 모델(Multivariable model)은 환자의 나이와 성별을 보정한 결과로 이 경우에도 역시 지방의 F-18 FDG 섭취정도는 KBNT 스코어와 유의한 음의 상관관계가 있었다. 즉, 지방의 F-18 FDG 섭취정도가 높을수록 인지기능 장애가 심한 것으로 나타났다.
상기 표 10에 있어서 아밀로이드 축적량(amyloid burden)- 단일변수 모델은 지방의 F-18 FDG 섭취정도는 뇌 아밀로이드 축적량과 유의한 양의 상관관계가 있었으며, 아밀로이드 축적량-다변수 모델은 환자의 나이와 성별을 보정한 결과로 이 경우에도 역시 지방의 F-18 FDG 섭취정도는 뇌 아밀로이드 축적량과 유의한 양의 상관관계가 있었다. 즉, 지방의 F-18 FDG 섭취 정도가 높을수록 알츠하이머병 병리가 심한 것으로 나타났다.
상기 표 10에 있어서 뇌 당 대사량(cerebral glucose metabolism)- 단일변수 모델은 지방의 F-18 FDG 섭취정도는 뇌 대사량과 유의한 음의 상관관계가 있었으며, 뇌 당 대사량-다변수 모델은 환자의 나이와 성별을 보정한 결과로 이 경우에도 지방의 F-18 FDG 섭취정도는 뇌 대사량과 유의한 음의 상관관계가 있었다. 즉, 지방의 F-18 FDG 섭취정도는 알츠하이머병에서 나타나는 특이적 뇌활성도 감소가 심한 것으로 나타났다.
따라서, 이와 같은 결과를 고려할 때 지방에서의 F-18 FDG 섭취 정도는 알츠하이머병, 즉 인지기능장애, 알츠하이머병 병리, 뇌활성도 감소와 상관관계가 있음을 확인할 수 있었다.
3. 내장지방의 SUV와 임상정보(나이/성별)를 이용한 알츠하이머 발생 예측 결과
본 발명에서 사용되는 내장지방의 SUV 데이터와 함께 임상정보(나이/성별)를 이용하여 알츠하이머 발생 예측을 시도하고 그 결과를 하기 표 11에 나타내었다. 보다 상세하게, SPSS프로그램을 이용하여 내장지방 SUV, 나이, 성별을 독립변수로 한 다중회귀분석을 시행하여 결합 모델 (Combined model) 1의 수치를 계산하였다. 결합모델 1 수치의 최적 컷오프(optimal cutoff) 값은 SPSS 프로그램을 이용하여 결합모델 1 수치와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 결합모델 1 수치로 정하였다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000012
상기 결합 모델은 각각 하기와 같은 식에 의해 다중회귀분석을 통한 발생 예측 모델이다. 이때, 알츠하이머 발생 그룹을 1, 정상인 그룹을 2로 정의하였다.
- 결합 모델 (Combined model) 1: 다중회귀분석을 통한 발생 예측
식(1) X = (Sex × 0.260) + (1.426 × SUVmax) - 0.648
- 결합 모델 (Combined model) 2: 다중회귀분석을 통한 발생 예측
식(2) X = (Sex × 0.269) + (2.098 × SUVmean) - 0.560
- 결합 모델 (Combined model) 3: 다중회귀분석을 통한 발생 예측
식(3) X = (Sex × 0.272) + (2.501 × SUVmin) - 0.322
상기 식(1) 내지 식(3)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다.
도 5는 SUV를 이용한 알츠하이머병 발생 위험도 예측 ROC 커브를 나타낸 것이다.
4. 내장지방의 SUVR을 이용한 알츠하이머 발생 예측 결과
본 발명에서 사용되는 내장지방의 SUV 데이터를 종격동 대동맥(mediastinal aorta)에서 측정된 SUV로 보정한 SUVR을 이용하여 알츠하이머 발생 예측을 시도하고 그 결과를 하기 표 12에 나타내었다.
SUVR의 최적 컷오프(optimal cutoff) 값은 SPSS 프로그램을 이용하여 SUVR과 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
이때 보정 값은 종격동 대동맥(mediastinal aorta)의 SUV이며, SUVRmax는 하기와 같이 계산된다:
SUVRmax = (SUVmax / 종격동 대동맥의 SUVmax)
그 외 SUVRave, SUVRmin, SUVRpeak, SUVRhtr 도 모두 각각 종격동 대동맥에서 얻어진 값으로 유사하게 나누어 보정하였다.
Figure PCTKR2022002349-appb-img-000013
내장지방의 SUVR을 이용한 알츠하이머병 발생 예측 결과 (최적 컷오프값)
* PPV: positive predictive value * NPV: negative predictive value * AUC: area under the curve
한편, 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUVR와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였으며, 이를 하기 표 13에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000014
내장지방의 SUVR를 이용한 알츠하이머병 발생 예측 결과 (민감도 상향 컷오프값)
한편, 특이도를 증가시킨 특이도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUVR와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 특이도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였으며, 이를 하기 표 14에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000015
내장지방의 SUVR를 이용한 알츠하이머병 발생 예측 결과 (특이도 상향 컷오프값)
나아가, 피하지방과 관련하여 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUVR와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였으며, 이를 하기 표 15에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000016
피하지방의 SUVR를 이용한 알츠하이머병 발생 예측 결과 (민감도 상향 컷오프값)
또한, 전체지방과 관련하여 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUVR와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였으며, 이를 하기 표 16에 나타내었다. 여기서 알츠하이머병 발생은 아밀로이드 PET에서 측정한 뇌아밀로이드 축적량이 1.39 이상인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000017
전체지방의 SUVR를 이용한 알츠하이머병 발생 예측 결과 (민감도 상향 컷오프값)
나아가, 상기에서 획득된 내장지방의 SUVR와 임상정보(나이/성별)를 이용하여 알츠하이머병 발생 예측을 시도하고 그 결과를 하기 표 17에 나타내었다.
Figure PCTKR2022002349-appb-img-000018
이때, 알츠하이머병 발생 그룹을 1, 정상인 그룹을 2로 정의하였다.
- 결합 모델 (Combined model) 4: 다중회귀분석을 통한 발생 예측
식(4) X = (Sex × 0.284) + (2.292 × SUVRmax) - 0.346
- 결합 모델 (Combined model) 5: 다중회귀분석을 통한 발생 예측
식(5) X = (Sex × 0.287) + (3.365 × SUVRmean) - 0.285
- 결합 모델 (Combined model) 6: 다중회귀분석을 통한 발생 예측
식(6) X = (Sex × 0.283) + (4.443 × SUVRmin) - 0.170
도 6은 SUVR을 이용한 알츠하이머병 발생 위험도 예측 ROC 커브를 나타낸 것이다.
5. 피하지방의 SUV를 이용한 알츠하이머 발생 예측 결과
한편, 본 발명의 일 실시예에 따른 알츠하이머병 발병 예측을 이용하여 인지기능의 저하도 예측 및 진단할 수 있다. 인지 기능 장애는 다양한 이유로 발생할 수 있지만 알츠하이머병과 같은 노인성 인지 장애로 인하여 유발될 수 있으며, 인지기능 저하 예측을 통해 사전에 인지 훈련을 수행할 경우, 인지기능 저하를 사전에 방지하고 적극적인 치료를 수행할 수 있다.
이하에서, 알츠하이머병 발병에 따른 인지 기능 저하 예측에 대해 피하 지방에 기초하여 파라미터를 설정하는 것을 가정한다.
최적 컷오프(optimal cutoff) 값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 18에 나타내었다. 여기서 알츠하이머병 발생은 F-18 FDG brain PET에서 측정한 알츠하이머병 특이부위 뇌대사량이 0.95이하인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000019
피하지방의 SUV를 이용한 알츠하이머병 발생 예측 결과(최적 컷오프값)
* PPV: positive predictive value * NPV: negative predictive value * AUC: area under the curve
이때, 알츠하이머병 특이부위 뇌대사량은 변연피질 및 측두엽, 두정엽의 뇌대사량의 평균 값을 의미하며, 전두엽, 섬피질 등의 뇌대사량을 추가할 수도 있다. 상기 알츠하이머병 특이부위 뇌대사량은 상황에 따라 변동될 수 있다.
또한, 본 발명에서 사용되는 내장지방의 SUV 데이터를 종격동 대동맥(mediastinal aorta)에서 측정된 SUV로 보정한 SUVR을 이용하여 알츠하이머 발생 예측을 시도하였으며, SUVR의 최적 컷오프(optimal cutoff) 값은 SPSS 프로그램을 이용하여 SUVR과 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였으며, 이를 하기 표 19에 나타내었다. 여기서 알츠하이머병 발생은 F-18 FDG brain PET에서 측정한 알츠하이머병 특이부위 뇌대사량이 0.95이하인 경우로 정의하였다.
Figure PCTKR2022002349-appb-img-000020
피하지방의 SUVR를 이용한 알츠하이머병 발생 예측 결과 (최적 컷오프값)
한편, 이하에서는 KBNT 스코어와 알츠하이머병 발병의 상관관계에 따른 알츠하이머병 발병 가능성 예측 결과이며, SUV의 최적 컷오프값은 SPSS 프로그램을 이용하여 SUV와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도와 특이도의 합이 가장 큰 지점의 SUV로 정하였으며, 이를 하기 표 20에 나타내었다. 여기서 알츠하이머병 발생은 인지기능 검사 중 KBNT 스코어가 42점 이하인 경우로 정의하였다. 알츠하이머병 발생은 KBNT 외 MMSE 등 다른 인지기능검사를 이용하여 정의할 수도 있다.
Figure PCTKR2022002349-appb-img-000021
피하지방의 SUV를 이용한 알츠하이머병 발생 예측 결과
나아가, 피하지방과 관련하여 민감도를 증가시킨 민감도 상향 컷오프 값은 SPSS 프로그램을 이용하여 SUVR와 알츠하이머병 발생에 대한 ROC 곡선(curve)을 그린 후, 민감도가 81~100%가 되는 지점 중 민감도와 특이도의 합이 가장 큰 지점의 SUVR로 정하였으며, 이를 하기 표 21에 나타내었다. 여기서 알츠하이머병 발생은 인지기능 검사 중 KBNT 스코어가 42점 이하인 경우로 정의하였다. 알츠하이머병 발생은 KBNT 외 MMSE 등 다른 인지기능검사를 이용하여 정의할 수도 있다.
Figure PCTKR2022002349-appb-img-000022
피하지방의 SUVR을 이용한 알츠하이머병 발생 예측 결과(민감도 상향 컷오프값)
상술한 바와 같이 알츠하이머병 발병에 따라 특이부위의 뇌대사량이 감소하여 특이적 뇌활성도 감소가 심하며, KBNT 스코어가 떨어져 인지기능 저하가 발생한다.
따라서, 알츠하이머병과 같은 노인성 인지 장애의 경우 인지 기능 저하 방지를 위해 뇌가 지속적으로 활성화되도록 인지 훈련을 수행하여야 하며, 적절한 인지 훈련을 통해 인지 기능 저하를 늦추거나 알츠하이머병 발병의 진행 속도를 늦출 수 있다.
따라서, 본 발명의 일 실시예에 따른 알츠하이머병의 위험도 예측 장치를 통해 뇌활성도 저하 또는 인지기능 저하를 예측 또는 진단하고, 뇌활성도가 저하된 특이부위 또는 인지기능 관련한 뇌 영역이 자극되도록 사용자에 따라 문제의 난도 및 문제 유형 중 적어도 하나를 변경시키는 인지 훈련을 수행하도록 할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 수정 및 변형이 가능하다는 것은 당 기술분야의 통상의 지식을 가진 자에게는 자명할 것이다.
110: PET/CT 영상 획득부
120: 영상 분석부
130: 위험도 연산부
140: 역학정보 분석부

Claims (20)

  1. PET/CT(positron emission tomography/computed tomography)의 영상을 이용하여 지방 내 포도당 유사체의 (a) SUVmax(최대 표준섭취계수), (b) SUVmin(최소 표준섭취계수), (c) SUVmean(평균 표준섭취계수), (d) SUVpeak(최대지점 평균 표준섭취계수), 및 (e) SUVheterogeneity (불균질성 표준섭취계수) 중 적어도 하나의 파라미터 값을 측정하는 단계를 포함하는, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법.
  2. 제1 항에 있어서, 각 파라미터 중 적어도 하나의 값이 하기의 컷오프 값 이상인지 또는 미만인지 여부를 결정하는 단계를 추가로 포함하는, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법.
    (a) SUVmax의 컷오프 값:0.340
    (b) SUVmin의 컷오프 값: 0.105
    (c) SUVmean의 컷오프 값: 0.205
    (d) SUVpeak의 컷오프 값: 0.205
    (e) SUVheterogeneity의 컷오프 값: 0.175
  3. 제1 항에 있어서, 상기 영상은 복부의 우측 장간막(right mesentery), 좌측 장간막(left mesentery) 및 s자 상 장간막(sigmoid mesentery) 중 적어도 하나의 부위에 대한 시상면(sagital) 영상, 관상면(coronal) 영상, 수평면(horizontal) 영상 또는 이들의 조합인, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법.
  4. 제1 항에 있어서, 상기 지방은 내장지방, 피하지방 또는 이들의 조합인, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법.
  5. 제1 항에 있어서, 상기 SUVheterogeneity 값은 (a) SUVmax(최대 표준섭취계수) 값 및 (b) SUVmin(최소 표준섭취계수) 값의 차이 또는 비율인, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법.
  6. 제1 항에 있어서, 상기 포도당 유사체는 F-18 FDG (fluoro-2-deoxyglucose)인, 알츠하이머병의 위험도 예측을 위한 정보 제공 방법.
  7. 제1 항의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 이용하여, 상기 각 파라미터 중 적어도 하나의 값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는 단계를 추가로 포함하는, 알츠하이머병의 위험도 예측 방법:
    (a) SUVmax의 컷오프 값:0.340
    (b) SUVmin의 컷오프 값: 0.105
    (c) SUVmean의 컷오프 값: 0.205
    (d) SUVpeak의 컷오프 값: 0.205
    (e) SUVheterogeneity의 컷오프 값: 0.175
  8. 제1 항의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 이용하여, 알츠하이머병의 발생 가능성의 예측은 하기 식(1) 내지 식(3) 중 하나를 이용하여:
    식(1) X = (Sex Х 0.260) + (1.426 Х SUVmax) - 0.648
    식(2) X = (Sex Х 0.269) + (2.098 Х SUVmean) - 0.560
    식(3) X = (Sex Х 0.272) + (2.501 Х SUVmin) - 0.322
    (상기 식(1) 내지 식(3)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다),
    상기 각 식의 X값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는 단계를 포함하는, 알츠하이머병의 위험도 예측 방법:
    식(1)의 컷오프 값: 0.482
    식(2)의 컷오프 값: 0.454
    식(3)의 컷오프 값: 0.475
  9. 제1 항의 알츠하이머병의 위험도 예측을 위한 정보 제공 방법에서 획득한 정보를 이용하여, (a) 내지 (c) 중 적어도 하나의 파라미터 값을 종격동 대동맥(mediastinal aorta)에서 측정된 값으로 나누어 하기와 같이 보정 값을 도출하는 단계를 포함하며:
    SUVRmax = (SUVmax / 종격동 대동맥의 SUVmax)
    SUVRmean = (SUV mean / 종격동 대동맥의 SUV mean)
    SUVRmin= (SUVmax / 종격동 대동맥의 SUVmin),
    알츠하이머병의 발생가능성의 예측은 하기 식(4) 내지 식(6) 중 하나를 이용하여:
    식(4) X = (Sex Х 0.284) + (2.292 Х SUVRmax) - 0.346
    식(5) X = (Sex Х 0.287) + (3.365 Х SUVRmean) - 0.285
    식(6) X = (Sex Х 0.283) + (4.443 Х SUVRmin) - 0.170
    (상기 식(4) 내지 식(6)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다)
    상기 각 식의 X값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는 단계를 포함하는, 알츠하이머병의 위험도 예측 방법
    식(4)의 컷오프 값: 0.412
    식(5)의 컷오프 값: 0.527
    식(6)의 컷오프 값: 0.392
  10. PET(positron emission tomography) 및 CT(computed tomography)를 촬영하여 전신(全身)을 기준으로 PET/CT 영상을 획득하는 PET/CT 영상 획득부;
    상기 PET/CT 영상 획득부로부터 입력된 영상에서 알츠하이머병 판단에 사용될 지방 관련 파라미터를 측정하는 영상 분석부;
    인공지능 모듈을 이용하여 상기 지방 관련 파라미터를 이용한 기준 값을 상기 파라미터와 대응되는 컷오프 값과 비교하여 비교 결과를 기반으로 알츠하이머병의 예측된 위험도를 출력하는 위험도 연산부;를 포함하며,
    상기 인공지능 모듈은 알츠하이머병 환자에 대해 전신을 기반으로 부위별로 분할한 PET/CT 영상 및 정상인에 대해 전신을 기반으로 부위별로 분할한 PET/CT 영상을 이용하여 학습하는
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  11. 제10 항에 있어서,
    상기 영상 분석부가 전신에 분포된 지방 관련 파라미터를 측정하고,
    상기 위험도 연산부가, 전신을 기반으로 한 상기 측정 결과를 딥러닝 기반의 뉴럴 네트워크를 포함한 인공지능 모듈에 입력하여 알츠하이머병 발생 가능성을 출력하는,
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  12. 제10 항에 있어서,
    상기 영상 분석부는, 상기 PET/CT 영상 획득부로부터 입력된 상기 PET/CT 영상 중 적어도 하나의 영역을 ROI 로 추출하고, 추출된 ROI에서 SUV에 대한 파라미터 값 중 적어도 하나를 측정하고, 이때,
    PET 영상에서 지방 내 포도당 유사체의 (a) SUVmax(최대 표준섭취계수), (b) SUVmin(최소 표준섭취계수), (c) SUVmean(평균 표준섭취계수), (d) SUVpeak(최대지점 평균 표준섭취계수), 및 (e) SUVheterogeneity (불균질성 표준섭취계수) 중 적어도 하나의 파라미터 값을 측정하는, 인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  13. 제10 항에 있어서,
    사용자의 개인정보 및 병력을 포함하는 역학정보를 입력 받아 알츠하이머병과의 연관도를 연산하는 역학정보 분석부; 를 더 포함하며,
    상기 위험도 연산부는 상기 지방 관련 파라미터 및 상기 역학정보의 알츠하이머병과의 연관도를 통합 분석하여 알츠하이머병의 예측된 위험도를 출력하는,
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  14. 제10 항에 있어서,
    상기 영상 분석부는,
    상기 PET/CT 영상 획득부에서 획득한 CT 영상에서 감쇄 신호를 기반으로 골격근 및 지방을 구분하고, 상기 지방을 지방 세포의 분포도를 이용하여 내장지방 및 피하지방으로 구분하며,
    상기 CT 영상의 골격근, 내장지방 및 피하지방 중 적어도 하나의 구조물에 대한 위치 정보를 기반으로 상기 CT 영상과 PET 영상을 결합하여 PET/CT 영상을 획득하고, 상기 PET/CT 영상의 내장지방 및 피하지방을 구획화하는,
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  15. 제14 항에 있어서,
    상기 위험도 연산부는, 구획화된 골격근, 내장지방 또는 피하지방을 고려하여 지방의 밀도, 부피, 체지방량 및 근육량 중 적어도 하나를 포함하는 알츠하이머병 관련 구조적 정보와, 지방 내 염증도 및 지방 내 포도당 유사체의 FDG 섭취량 중 적어도 하나를 포함하는 알츠하이머병 관련 기능적 특징을 고려하여 알츠하이머병의 예측된 위험도를 출력하는,
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  16. 123 항에 있어서,
    상기 SUVheterogeneity 값은 (a) SUVmax(최대 표준섭취계수) 값 및 (b) SUVmin(최소 표준섭취계수) 값의 차이 또는 비율인,
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  17. 제10 항에 있어서,
    상기 위험도 연산부는,
    상기 각 파라미터 중 적어도 하나의 값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는,
    (a) SUVmax의 컷오프 값:0.340
    (b) SUVmin의 컷오프 값: 0.105
    (c) SUVmean의 컷오프 값: 0.205
    (d) SUVpeak의 컷오프 값: 0.205
    (e) SUVheterogeneity의 컷오프 값: 0.175
    인공지능 모델을 이용한 알츠하이머병의 위험도 예측 장치.
  18. 제17 항에 있어서,
    상기 위험도 연산부는, 상기 알츠하이머병의 발생 가능성을 기반으로 예측된 위험도에 따라 알츠하이머 발생 고위험군 및 저위험군 중 적어도 하나로 사용자를 분류하며,
    알츠하이머병의 발생에 대한 위험도 예측은 하기 식(1) 내지 식(3) 중 하나를 이용하여:
    식(1) X = (Sex Х 0.260) + (1.426 Х SUVmax) - 0.648
    식(2) X = (Sex Х 0.269) + (2.098 Х SUVmean) - 0.560
    식(3) X = (Sex Х 0.272) + (2.501 Х SUVmin) - 0.322
    (상기 식(1) 내지 식(3)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다),
    상기 각 식의 X값이 하기의 컷오프 값 이상인 경우 알츠하이머 발생 고위험군으로 판단하는,
    식(1)의 컷오프 값: 0.482
    식(2)의 컷오프 값: 0.454
    식(3)의 컷오프 값: 0.475
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  19. 제10 항에 있어서,
    상기 (a) 내지 (c) 중 적어도 하나의 파라미터 값을 종격동 대동맥(mediastinal aorta)에서 측정된 값으로 나누어 하기와 같이 보정 값을 도출하며:
    SUVRmax = (SUVmax / 종격동 대동맥의 SUVmax)
    SUVRmean = (SUV mean / 종격동 대동맥의 SUV mean)
    SUVRmin= (SUVmax / 종격동 대동맥의 SUVmin),
    알츠하이머병의 발생가능성의 예측은 하기 식(4) 내지 식(6) 중 하나를 이용하여:
    식(4) X = (Sex Х 0.284) + (2.292 Х SUVRmax) - 0.346
    식(5) X = (Sex Х 0.287) + (3.365 Х SUVRmean) - 0.285
    식(6) X = (Sex Х 0.283) + (4.443 Х SUVRmin) - 0.170
    (상기 식(4) 내지 식(6)에서 Sex는 여성인 경우는 0, 남성인 경우는 1로 정의된다)
    상기 각 식의 X값이 하기의 컷오프 값 이상인 경우 알츠하이머병의 발생 가능성이 있는 것으로 판단하는,
    식(4)의 컷오프 값: 0.412
    식(5)의 컷오프 값: 0.527
    식(6)의 컷오프 값: 0.392
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
  20. 제10 항에 있어서,
    상기 위험도 연산부는, 알츠하이머병 발생 예측 모델에 부합하도록 AdamOptimizer를 이용하여 매 학습마다 위험도 예측을 위한 cost 함수를 조절하는,
    인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치.
PCT/KR2022/002349 2021-02-26 2022-02-17 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치 WO2022182058A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020210026618A KR102532906B1 (ko) 2021-02-26 2021-02-26 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법
KR10-2021-0026618 2021-02-26
KR1020210048261A KR102543914B1 (ko) 2021-04-14 2021-04-14 인공지능 모델을 포함하는 알츠하이머병의 위험도 예측 장치
KR10-2021-0048261 2021-04-14

Publications (1)

Publication Number Publication Date
WO2022182058A1 true WO2022182058A1 (ko) 2022-09-01

Family

ID=83049406

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/002349 WO2022182058A1 (ko) 2021-02-26 2022-02-17 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치

Country Status (1)

Country Link
WO (1) WO2022182058A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101894098B1 (ko) * 2016-02-02 2018-08-31 이화여자대학교 산학협력단 심대사 질환 발병 위험도를 예측하기 위한 정보제공방법
KR101949347B1 (ko) * 2017-05-24 2019-02-18 이화여자대학교 산학협력단 유방암의 재발 예측을 위한 정보제공방법
KR102166647B1 (ko) * 2019-10-15 2020-11-13 주식회사 리드브레인 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101894098B1 (ko) * 2016-02-02 2018-08-31 이화여자대학교 산학협력단 심대사 질환 발병 위험도를 예측하기 위한 정보제공방법
KR101949347B1 (ko) * 2017-05-24 2019-02-18 이화여자대학교 산학협력단 유방암의 재발 예측을 위한 정보제공방법
KR102166647B1 (ko) * 2019-10-15 2020-11-13 주식회사 리드브레인 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOUTER CAROLINE, HENNIGES PHILIPP, FRANKE TIMON N., IRWIN CAROLINE, SAHLMANN CARSTEN OLIVER, SICHLER MARIUS E., BEINDORFF NICOLA, : "18F-FDG-PET Detects Drastic Changes in Brain Metabolism in the Tg4–42 Model of Alzheimer’s Disease", FRONTIERS IN AGING NEUROSCIENCE, vol. 10, 1 January 2019 (2019-01-01), pages 425, XP055961141, DOI: 10.3389/fnagi.2018.00425 *
KIM SEONJIK ·, YOON UICHEUL: "Region of Interest Analysis for Standardized Uptake Value Ratio of 18 F-fludeoxyglucose PET: Mild Cognitive Impairment and Alzheimer's Disease", JOURNAL OF BIOMEDICAL ENGINEERING RESEARCH, THE KOREAN SOCIETY OF MEDICAL AND BIOLOGICAL ENGINEERING BIMONTHLY, vol. 39, no. 6, 31 December 2018 (2018-12-31), pages 237 - 242, XP055961139, ISSN: 2288-9396, DOI: 10.9718/JBER.2018.39.6.237 *

Similar Documents

Publication Publication Date Title
WO2020242239A1 (ko) 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템
WO2017146524A1 (en) Aparatus and method for assessing heart failure
WO2020185003A1 (ko) 초음파 영상 표시 방법, 초음파 진단 장치 및 컴퓨터 프로그램 제품
WO2015076607A1 (en) Apparatus and method for processing a medical image of a body lumen
WO2021107310A1 (ko) 뇌파 분석 기반 환자진단 지원 시스템 및 방법
WO2019083227A1 (en) MEDICAL IMAGE PROCESSING METHOD, AND MEDICAL IMAGE PROCESSING APPARATUS IMPLEMENTING THE METHOD
WO2015102391A1 (ko) 뎁스 영상 분석을 통한 사용자의 골프 스윙 자세 분석을 위한 영상 생성 방법과 이를 이용한 골프 스윙 자세 분석 방법 및 장치
WO2022182058A1 (ko) 알츠하이머병의 위험도 예측을 위한 정보 제공 방법 및 이를 이용한 알츠하이머병의 위험도 예측 방법 및 인공지능 모델을 포함하는 장치
WO2015060656A1 (en) Magnetic resonance imaging apparatus and method
EP3280331A1 (en) Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus
WO2012043935A1 (ko) 통합정보를 이용한 체질판단방법
WO2016076525A1 (en) Tomography apparatus and method of reconstructing tomography image thereof
WO2013122416A1 (en) Ultrasound apparatus and method of generating ultrasound image
WO2015199354A1 (ko) 인접 합산 이진화를 이용한 동공 추출 방법 및 이를 이용한 동공 추출 제어장치
WO2021132862A1 (ko) 모션 기반 심폐 기능 지표 측정기, 노쇠 정도 예측 장치 및 방법
WO2019103188A1 (ko) 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
WO2023234659A1 (ko) 퇴행성 턱관절염의 진단 또는 예후 예측용 유전자 마커 및 이의 용도
WO2018074702A1 (en) Electronic apparatus and method for providing blood sugar care service
WO2018101650A1 (ko) 단일 호흡기체의 분석방법과 분석장치
WO2014185714A1 (ko) 의료 영상 화질 개선 방법 및 그 장치
WO2020116878A1 (ko) 안저 사진을 이용한 뇌동맥류 예측 장치 및 뇌동맥류 예측 결과 제공 방법
WO2020036446A1 (ko) 심폐음을 이용한 정보 획득 방법
WO2022231167A1 (ko) 뇌산소대사 정밀 측정을 위한 자기공명영상 생성 장치 및 방법
WO2023214693A1 (ko) 알츠하이머병 치매(add) 또는 경도인지장애(mci)를 진단하기 위한 정보제공방법 및 의료영상 처리시스템
WO2022149720A1 (ko) 기계학습모델을 이용하여 우울증예비진단정보를 제공하는 방법, 시스템 및 컴퓨터-판독가능 매체

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: 22759976

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 19/01/2024)

122 Ep: pct application non-entry in european phase

Ref document number: 22759976

Country of ref document: EP

Kind code of ref document: A1