WO2023146120A1 - 설문 기반 진단 방법 및 그 시스템 - Google Patents

설문 기반 진단 방법 및 그 시스템 Download PDF

Info

Publication number
WO2023146120A1
WO2023146120A1 PCT/KR2022/019830 KR2022019830W WO2023146120A1 WO 2023146120 A1 WO2023146120 A1 WO 2023146120A1 KR 2022019830 W KR2022019830 W KR 2022019830W WO 2023146120 A1 WO2023146120 A1 WO 2023146120A1
Authority
WO
WIPO (PCT)
Prior art keywords
questionnaire
response information
class
diagnosed
deep learning
Prior art date
Application number
PCT/KR2022/019830
Other languages
English (en)
French (fr)
Inventor
이재동
Original Assignee
경희대학교 산학협력단
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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Publication of WO2023146120A1 publication Critical patent/WO2023146120A1/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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present disclosure relates to a questionnaire-based diagnosis method and system thereof, and more particularly, to a method for performing oriental medicine diagnosis using response information to a questionnaire and a system for performing the method.
  • Oriental medicine has been a medicine that has been diagnosing and healing the body of Koreans since ancient times. Unlike Western medicine, data tailored to our body has been accumulated over hundreds of years. am. Unlike Western medicine, oriental medicine was not widely universalized, so there was a sense of distance from the general public.
  • the questionnaire technique is one of the commonly used techniques during the process of diagnosing the health condition of the person to be diagnosed.
  • an oriental medicine specialist may provide a questionnaire composed of a plurality of questionnaire items to a person to be diagnosed, and roughly grasp the health status of the person to be diagnosed based on response information written in the questionnaire.
  • the health condition e.g. presence or absence of disease, type of disease, etc.
  • the area where the questionnaire technique is used in the diagnosis process is still very It is limited.
  • a technical problem to be solved through some embodiments of the present disclosure is to provide a method for accurately diagnosing a person's health condition based on a questionnaire and a system for performing the method.
  • a questionnaire-based diagnosis method is a questionnaire-based diagnosis method performed by at least one computing device, and includes response information of an examinee to a plurality of questionnaire items. It may include obtaining and diagnosing the person to be diagnosed based on the obtained response information.
  • the plurality of questionnaire items may include a first questionnaire item for diagnosing the function of generating energy and blood, a second questionnaire item for diagnosing the function of qi and blood circulation, and a third questionnaire item for diagnosing the function of controlling the balance of qi and blood. .
  • the performing of the diagnosis may include generating a state vector indicating a health state of the diagnosed subject based on the response information, and generating the pidgin based on a similarity between the generated state vector and the disease vector.
  • a step of diagnosing the health condition of the terminal may be included.
  • the performing of the diagnosis may include obtaining an autoencoder-based deep learning model trained using response information of normal classes for the plurality of questionnaire items, and using the acquired deep learning model
  • the method may include calculating a reconstruction loss value for the obtained response information and diagnosing a health state of the person to be diagnosed based on the calculated reconstruction loss value.
  • the obtained response information includes a missing value for a specific question item
  • the performing of the diagnosis includes an autoencoder-based deep learning model trained using the response information for the plurality of question items.
  • the method may include correcting the missing value with the specific value in response to determining that the loss value is less than or equal to a reference value, and correcting the diagnosed terminal based on response information obtained by correcting the missing value.
  • a questionnaire-based diagnosis system may include one or more processors and a memory for storing one or more instructions. At this time, the one or more processors executes the one or more stored instructions, thereby obtaining response information of the examinee for a plurality of questionnaire items and performing diagnosis on the examinee based on the obtained response information. action can be performed.
  • the plurality of questionnaire items may include a first questionnaire item for diagnosing a blood-generating function, a second questionnaire item for diagnosing a qi-blood circulation function, and a third questionnaire item for diagnosing a function for regulating energy and blood balance.
  • a computer program is combined with a computing device to obtain response information of a examinee for a plurality of questionnaire items and to display the obtained response information. It can be stored in a computer readable recording medium in order to execute the step of performing the diagnosis on the diagnosed terminal based on this.
  • the plurality of questionnaire items may include a first questionnaire item for diagnosing the function of generating energy and blood, a second questionnaire item for diagnosing the function of qi and blood circulation, and a third questionnaire item for diagnosing the function of controlling the balance of qi and blood. .
  • the health state of the person to be diagnosed may be diagnosed using a plurality of questionnaire items for diagnosing the function of generating energy, circulation, and balance control. From the point of view of oriental medicine, since most diseases are caused by problems with stomach functions, the health status of the person being diagnosed can be accurately diagnosed by using questionnaire items for diagnosing stomach functions. Furthermore, by using a questionnaire technique, a quick and convenient oriental medicine diagnosis service can be provided to the person to be diagnosed.
  • a state vector indicating a health state may be generated from response information of the examinee, and the state vector of the examinee may be diagnosed based on a degree of similarity between the state vector and the disease vector. Accordingly, the reliability and accuracy of diagnosis results may be further improved.
  • the health state of the subject can be more accurately diagnosed.
  • missing values present in the response information of the subject can be accurately corrected using the restoration loss value of the autoencoder-based deep learning model.
  • FIG. 1 is an exemplary diagram for explaining a questionnaire-based diagnosis system and a service providing environment thereof according to some embodiments of the present disclosure.
  • FIG. 2 is an exemplary flowchart schematically illustrating a questionnaire-based diagnosis method according to some embodiments of the present disclosure.
  • 3 to 5 are exemplary diagrams for explaining a diagnosis method according to an embodiment of the present disclosure.
  • FIG. 6 is an exemplary diagram for explaining a diagnosis method according to another embodiment of the present disclosure.
  • FIG. 7 is an exemplary diagram for explaining a diagnosis method according to another embodiment of the present disclosure.
  • FIG. 8 is an exemplary diagram for explaining a diagnosis method according to another embodiment of the present disclosure.
  • FIG. 9 is an exemplary diagram for explaining a diagnosis method according to another embodiment of the present disclosure.
  • FIG. 10 is an exemplary diagram for explaining a diagnosis method according to another embodiment of the present disclosure.
  • 11 and 12 are exemplary diagrams for explaining a missing value correction method according to an embodiment of the present disclosure.
  • FIG. 13 illustrates an example computing device capable of implementing a questionnaire-based diagnostic system in accordance with some embodiments of the present disclosure.
  • first, second, A, B, (a), and (b) may be used in describing the components of the present disclosure. These terms are only used to distinguish the component from other components, and the nature, order, or order of the corresponding component is not limited by the term.
  • an element is described as being “connected,” “coupled to,” or “connected” to another element, that element is directly connected or connectable to the other element, but there is another element between the elements. It will be understood that elements may be “connected”, “coupled” or “connected”.
  • FIG. 1 is an exemplary diagram for explaining a questionnaire-based diagnosis system 10 and a service providing environment thereof according to some embodiments of the present disclosure.
  • the questionnaire-based diagnosis system 10 may be a system that performs an oriental medicine diagnosis or provides an oriental medicine diagnosis service based on a questionnaire.
  • the questionnaire-based diagnosis system 10 provides questionnaire information including a plurality of questionnaire items to the terminal 1 of the examinee, receives response information to the questionnaire from the terminal 1 of the examinee, and displays the received response Based on the information, it is possible to diagnose the person being diagnosed.
  • the questionnaire-based diagnosis system 10 will be abbreviated as “diagnosis system 10”.
  • the questionnaire information may include various items, response items, and other information (e.g. points, weights, etc.) designed to accurately and precisely diagnose the health status of the examinee from the point of view of oriental medicine.
  • the questionnaire information may include a plurality of questionnaire items for diagnosing a function of generating energy and blood, a function of circulation, and a function of controlling balance. Using these questionnaire items, an accurate and precise diagnosis can be made for the person to be diagnosed. This is because, from the point of view of oriental medicine, most diseases are caused by problems in the production, circulation, and balance control of qi and blood.
  • diagnosis system 10 A specific diagnosis operation of the diagnosis system 10 will be described in detail later with reference to the drawings below in FIG. 2 .
  • Diagnostic system 10 may be implemented with at least one computing device.
  • diagnostic system 10 may be implemented as a single computing device.
  • diagnostic system 10 may be implemented with multiple computing devices, wherein a first function of diagnostic system 10 may be implemented on a first computing device and a second function may be implemented on a second computing device.
  • certain functions of diagnostic system 10 may be implemented on multiple computing devices.
  • a computing device may be any device having a computing (processing) function regardless of its type, and an example of such a device will be described later with reference to FIG. 13 .
  • the diagnosed terminal 1 is a terminal possessed by a diagnosed terminal (e.g. a patient) and may be implemented as any computing device.
  • the diagnosed terminal 1 and the diagnosis system 10 may communicate through a network.
  • the network is implemented in all types of wired/wireless networks such as a Local Area Network (LAN), a Wide Area Network (WAN), a mobile radio communication network, and Wibro (Wireless Broadband Internet). It can be.
  • LAN Local Area Network
  • WAN Wide Area Network
  • Wibro Wireless Broadband Internet
  • FIG. 1 a diagnostic system 10 according to some embodiments of the present disclosure and an exemplary service providing environment thereof have been described.
  • a questionnaire-based diagnosis method that can be performed in the diagnosis system 10 illustrated in FIG. 1 will be described in detail.
  • a questionnaire-based diagnosis method to be described below may be performed by at least one computing device.
  • a method described below may be implemented as one or more instructions that may be executed by at least one computing device (or processor).
  • description will be continued on the assumption that the method to be described later is performed in the diagnostic system 10 in the environment illustrated in FIG. 1 . Accordingly, when the subject of a specific step (action) is omitted, it can be understood as being performed by the diagnostic system 10 .
  • some steps of the methods described below may be performed in other computing devices.
  • FIG. 2 is an exemplary flowchart schematically illustrating a questionnaire-based diagnosis method according to some embodiments of the present disclosure.
  • this is only a preferred embodiment for achieving the object of the present disclosure, and it goes without saying that some steps may be added or deleted as needed.
  • the present embodiment may start in step S20 of obtaining response information of the examinee for a plurality of questionnaire items.
  • the diagnosis system 10 may provide survey information including a plurality of questionnaire items to the terminal 1 of the examinee, and obtain response information to the questionnaire from the terminal 1 of the examinee.
  • a plurality of questionnaire items may include, for example, items for diagnosing a function of generating energy and blood, a function of circulation, and a function of balancing. However, it is not limited thereto. Refer to Tables 1 to 3 below for examples of questionnaire items, response items, and points for diagnosing the above functions. Tables 1 to 3 are related to the function of generating energy, circulation, and balance control, respectively.
  • the questionnaire items related to the function of generating energy and blood are “first questionnaire items”
  • the questionnaire items related to the circulation function of energy and blood are “second questionnaire items”
  • the questionnaire items related to the function of controlling the balance of energy and blood Let's refer to them as "third questionnaire items”.
  • missing value correction may be performed using an autoencoder-based deep learning model.
  • diagnosis may be performed based on the response information of the person to be diagnosed.
  • the diagnosis system 10 diagnoses the blood generating function based on the response information for the first questionnaire item (e.g., if the total score of the response items is 50 points or more, it is determined that there is a problem with the corresponding function), and the second The function of qi and blood circulation may be diagnosed based on the response information to the question, and the balance control function of qi and blood may be diagnosed based on the response information to the third question.
  • the diagnosis system 10 may diagnose the health condition (e.g. presence or absence of disease, type) of the person to be diagnosed in consideration of the problem function. For examples of diseases related to problem functions, see Table 4 below.
  • the diagnosis system 10 may diagnose the health condition of the person to be diagnosed by comprehensively considering response information on the blood generating function, the circulation function, and the control function.
  • Blood production problem Dementia Parkinson's, forgetfulness, acute and chronic digestive disorders, chronic fatigue, hypotension, tinnitus (Meniere's), blurred vision, vertigo, headache, Raynaud's syndrome, shoulder pain blood circulation problems Obesity, metabolic diseases (hyperlipidemia, blood pressure, diabetes), heart failure, stroke, respiratory disease, arthritis. Low back pain (disc, stenosis), autoimmune diseases (rheumatism, fibromyalgia, ankylosing spondylitis), various cancers, etc.
  • infertility infertility
  • endocrine hormone, such as thyroid
  • urinary disorders urinary disorders
  • hair loss dry eye syndrome
  • skin disorders psoriasis
  • headache tinnitus
  • psychiatric disorders insomnia, panic disorder, depression
  • back pain disc, stenosis
  • arthritis plantar fasciitis, etc.
  • the diagnostic system 10 may provide additional questionnaire information for diagnosing a disease related to a problem function to the person being diagnosed, and may predict a disease related to the subject based on response information on the additional questionnaire.
  • the diagnosed subject's health state may be diagnosed based on a similarity between a state vector (ie, a vector indicating a health state of the diagnosed subject) generated based on response information of the diagnosed subject and a disease vector.
  • a state vector ie, a vector indicating a health state of the diagnosed subject
  • the health state of the subject may be diagnosed using a deep learning model based on an autoencoder trained using response information of a normal class. This embodiment will be described later with reference to FIGS. 6 and 7 .
  • the health state of the subject may be diagnosed using a deep learning model based on an autoencoder trained using response information of the patient class. This embodiment will be described later with reference to FIG. 8 .
  • the health condition of the examinee may be diagnosed using a classifier for classifying a normal class and a patient class. This embodiment will be described later with reference to FIG. 9 .
  • the health status (e.g. disease type) of the subject may be diagnosed using a classifier for classifying disease classes. This embodiment will be described later with reference to FIG. 10 .
  • diagnosis may be performed based on a combination of the above-described embodiments.
  • the diagnostic system 10 may diagnose the health condition of the examinee by using both a first deep learning model trained with response information of the normal class and a second deep learning model trained with response information of the patient class. there is.
  • the diagnosis system 10 may diagnose the health condition of the person being diagnosed using a classifier that classifies a normal class and a disease class.
  • the diagnosis system 10 diagnoses whether or not a person is diagnosed with a disease using a first deep learning model trained with response information of a normal class, and classifies a disease class in response to a diagnosis result indicating that a disease exists.
  • the type of disease of the person to be diagnosed may be diagnosed using the classifier.
  • the diagnosis result may be provided to the person to be diagnosed.
  • the diagnosis system 10 may provide diagnosis results to the terminal 1 of the diagnosed terminal.
  • the diagnosis result may include, for example, information such as the health status of the person to be diagnosed (e.g. presence or absence of disease, type of disease), treatment method, and the like. However, it is not limited thereto.
  • treatment methods refer to Tables 5 to 7 below. Tables 5 to 7 exemplify life therapies for treating problems in the function of producing energy, circulation and balance control, respectively.
  • division lifestyle food Drink enough water, about 2 liters a day, so as not to lack yin energy.
  • Drink barley tea with cool properties goji tea that reinforces the yin energy, duchung tea, cornus milk tea, etc., and avoid teas that arouse and excite the body with caffeine, such as coffee or green tea.
  • work out Avoid exercise that sweats a lot.
  • Lack of yin qi weakens the lower body, so do lower body exercises (eg cycling, walking barefoot, walking backwards, climbing stairs, squats, etc.) to bring down the energy.
  • hobby activity Do static activities such as meditation, danjeon breathing, art, Go, etc. Listen to quiet, relaxing music.
  • the health condition of the person to be diagnosed can be diagnosed using a plurality of questionnaire items for diagnosing the function of generating blood, circulation function, and balance control function. From the point of view of oriental medicine, since most diseases are caused by problems with stomach functions, the health status of the person being diagnosed can be accurately diagnosed by using questionnaire items for diagnosing stomach functions. Furthermore, a quick and convenient diagnosis service can be provided to the person to be diagnosed by using a questionnaire technique.
  • the present embodiment relates to a method for diagnosing a subject's health condition based on vector similarity, which includes generating a state vector representing the subject's health condition based on response information of the diagnosed subject. It may start at step S222. In this step, a specific method of generating a state vector may vary.
  • the diagnostic system 10 may generate a state vector for a blood-generating function based on the points assigned to the first questionnaire item.
  • the state vector for the function of generating energy and blood based on the points allocated for each item e.g., a vector having the points of the items answered by the examinee as a vector element
  • the diagnosis system 10 may generate a state vector for the qi and blood circulation function based on the score of the second questionnaire item, and generate a state vector for the qi and blood balance control function based on the score of the third questionnaire item.
  • the diagnostic system 10 generates vectors (V1 to V3) for the first to third questionnaire items 41 to 43, and converts the generated state vectors to a predetermined value.
  • a state vector V state may be generated by synthesizing the weights W1 to W3.
  • a state vector (V state ) may be generated by comprehensively considering the blood generating function, the circulation function, and the balance control function.
  • the weights (W1 to W3) will vary depending on the demographic characteristics (eg gender, age group, age, race, body type, BMI, etc.) and disease history (eg disease type, number of times of disease, etc.) may be For example, since the function of generating qi and blood is closely related to the stomach, when a history of a stomach-related disease exists, the weight W1 for the first question item may be determined as a higher value. Similarly, when a cardiopulmonary disease history exists, the weight value W2 for the second question item may be determined as a higher value.
  • a weighted value for the first question item may be determined as a higher value.
  • the weight of the third question item may be determined as a higher value.
  • the diagnosis system 10 may generate a state vector using an autoencoder-based deep learning model.
  • a state vector may be generated using a latent vector (53) extracted from the encoder 52 of a deep learning model trained with response information of a normal class or a patient class.
  • An auto-encoder-based deep learning model may include a basic auto-encoder and its various variations (eg, a variant type auto-encoder). However, in the following description, for convenience of understanding, it is assumed that the deep learning model has a basic autoencoder structure. Referring to FIG. 5, this example will be further described. 5 illustrates an autoencoder structure in which the number of dimensions (d) of the latent vector (53 (or bottleneck layer) is 3).
  • the autoencoder-based deep learning model may be composed of an encoder 52 and a decoder 54, and reconstruction loss between input data 51 and output data 55 ) can be trained based on the value.
  • the autoencoder-based deep learning model may be composed of an encoder 52 and a decoder 54, and reconstruction loss between input data 51 and output data 55 ) can be trained based on the value.
  • the diagnostic system 10 may extract the latent vector 53 by inputting the response information of the diagnosed subject to the encoder 52 of the deep learning model trained with the response information of the normal class or the patient class.
  • the diagnostic system 10 may convert the response information of the diagnosed terminal into a numerical form through an appropriate vectorization technique (e.g., the method described with reference to FIG. 4) and input the result to the encoder 52.
  • the diagnosis system 10 may generate a state vector by using the extracted latent vector 53 as a state vector of the subject to be diagnosed or by performing additional processing (e.g. PCA, etc.) on the extracted latent vector 53. .
  • the health state of the subject may be diagnosed based on the similarity between the generated state vector and the disease vector.
  • the diagnosis system 10 determines the abnormality of the health state based on the similarity (eg, cosine similarity , etc. ) Whether or not the disease or the type of disease can be diagnosed (eg, the disease with the highest similarity is diagnosed as the disease of the person being diagnosed).
  • the disease vectors may be generated based on response information of patients belonging to the corresponding disease class, and may be generated in the same or similar manner as the generated vectors.
  • this embodiment is a method for diagnosing the health state of a person being diagnosed using an autoencoder-based deep learning model 60 trained with response information 63 of a normal class (see normal). it's about
  • the deep learning model 60 may be configured to include an encoder 61 and a decoder 62, and may be trained using response information 63 of the normal class.
  • the diagnosis system 10 inputs the individual response information 64 to the deep learning model 60 and uses the restoration loss value between the input information 64 and the restored information 65 to generate the deep learning model 60 can be trained (e.g. individual response information 64 can be converted into a digitized form and input to the deep learning model 60; see FIG. 12).
  • a process of encoding the information 64 input through the encoder 61 into a latent vector and decoding the latent vector through the decoder 62 may be performed, and restoration loss may be performed.
  • Weight parameters of encoder 61 and decoder 62 may be updated as values are back-propagated. As this training process is repeated, the deep learning model 60 has the ability to compress (encode) and restore (decode) the normal class response information (e.g. 64).
  • a restoration loss value for the response information 71 of the subject may be calculated using the trained deep learning model 60 .
  • the restoration loss value may be calculated based on the difference between the response information 71 of the subject being diagnosed and the information 72 restored through the deep learning model 60.
  • the health state of the person to be diagnosed may be diagnosed based on the calculated restoration loss value. For example, when the restoration loss value is greater than or equal to a reference value, the diagnostic system 10 may determine that the subject's health condition is abnormal.
  • a large restoration loss value means that the response information 71 of the examinee is information that is not well restored through the deep learning model 60, which means that the response information 71 of the examinee is normal class response information ( 63), which means that the difference is large. If the restoration loss value is less than or equal to the reference value, the diagnosis system 10 may determine that there is no abnormality in the health state of the person being diagnosed.
  • FIGS. 6 and 7 So far, a diagnosis method according to another embodiment of the present disclosure has been described with reference to FIGS. 6 and 7 .
  • a diagnosis method according to another embodiment of the present disclosure will be described with reference to FIG. 8 .
  • the present embodiment is a method for diagnosing the health condition of a person to be diagnosed using an autoencoder-based deep learning model 80 trained with response information 83 of a patient class (see disease). it's about
  • the deep learning model 80 may be configured to include an encoder 81 and a decoder 82, and may be trained using response information 83 of the patient class.
  • the diagnosis system 10 inputs individual response information 84 to the deep learning model 80 and uses a restoration loss value between the input information 84 and the restored information 85 to generate the deep learning model 80 can train
  • a restoration loss value for the response information (e.g. 71) of the person diagnosed can be calculated using the trained deep learning model 80, and the health state of the person diagnosed can be diagnosed based on the calculated restoration loss value.
  • the diagnosis system 10 may determine that there is no abnormality in the health condition of the person being diagnosed.
  • a large restoration loss value means that the response information of the examinee (e.g. 71) is information that is not well restored through the deep learning model 80, which means that the response information of the examinee (e.g. 71) is the response of the patient class. This is because it means that the difference with information 83 is large.
  • the diagnostic system 10 may determine that the subject's health condition is abnormal.
  • FIG. 8 So far, a diagnosis method according to another embodiment of the present disclosure has been described with reference to FIG. 8 .
  • a diagnosis method according to another embodiment of the present disclosure will be described with reference to FIG. 9 .
  • this embodiment uses an autoencoder-based deep learning model 90 trained with response information 95 of a normal class (refer to normal) and a patient class (refer to disease), It relates to a method for diagnosing a health condition.
  • the deep learning model 90 may be configured to include an encoder 91 , a decoder 92 and a classifier 93 .
  • the classifier 93 may serve to classify the input latent vector 94 into a normal class and a patient class.
  • the deep learning model 90 may be trained using the response information 95 of the normal class and the patient class.
  • the diagnostic system 10 may train the encoder 91 and the decoder 92 using the restoration loss value for the individual response information 96 of the normal class or the patient class.
  • the restoration loss value may be calculated based on the difference between the input response information 96 and the restored information 97 .
  • the diagnosis system 10 may calculate a classification loss value for the latent vector 94 by inputting the latent vector 94 extracted from the input response information 96 to the classifier 93. .
  • the classification loss value may be calculated based on the difference between the class predicted through the classifier 93 and the correct answer class (ie, the difference between confidence scores for each class).
  • the diagnostic system 10 may train the classifier 93 and the encoder 91 using the classification loss value in a state in which the decoder 92 is frozen. By doing so, the encoder 91 can learn to extract latent vectors 94 suitable for class classification.
  • the latent vector (e.g. 94) can be extracted from the response information (e.g. 71) of the subject using the trained deep learning model 90, and the latent vector (e.g. 94) can be extracted through the classifier 93. Confidence scores per class (e.g. confidence scores for the normal class or the patient class) can be calculated.
  • the health status of the person to be diagnosed may be diagnosed based on the confidence score for each class. For example, when the confidence score of the patient class is equal to or greater than the reference value (or the confidence score of the normal class is equal to or less than the reference value), the diagnostic system 10 may determine that the subject's health condition is abnormal. In the opposite case, the diagnosis system 10 may determine that there is no abnormality in the health condition of the person to be diagnosed.
  • this embodiment uses an autoencoder-based deep learning model 100 trained with response information 105 of patients belonging to different disease classes (refer to disease A and B) to determine the number of patients diagnosed. It relates to a method for diagnosing the type of disease.
  • the deep learning model 100 may be configured to include an encoder 101 , a decoder 102 and a classifier 103 .
  • the classifier 103 may serve to classify the input latent vector 104 into a first disease class (see disease A) and a second disease class (see disease B).
  • the classifier 103 may further perform classification for the third disease class.
  • the deep learning model 100 may be trained using response information 105 of patients belonging to different disease classes.
  • the diagnostic system 10 may train the encoder 101 and the decoder 102 using a restoration loss value for the individual response information 106 of a patient belonging to a specific disease class.
  • the restoration loss value may be calculated based on the difference between the input response information 106 and the restored information 107 .
  • the diagnosis system 10 may calculate a classification loss value for the latent vector 104 by inputting the latent vector 104 extracted from the input response information 106 to the classifier 103 .
  • the classification loss value may be calculated based on the difference between the disease class predicted through the classifier 103 and the correct answer class (ie, the difference between confidence scores for each class).
  • the diagnostic system 10 may train the classifier 103 and the encoder 101 using the classification loss value in a state in which the decoder 102 is frozen. By doing so, the encoder 101 can learn to extract latent vectors 104 suitable for disease class classification.
  • a latent vector (e.g. 104) can be extracted from the response information (e.g. 71) of the diagnosed subject using the trained deep learning model 100, and the latent vector (e.g. 104) is calculated through the classifier 103.
  • a confidence score for each disease class may be calculated.
  • the type of disease of the person to be diagnosed may be diagnosed based on the confidence score for each class. For example, if the confidence score of the first disease class is equal to or higher than the reference value, the diagnosis system 10 may determine that the person diagnosed has the first disease.
  • the diagnosis method has been described with reference to FIGS. 3 to 10 .
  • the health state of the subject can be accurately diagnosed using a similarity in a vector space or an autoencoder-based deep learning model trained using response information of a normal class or a patient class.
  • the type of disease can be accurately diagnosed using a classifier for classifying disease classes.
  • the diagnosis system 10 may request missing value correction from the person to be diagnosed, or may perform automatic missing value correction for the convenience of the person to be diagnosed.
  • FIGS. 11 and 12 a method for the diagnosis system 10 to automatically correct missing values will be described in detail.
  • 11 is an exemplary flowchart illustrating a method for correcting a missing value according to an embodiment of the present disclosure.
  • this is only a preferred embodiment for achieving the object of the present disclosure, and it goes without saying that some steps may be added or deleted as needed.
  • the present embodiment may start at step S110 of acquiring a trained autoencoder-based deep learning model using response information of a survey respondent.
  • the diagnostic system 10 may obtain a deep learning model 120 composed of an encoder 121 and a decoder 122 and trained with response information.
  • classes of survey respondents may be classified according to demographic characteristics and/or disease history, and deep learning models may be built for each class.
  • a first deep learning model may be constructed using response information of a survey respondent belonging to a first class
  • a second deep learning model may be constructed using response information of a survey respondent belonging to a second class.
  • the diagnosis system 10 may determine a model that matches the diagnosed terminal among a plurality of deep learning models and use the missing value correction.
  • the diagnosis system 10 may use a deep learning model matched to the demographic characteristics and/or disease history of the subject to be diagnosed, and by doing so, the accuracy of missing value correction may be further improved.
  • a specific value may be assigned to the missing value of the response information of the diagnosed person.
  • the diagnosis system 10 may assign a specific value to the missing value 124 present in the response information 123 of the diagnosed person.
  • the specific value may be, for example, a representative response value (e.g. average value, median value, mode value, etc.), zero value, random value, etc. It may be possible, but is not limited thereto.
  • a value different from the previous value may be assigned to the missing value.
  • the diagnostic system 10 allocates a random value different from the previous one or assigns a new value in a direction in which the restoration loss value decreases (e.g., when the value of the missing value 124 decreases as the value of the missing value 124 decreases, a value smaller than the previous value is assigned). assigned) can be
  • a restoration loss value may be calculated using the trained deep learning model.
  • the diagnosis system 10 may calculate a restoration loss value by inputting response information 123 filled with missing values 124 to the deep learning model 120 .
  • the response information 123 is converted into digitized data 125 through an appropriate vectorization technique, and the restoration loss value may be calculated based on the difference between the input data 125 and the restored data 126.
  • step S116 it may be determined whether the restoration loss value is less than or equal to a reference value. Depending on the determination result, step S118 may be performed, and steps S112 to S116 may be performed again.
  • the reference value may be a fixed value or a variable value that varies depending on circumstances.
  • the reference value may be a variable value that varies depending on the demographic characteristics and/or disease history of the diagnosed person.
  • the reference value may be set to a smaller value than in other cases in order to more strictly correct missing values.
  • the reference value may be set to a larger value than in other cases.
  • the reference value may be set to a smaller value than in other cases.
  • the reference value may be set to a larger value than in other cases.
  • steps S112 to S116 may be repeatedly performed until a specified end condition is satisfied.
  • the diagnosis system 10 may repeatedly perform the above-described steps while changing the allocation value until the restoration loss value becomes equal to or less than the reference value.
  • the diagnostic system 10 repeatedly performs the above-described steps until the specified number of iterations is reached, and when the restoration loss value below the reference value is not calculated and the specified number of repetitions is exceeded, the diagnosis terminal may be requested to correct missing values. there is.
  • step S118 the missing value may be corrected with the assigned value.
  • missing value correction can be accurately performed by using the autoencoder-based deep learning model 120 that has learned characteristics of response information.
  • FIG. 13 an exemplary computing device 130 capable of implementing the diagnostic system 10 according to some embodiments of the present disclosure will be described.
  • FIG. 13 is an exemplary hardware configuration diagram illustrating computing device 130 .
  • the computing device 130 includes one or more processors 131, a bus 133, a communication interface 134, and a memory (loading) a computer program executed by the processor 131 ( 132) and a storage 135 for storing the computer program 136.
  • the computing device 130 may further include various components other than the components shown in FIG. 13 .
  • the computing device 130 may be configured in a form in which some of the components shown in FIG. 13 are omitted.
  • each component of the computing device 130 will be described.
  • the processor 131 may control overall operations of each component of the computing device 130 .
  • the processor 131 may include at least one of a Central Processing Unit (CPU), a Micro Processor Unit (MPU), a Micro Controller Unit (MCU), a Graphic Processing Unit (GPU), or any type of processor well known in the art. can be configured to include Also, the processor 131 may perform an operation for at least one application or program for executing an operation/method according to embodiments of the present disclosure.
  • Computing device 130 may include one or more processors.
  • the memory 132 may store various data, commands and/or information.
  • Memory 132 may load computer program 136 from storage 135 to execute operations/methods according to embodiments of the present disclosure.
  • the memory 132 may be implemented as a volatile memory such as RAM, but the technical scope of the present disclosure is not limited thereto.
  • the bus 133 may provide a communication function between components of the computing device 130 .
  • the bus 133 may be implemented as various types of buses such as an address bus, a data bus, and a control bus.
  • the communication interface 134 may support wired/wireless Internet communication of the computing device 130 . Also, the communication interface 134 may support various communication methods other than internet communication. To this end, the communication interface 134 may include a communication module well known in the art of the present disclosure.
  • storage 135 may non-temporarily store one or more computer programs 136 .
  • the storage 135 may be non-volatile memory such as read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, or the like, a hard disk, a removable disk, or a device well known in the art. It may be configured to include any known type of computer-readable recording medium.
  • computer program 136 may include one or more instructions that when loaded into memory 132 cause processor 131 to perform operations/methods in accordance with various embodiments of the present disclosure. That is, the processor 131 may perform operations/methods according to various embodiments of the present disclosure by executing the one or more instructions.
  • the computer program 136 includes one or more instructions for performing an operation of obtaining response information of a examinee for a plurality of questionnaire items and an operation of performing an operation of diagnosing the examinee based on the obtained response information. can do.
  • the diagnostic system 10 according to some embodiments of the present disclosure may be implemented through the computing device 130 .
  • An exemplary computing device 130 capable of implementing a diagnostic system 10 according to some embodiments of the present disclosure has been described with reference to FIG. 13 .
  • the technical idea of the present disclosure described with reference to FIGS. 1 to 13 so far may be implemented as computer readable code on a computer readable medium.
  • the computer-readable recording medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disc, USB storage device, removable hard disk) or a fixed recording medium (ROM, RAM, computer-equipped hard disk).
  • ROM, RAM, computer-equipped hard disk can
  • the computer program recorded on the computer-readable recording medium may be transmitted to another computing device through a network such as the Internet, installed in the other computing device, and thus used in the other computing device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Surgery (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

설문 기반 진단 방법 및 그 시스템이 제공된다. 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 방법은, 복수의 설문 문항에 대한 피진단자의 응답 정보를 기초로 피진단자에 대한 진단을 수행할 수 있다. 이때, 복수의 설문 문항은 기혈 생성 기능, 기혈 순환 기능 및 기혈의 균형 조절 기능을 진단하기 위한 문항들을 포함할 수 있는데, 이러한 문항들을 이용함으로써 피진단자의 건강 상태가 정확하게 진단될 수 있다. 뿐만 아니라, 설문 기법을 이용함으로써 신속하고 편리한 한의학적 진단 서비스가 제공될 수 있다.

Description

설문 기반 진단 방법 및 그 시스템
본 개시는 설문 기반 진단 방법 및 그 시스템에 관한 것으로, 보다 자세하게는, 설문에 대한 응답 정보를 이용하여 한의학적 진단을 수행하는 방법 및 그 방법을 수행하는 시스템에 관한 것이다.
한의학은 예로부터 한국인의 몸을 진단하고 치유하던 의학으로서 서양 의학과는 다르게 우리의 몸에 맞는 데이터가 수백 년에 걸쳐 쌓여 왔으며, 한국인 고유의 신체적 특성에 맞게 병을 진단하고 처방할 수 있는 과학적인 의학이다. 한의학은 서양 의학과는 다르게 널리 보편화가 되지 않아 일반인에게는 거리감이 있었으나, 최근 들어 대체의학에 대한 관심이 높아지면서 세계적으로 관심이 커지고 있다.
한편, 설문 기법은 피진단자의 건강 상태를 진단하는 과정 중에 흔하게 사용되는 기법 중 하나이다. 예를 들어, 한의학 전문의는 다수의 설문 문항으로 이루어진 설문지를 피진단자에게 제공하고, 설문지에 기재된 응답 정보를 토대로 피진단자의 건강 상태를 대략적으로 파악할 수 있다. 그러나, 설문 문항 설계의 어려움 등으로 인해 설문 기법만으로 피진단자의 건강 상태(e.g. 질병 유무, 질병 종류 등)를 정확하게 진단하는 것은 매우 어려우며, 이에 따라 진단 과정에서 설문 기법이 활용되는 영역은 아직까지는 매우 제한적이다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 설문 기반으로 피진단자의 건강 상태를 정확하게 진단할 수 있는 방법 및 그 방법을 수행하는 시스템을 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 방법은, 적어도 하나의 컴퓨팅 장치에 의해 수행되는 설문 기반 진단 방법으로서, 복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 단계 및 상기 획득된 응답 정보를 기초로 상기 피진단자에 대한 진단을 수행하는 단계를 포함할 수 있다. 이때, 상기 복수의 설문 문항은 기혈 생성 기능을 진단하기 위한 제1 설문 문항, 기혈 순환 기능을 진단하기 위한 제2 설문 문항 및 기혈의 균형 조절 기능을 진단하기 위한 제3 설문 문항을 포함할 수 있다.
일 실시예에서, 상기 진단을 수행하는 단계는, 상기 응답 정보를 기초로 상기 피진단자의 건강 상태를 나타내는 상태 벡터를 생성하는 단계 및 상기 생성된 상태 벡터와 질병 벡터와의 유사도를 기초로 상기 피진단자의 건강 상태를 진단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 진단을 수행하는 단계는, 상기 복수의 설문 문항에 대한 정상 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 획득하는 단계, 상기 획득된 딥러닝 모델을 이용하여 상기 획득된 응답 정보에 대한 복원 손실(reconstruction loss) 값을 산출하는 단계 및 상기 산출된 복원 손실 값을 기초로 상기 피진단자의 건강 상태를 진단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 획득된 응답 정보는 특정 설문 문항에 대한 결측치를 포함하고, 상기 진단을 수행하는 단계는, 상기 복수의 설문 문항에 대한 응답 정보를 이용하여 트레이닝된 오토인코더 기반의 딥러닝 모델을 획득하는 단계, 상기 결측치에 특정 값을 할당하는 단계, 상기 획득된 딥러닝 모델을 이용하여 상기 특정 값이 할당된 응답 정보에 대한 복원 손실(reconstruction loss) 값을 산출하는 단계, 상기 산출된 복원 손실 값이 기준치 이하라는 판단에 응답하여, 상기 특정 값으로 상기 결측치를 보정하는 단계 및 상기 결측치가 보정된 응답 정보를 기초로 상기 피진단자에 대한 보정을 수행하는 단계를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 시스템은, 하나 이상의 프로세서 및 하나 이상의 인스트럭션을 저장하는 메모리를 포함할 수 있다. 이때, 상기 하나 이상의 프로세서는, 상기 저장된 하나 이상의 인스트럭션을 실행함으로써, 복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 동작 및 상기 획득된 응답 정보를 기초로 상기 피진단자에 대한 진단을 수행하는 동작을 수행할 수 있다. 상기 복수의 설문 문항은 기혈 생성 기능을 진단하기 위한 제1 설문 문항, 기혈 순환 기능을 진단하기 위한 제2 설문 문항 및 기혈의 균형 조절 기능을 진단하기 위한 제3 설문 문항을 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 단계 및 상기 획득된 응답 정보를 기초로 상기 피진단자에 대한 진단을 수행하는 단계를 실행시키기 위하여 컴퓨터 판독가능한 기록매체에 저장될 수 있다. 이때, 상기 복수의 설문 문항은 기혈 생성 기능을 진단하기 위한 제1 설문 문항, 기혈 순환 기능을 진단하기 위한 제2 설문 문항 및 기혈의 균형 조절 기능을 진단하기 위한 제3 설문 문항을 포함할 수 있다.
상술한 본 개시의 다양한 실시예들에 따르면, 기혈의 생성 기능, 순환 기능 및 균형 조절 기능을 진단하기 위한 복수의 설문 문항들을 이용하여 피진단자의 건강 상태가 진단될 수 있다. 한의학적 관점에서 대부분의 질병들은 위 기능들의 문제로 인해 발생되므로, 위 기능들을 진단하기 위한 설문 문항을 이용하면 피진단자의 건강 상태가 정확하게 진단될 수 있다. 나아가, 설문 기법을 이용함으로써 피진단자에게 신속하고 편리한 한의학적 진단 서비스가 제공될 수 있다.
또한, 피진단자의 응답 정보로부터 건강 상태를 나타내는 상태 벡터가 생성되고, 상태 벡터와 질병 벡터와의 유사도를 기초로 피진단자의 건강 상태가 진단될 수 있다. 이에 따라, 진단 결과의 신뢰성과 정확성이 더욱 향상될 수 있다.
또한, 정상 클래스 또는 환자 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델의 복원 손실(reconstruction loss) 값을 이용함으로써, 피진단자의 건강 상태가 더욱 정확하게 진단될 수 있다.
또한, 오토인코더 기반 딥러닝 모델의 복원 손실 값을 이용하여 피진단자의 응답 정보에 존재하는 결측치가 정확하게 보정될 수 있다.
본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 시스템과 그의 서비스 제공 환경을 설명하기 위한 예시적인 도면이다.
도 2는 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 방법을 개략적으로 나타내는 예시적인 흐름도이다.
도 3 내지 도 5는 본 개시의 일 실시예에 따른 진단 방법을 설명하기 위한 예시적인 도면이다.
도 6은 본 개시의 다른 실시예에 따른 진단 방법을 설명하기 위한 예시적인 도면이다.
도 7은 본 개시의 또 다른 실시예에 따른 진단 방법을 설명하기 위한 예시적인 도면이다.
도 8은 본 개시의 또 다른 실시예에 따른 진단 방법을 설명하기 위한 예시적인 도면이다.
도 9는 본 개시의 또 다른 실시예에 따른 진단 방법을 설명하기 위한 예시적인 도면이다.
도 10은 본 개시의 또 다른 실시예에 따른 진단 방법을 설명하기 위한 예시적인 도면이다.
도 11 및 도 12는 본 개시의 일 실시예에 따른 결측치 보정 방법을 설명하기 위한 예시적인 도면이다.
도 13은 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 시스템을 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
본 개시에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 개시의 다양한 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
도 1은 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 시스템(10)과 그의 서비스 제공 환경을 설명하기 위한 예시적인 도면이다.
도 1에 도시된 바와 같이, 설문 기반 진단 시스템(10)은 설문 기반으로 한의학적 진단을 수행하거나 한의학적 진단 서비스를 제공하는 시스템일 수 있다. 가령, 설문 기반 진단 시스템(10)은 피진단자의 단말(1)로 복수의 설문 문항들을 포함하는 설문 정보를 제공하고, 피진단자 단말(1)로부터 설문에 대한 응답 정보를 수신하며, 수신된 응답 정보를 토대로 피진단자에 대한 진단을 수행할 수 있다. 이하에서는, 설명의 편의상, 설문 기반 진단 시스템(10)을 "진단 시스템(10)"으로 약칭하도록 한다.
설문 정보는 한의학적 관점에서 피진단자의 건강 상태를 정확하고 정밀하게 진단하기 위해 설계된 다양한 문항, 응답 항목, 기타 정보(e.g. 배점, 가중치 등) 등을 포함할 수 있다. 예를 들어, 설문 정보는 기혈의 생성 기능, 순환 기능 및 균형 조절 기능을 진단하기 위한 복수의 설문 문항들을 포함할 수 있다. 이러한 설문 문항들을 이용하면 피진단자에 대한 정확하고 정밀한 진단이 이루어질 수 있는데, 이는 한의학적 관점에서 대부분의 질병은 기혈의 생성, 순환 및 균형 조절 기능의 문제로 인해 발생되기 때문이다.
진단 시스템(10)의 구체적인 진단 동작에 관하여서는 잠시 후에 도 2 이하의 도면을 참조하여 상세하게 설명하도록 한다.
진단 시스템(10)은 적어도 하나의 컴퓨팅 장치로 구현될 수 있다. 예를 들어, 진단 시스템(10)은 하나의 컴퓨팅 장치로 구현될 수 있다. 다른 예로서, 진단 시스템(10)은 복수의 컴퓨팅 장치로 구현되되, 진단 시스템(10)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고 제2 기능은 제2 컴퓨팅 장치에서 구현될 수 있다. 또는, 진단 시스템(10)의 특정 기능이 복수의 컴퓨팅 장치에서 구현될 수도 있다.
컴퓨팅 장치는 유형에 관계없이 컴퓨팅(프로세싱) 기능을 구비한 임의의 장치가 될 수 있으며, 이러한 장치의 일 예시에 관하여서는 도 13을 참조하여 후술하도록 한다.
피진단자 단말(1)은 피진단자(e.g. 환자)가 소지한 단말로서 어떠한 컴퓨팅 장치로 구현되더라도 무방하다.
도시된 바와 같이, 피진단자 단말(1)과 진단 시스템(10)은 네트워크를 통해 통신할 수 있다. 여기서, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유/무선 네트워크로 구현될 수 있다.
지금까지 도 1을 참조하여 본 개시의 몇몇 실시예들에 따른 진단 시스템(10)과 그의 예시적인 서비스 제공 환경에 대하여 설명하였다. 이하에서는, 도 1에 예시된 진단 시스템(10)에서 수행될 수 있는 설문 기반 진단 방법에 대하여 상세하게 설명하도록 한다.
이하에서 후술될 설문 기반 진단 방법은 적어도 하나의 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말해, 후술될 방법은 적어도 하나의 컴퓨팅 장치(또는 프로세서)에 의해 실행될 수 있는 하나 이상의 인스트럭션(instruction)으로 구현될 수 있다. 이하에서는, 이해의 편의를 제공하기 위해, 후술될 방법이 도 1에 예시된 환경의 진단 시스템(10)에서 수행되는 것을 가정하여 설명을 이어가도록 한다. 따라서, 특정 단계(동작)의 주어가 생략된 경우, 진단 시스템(10)에 의해 수행되는 것으로 이해될 수 있다. 물론, 실제 환경에서는 후술될 방법의 일부 단계가 다른 컴퓨팅 장치에서 수행될 수도 있다.
도 2는 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 방법을 개략적으로 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 2에 도시된 바와 같이, 본 실시예는 복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 단계 S20에서 시작될 수 있다. 가령, 진단 시스템(10)은 피진단자 단말(1)로 복수의 설문 문항을 포함하는 설문 정보를 제공하고, 피진단자 단말(1)로부터 설문에 대한 응답 정보를 획득할 수 있다.
복수의 설문 문항은 예를 들어 기혈의 생성 기능, 순환 기능, 균형 조절 기능을 진단하기 위한 문항들을 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다. 위 기능들을 진단하기 위한 설문 문항, 응답 항목 및 배점에 관한 예시는 하기의 표 1 내지 표 3을 참조하도록 한다. 표 1 내지 표 3은 각각 기혈의 생성 기능, 순환 기능 및 균형 조절 기능과 관련된 것이다. 이하에서는, 다른 언급이 없는 한, 기혈의 생성 기능에 관한 설문 문항들을 "제1 설문 문항", 기혈의 순환 기능에 관한 설문 문항들을 "제2 설문 문항", 기혈의 균형 조절 기능에 관한 설문 문항들을 "제3 설문 문항"으로 칭하도록 한다.
Figure PCTKR2022019830-appb-img-000001
Figure PCTKR2022019830-appb-img-000002
Figure PCTKR2022019830-appb-img-000003
한편, 일 실시예에서는, 진단 수행 전에 피진단자의 응답 정보에 결측치가 존재하는지 여부가 판단될 수도 있다. 그리고, 결측치가 존재한다는 판단에 응답하여, 오토인코더 기반의 딥러닝 모델을 이용하여 결측치 보정이 수행될 수 있다. 그렇게 함으로써, 피진단자의 편의성이 향상될 수 있는데, 본 실시예에 관하여서는 추후 도 11 및 도 12를 참조하여 상세하게 설명하도록 한다.
단계 S22에서, 피진단자의 응답 정보를 기초로 진단이 수행될 수 있다. 가령, 진단 시스템(10)은 제1 설문 문항에 대한 응답 정보를 토대로 기혈의 생성 기능을 진단하고(e.g. 응답 항목의 배점 총합이 50점 이상인 경우 해당 기능에 문제가 있는 것으로 판단함), 제2 설문 문항에 대한 응답 정보를 토대로 기혈의 순환 기능을 진단하며, 제3 설문 문항에 대한 응답 정보를 토대로 기혈의 균형 조절 기능을 진단할 수 있다. 또한, 진단 시스템(10)은 문제된 기능을 고려하여 피진단자의 건강 상태(e.g. 질병 유무, 종류)를 진단할 수 있다. 문제 기능과 관련된 질병의 예시는 하기의 표 4를 참조하도록 한다. 다른 예로서, 진단 시스템(10)은 기혈의 생성 기능, 순환 기능 및 조절 기능에 대한 응답 정보를 종합적으로 고려하여 피진단자의 건강 상태를 진단할 수도 있다.
구분 관련 질병
기혈의 생성 문제 치매, 파킨슨, 건망증, 급만성 소화기질환, 만성피로, 저혈압, 이명(메니에르), 시력저하, 현훈, 두통, 레이노이드증후군, 견비통
기혈의 순환 문제 비만, 대사성질환(고지혈증, 혈압, 당뇨), 심장실환, 중풍, 호흡기질환, 관절염. 요통(디스크, 협착증), 자가면역질환(류마티스, 섬유근통, 강직성척추염), 각종 암 등
기혈의 균형 조절 문제 생식기질환, 난임(불임), 내분비(갑상선 등 호르몬)질환, 비뇨기질환(소변장애), 탈모, 안구건조증, 피부질환(건선), 두통, 이명, 정신과질환(불면, 공황장애, 우울증), 요통(디스크, 협착증), 관절염, 족저근막염 등
일 실시예에서는, 진단 시스템(10)이 문제 기능과 관련된 질병을 진단하기 위한 추가 설문 정보를 피진단자에게 제공하고, 추가 설문에 대한 응답 정보를 토대로 피진단자와 관련된 질병을 예측할 수도 있다.
한편, 진단을 수행하는 구체적인 방식은 실시예에 따라 달라질 수 있다.
일 실시예에서는, 피진단자의 응답 정보를 기초로 생성된 상태 벡터(즉, 피진단자의 건강 상태를 나타내는 벡터)와 질병 벡터와의 유사도를 기초로 피진단자의 건강 상태가 진단될 수 있다. 본 실시예에 관하여서는 도 3 내지 도 5를 참조하여 후술하도록 한다.
다른 실시예에서는, 정상 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반의 딥러닝 모델을 이용하여 피진단자의 건강 상태가 진단될 수 있다. 본 실시예에 관하여서는 도 6 및 도 7을 참조하여 후술하도록 한다.
또 다른 실시예에서는, 환자 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반의 딥러닝 모델을 이용하여 피진단자의 건강 상태가 진단될 수 있다. 본 실시예에 관하여서는 도 8을 참조하여 후술하도록 한다.
또 다른 실시예에서는, 정상 클래스와 환자 클래스를 분류하는 분류기를 이용하여 피진단자의 건강 상태가 진단될 수 있다. 본 실시예에 관하여서는 도 9를 참조하여 후술하도록 한다.
또 다른 실시예에서는, 질병 클래스를 분류하는 분류기를 이용하여 피진단자의 건강 상태(e.g. 질병 종류)가 진단될 수 있다. 본 실시예에 관하여서는 도 10을 참조하여 후술하도록 한다.
또 다른 실시예서는, 상술한 실시예들의 조합에 기초하여 진단이 수행될 수 있다. 예를 들어, 진단 시스템(10)은 정상 클래스의 응답 정보로 트레이닝된 제1 딥러닝 모델과 환자 클래스의 응답 정보로 트레이닝된 제2 딥러닝 모델을 함께 이용하여 피진단자의 건강 상태를 진단할 수도 있다. 다른 예로서, 진단 시스템(10)은 정상 클래스와 질병 클래스를 분류하는 분류기를 이용하여 피진단자의 건강 상태를 진단할 수도 있다. 또 다른 예로서, 진단 시스템(10)은 정상 클래스의 응답 정보로 트레이닝된 제1 딥러닝 모델을 이용하여 피진단자의 질병 유무를 진단하고, 질병이 존재한다는 진단 결과에 응답하여 질병 클래스를 분류하는 분류기를 이용하여 피진단자의 질병 종류를 진단할 수도 있다.
단계 S24에서, 진단 결과가 피진단자에게 제공될 수 있다. 가령, 진단 시스템(10)은 진단 결과를 피진단자 단말(1)로 제공할 수 있다.
진단 결과는 예를 들어 피진단자의 건강 상태(e.g. 질병 유무, 질병 종류), 치료 방법 등의 정보를 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다. 치료 방법에 관한 예시는 하기의 표 5 내지 표 7을 참조하도록 한다. 표 5 내지 7은 각각 기혈의 생성 기능, 순환 기능 및 균형 조절 기능 문제를 치료하기 위한 생활요법을 예시하고 있다.
구분 생활요법
음식 3끼를 정해진 시간에 천천히 먹는다.기름진 음식, 밀가루 음식, 성질이 찬 음식을 피한다.
부드럽고 따뜻한 성질의 음식을 먹는다.
비위 기능에 도움이 되는 인삼차, 생강차, 계피차, 쑥차 등을 마신다.
운동 무리한 운동을 피하고 스트레칭, 요가, 산책과 같은 운동을 한다.기혈이 부족하면 하체 비만이 올 수 있기 때문에, 기운을 위로 끌어올릴 수 있는 상체 중심의 운동(e.g. 철봉, 상체 덤벨 운동)을 한다.
수영과 같이 차가운 물에서 운동하는 것은 피한다.
취미 활동 의도적으로 경쾌한 음악을 들으며 밝게 생활하도록 한다.
구분 생활요법
음식 순환 기능에 문제가 생기면 체내 대사물이 축적되는 경향이 있으므로 비만 관리를 위해 식사량을 조절한다.저탄수화물 고단백 식이 위주의 식사를 한다.
순환 기능에 도움이 되는 맥문동차, 뽕잎차, 율무차, 녹차 등을 마신다.
운동 피곤하다고 계속 누워있거나 30분 이상 낮잠 자는 것을 피한다.빠른 걷기, 조깅, 등산, 수영 등과 같이 땀을 많이 흘릴 수 있는 운동을 한다.
비만 상태에서는 지방 감소와 함께 운동량을 늘려나간다.
취미 활동 활동적이고 움직임이 많은 에어로빅, 댄스스포츠, 난타 등의 활동을 한다.신나는 댄스뮤직 등을 즐겨 듣는다.
구분 생활요법
음식 음기가 부족하지 않도록 하루 2리터 정도 물을 충분히 마신다.생선, 해조류, 성질이 찬 음식을 먹고, 맵고 짠 음식이나 마른 반찬은 피한다.
시원한 성질을 가진 보리차, 음기를 보강해주는 구기자차, 두충차, 산수유차 등을 마시고, 커피나 녹차와 같이 카페인 성분으로 몸을 각성시키고 항진시키는 차는 피한다.
운동 땀을 많이 빼는 운동을 피한다.음기가 부족하면 하체가 약해지므로 기운을 아래로 끌어 내릴 수 있는 하체 운동(e.g. 자전거, 맨발걷기, 뒤로 걷기, 계단 오르기, 스쿼트 등)을 한다.
하체에 중력이 가해지지 않는 수영이나 상체 운동은 피한다.
취미 활동 명상, 단전호흡, 미술, 바둑 등과 같이 정적인 활동을 한다.조용하고 편안한 음악을 듣는다.
지금까지 도 2를 참조하여 본 개시의 몇몇 실시예들에 따른 설문 기반 진단 방법에 대하여 설명하였다. 상술한 방법에 따르면, 기혈의 생성 기능, 순환 기능 및 균형 조절 기능을 진단하기 위한 복수의 설문 문항들을 이용하여 피진단자의 건강 상태가 진단될 수 있다. 한의학적 관점에서 대부분의 질병들은 위 기능들의 문제로 인해 발생되므로, 위 기능들을 진단하기 위한 설문 문항을 이용하면 피진단자의 건강 상태가 정확하게 진단될 수 있다. 나아가, 설문 기법을 이용함으로써 피진단자에게 신속하고 편리한 진단 서비스가 제공될 수 있다.
이하에서는, 도 3 이하의 도면을 참조하여 진단 방법에 관한 몇몇 실시예들에 대하여 설명하도록 한다.
먼저, 도 3 및 도 4를 참조하여 본 개시의 일 실시예에 따른 진단 방법에 대하여 설명하도록 한다.
도 3에 도시된 바와 같이, 본 실시예는 벡터 유사도에 기초하여 피진단자의 건강 상태를 진단하는 방법에 관한 것이며, 피진단자의 응답 정보를 기초로 피진단자의 건강 상태를 나타내는 상태 벡터를 생성하는 단계 S222에서 시작될 수 있다. 본 단계에서 상태 벡터를 생성하는 구체적인 방식은 다양할 수 있다.
예를 들어, 진단 시스템(10)은 제1 설문 문항의 배점을 기초로 기혈의 생성 기능에 대한 상태 벡터를 생성할 수 있다. 보다 구체적인 예로서, 제1 설문 문항이 복수의 문항으로 구성되는 경우, 각 문항의 배점을 기초로 기혈의 생성 기능에 대한 상태 벡터(e.g. 피진단자가 응답한 항목의 배점을 벡터 요소로 갖는 벡터)가 생성될 수 있다. 또한, 진단 시스템(10)은 제2 설문 문항의 배점을 기초로 기혈의 순환 기능에 대한 상태 벡터를 생성하며, 제3 설문 문항의 배점을 기초로 기혈의 균형 조절 기능에 대한 상태 벡터를 생성할 수 있다.
다른 예로서, 도 4에 도시된 바와 같이, 진단 시스템(10) 제1 설문 문항 내지 제3 설문 문항(41 내지 43)에 대한 벡터(V1 내지 V3)를 생성하고, 생성된 상태 벡터를 소정의 가중치(W1 내지 W3)를 기초로 종합하여 상태 벡터(Vstate)를 생성할 수 있다. 이러한 경우, 기혈의 생성 기능, 순환 기능 및 균형 조절 기능을 종합적으로 고려하여 상태 벡터(Vstate)가 생성될 수 있다. 본 예시에서, 가중치(W1 내지 W3)는 피진단자의 인구통계학적 특성(e.g. 성별, 연령대, 나이, 인종, 체형, BMI 등)과 질병 이력(e.g. 질병 종류, 질병에 걸린 횟수 등)에 따라 달라질 수도 있다. 가령, 기혈의 생성 기능은 비위와 밀접한 관련이 있으므로, 비위 관련 질병 이력이 존재하는 경우 제1 설문 문항에 대한 가중치(W1)가 더 높은 값으로 결정될 수 있다. 유사하게, 심폐 관련 질병 이력이 존재하는 경우에는 제2 설문 문항에 대한 가중치(W2)가 더 높은 값으로 결정될 수 있다. 또는, 하체 비만 체형인 경우 기혈의 생성 기능에 문제가 있을 가능성이 높으므로, 제1 설문 문항에 대한 가중치가 더 높은 값으로 결정될 수 있다. 유사하게, 상체 비만 체형인 경우에는 기혈의 균형 조절 기능에 문제가 있을 가능성이 높으므로, 제3 설문 문항에 대한 가중치가 더 높은 값으로 결정될 수 있다. 또는, 연령이 높을수록 대사량이 떨어져 기혈의 순환 기능에 문제가 있을 가능성이 높으므로, 피진단자의 연령대가 높아질수록 제2 설문 문항에 대한 가중치가 더 높은 값으로 결정될 수 있다.
또 다른 예로서, 도 5에 도시된 바와 같이, 진단 시스템(10)은 오토인코더 기반의 딥러닝 모델을 이용하여 상태 벡터를 생성할 수 있다. 구체적으로는, 정상 클래스 또는 환자 클래스의 응답 정보로 트레이닝된 딥러닝 모델의 인코더(52)에서 추출된 잠재 벡터(53; latent vector)를 이용하여 상태 벡터가 생성될 수 있다. 오토인코더 기반 딥러닝 모델은 기본 오토인코더(Auto-Encoder)와 그의 다양한 변형들(variations; e.g. 변이형 오토인코더)을 포함하는 것일 수 있다. 다만, 이하에서는, 이해의 편의를 제공하기 위해, 딥러닝 모델이 기본 오토인코더 구조로 이루어진 것을 가정하여 설명을 이어가도록 한다. 도 5를 참조하여 본 예시에 대하여 부연 설명하도록 한다. 도 5는 잠재 벡터(53; 또는 병목 레이어)의 차원수(d)가 3인 오토인코더 구조를 예시하고 있다.
도 5에 도시된 바와 같이, 오토인코더 기반의 딥러닝 모델은 인코더(52) 및 디코더(54)로 구성될 수 있으며, 입력된 데이터(51)와 출력된 데이터(55) 간의 복원 손실(reconstruction loss) 값에 기초하여 트레이닝될 수 있다. 당해 기술 분야의 종사자라면, 오토인코더의 구성 및 동작 원리에 대해 이미 숙지하고 있을 것인 바, 오토인코더에 대한 더 이상의 설명은 생략하도록 한다.
본 예시에서, 진단 시스템(10)은 정상 클래스 또는 환자 클래스의 응답 정보로 트레이닝된 딥러닝 모델의 인코더(52)에 피진단자의 응답 정보를 입력함으로써 잠재 벡터(53)를 추출할 수 있다. 물론, 진단 시스템(10)은 적절한 벡터화 기법(e.g. 도 4를 참조하여 설명한 방식 등)을 통해 피진단자의 응답 정보를 수치화된 형태로 변환하여 인코더(52)로 입력할 수 있다. 그리고, 진단 시스템(10)은 추출된 잠재 벡터(53)를 피진단자의 상태 벡터로 이용하거나, 추출된 잠재 벡터(53)에 추가적인 프로세싱(e.g. PCA 등)을 수행하여 상태 벡터를 생성할 수 있다.
다시 도 3을 참조하여 설명한다.
단계 S224에서, 생성된 상태 벡터와 질병 벡터와의 유사도를 기초로 피진단자의 건강 상태가 진단될 수 있다. 가령, 도 4에 도시된 바와 같이, 진단 시스템(10)은 피진단자의 상태 벡터(Vstate)와 질병 벡터(VdiseaseA, VdiseaseB)와의 유사도(e.g. 코사인 유사도 등)를 기초로 건강 상태의 이상 여부 또는 질병의 종류를 진단할 수 있다(e.g. 유사도가 가장 높은 질병을 피진단자의 질병으로 진단함).
참고로, 질병 벡터(VdiseaseA, VdiseaseB)는 해당 질병 클래스에 속한 환자들의 응답 정보에 기초하여 생성될 수 있으며, 생성 벡터와 동일 또는 유사한 방식으로 생성될 수 있다.
지금까지 도 3 내지 도 5를 참조하여 본 개시의 일 실시예에 따른 진단 방법에 대하여 설명하였다. 이하에서는, 도 6을 참조하여 본 개시의 다른 실시예에 따른 진단 방법에 대하여 설명하도록 한다.
도 6에 도시된 바와 같이, 본 실시예는 정상 클래스(normal 참고)의 응답 정보(63)로 트레이닝된 오토인코더 기반의 딥러닝 모델(60)을 이용하여 피진단자의 건강 상태를 진단하는 방법에 관한 것이다.
구체적으로, 딥러닝 모델(60)은 인코더(61) 및 디코더(62)를 포함하도록 구성될 수 있고, 정상 클래스의 응답 정보(63)를 이용하여 트레이닝될 수 있다. 가령, 진단 시스템(10)은 개별 응답 정보(64)를 딥러닝 모델(60)에 입력하고 입력된 정보(64)와 복원된 정보(65) 간의 복원 손실 값을 이용하여 딥러닝 모델(60)을 트레이닝할 수 있다(e.g. 개별 응답 정보 64는 수치화된 형태로 변환되어 딥러닝 모델 60으로 입력될 수 있음; 도 12 참조). 이때, 딥러닝 모델(60)의 내부에서는 인코더(61)를 통해 입력된 정보(64)를 잠재 벡터로 인코딩하고, 디코더(62)를 통해 잠재 벡터를 디코딩하는 과정이 수행될 수 있고, 복원 손실 값이 역전파(back-propagation)됨에 따라 인코더(61) 및 디코더(62)의 가중치 파라미터가 업데이트될 수 있다. 이러한 트레이닝 과정이 반복됨에 따라, 딥러닝 모델(60)은 정상 클래스의 응답 정보(e.g. 64)를 압축(인코딩)하고 다시 복원(디코딩)하는 능력을 구비하게 된다.
다음으로, 도 7에 도시된 바와 같이, 트레이닝된 딥러닝 모델(60)을 이용하여 피진단자의 응답 정보(71)에 대한 복원 손실 값이 산출될 수 있다. 상술한 바와 같이, 복원 손실 값은 피진단자의 응답 정보(71)와 딥러닝 모델(60)을 통해 복원된 정보(72)의 차이에 기초하여 산출될 수 있다.
다음으로, 산출된 복원 손실 값에 기초하여 피진단자의 건강 상태가 진단될 수 있다. 가령, 복원 손실 값이 기준치 이상인 경우, 진단 시스템(10)은 피진단자의 건강 상태에 이상이 있다고 판단할 수 있다. 복원 손실 값이 크다는 것은 피진단자의 응답 정보(71)가 딥러닝 모델(60)을 통해 잘 복원되지 않는 정보라는 것을 의미하고, 이는 곧 피진단자의 응답 정보(71)가 정상 클래스의 응답 정보(63)와 차이가 크다는 것을 의미하기 때문이다. 복원 손실 값이 기준치 이하라면, 진단 시스템(10)은 피진단자의 건강 상태에 이상이 없다고 판단할 수 있다.
지금까지 도 6 및 도 7을 참조하여 본 개시의 다른 실시예에 따른 진단 방법에 대하여 설명하였다. 이하에서는, 도 8을 참조하여 본 개시의 또 다른 실시예에 따른 진단 방법에 대하여 설명하도록 한다.
도 8에 도시된 바와 같이, 본 실시예는 환자 클래스(disease 참고)의 응답 정보(83)로 트레이닝된 오토인코더 기반의 딥러닝 모델(80)을 이용하여 피진단자의 건강 상태를 진단하는 방법에 관한 것이다.
구체적으로, 딥러닝 모델(80)은 인코더(81) 및 디코더(82)를 포함하도록 구성될 수 있고, 환자 클래스의 응답 정보(83)를 이용하여 트레이닝될 수 있다. 가령, 진단 시스템(10)은 개별 응답 정보(84)를 딥러닝 모델(80)에 입력하고 입력된 정보(84)와 복원된 정보(85) 간의 복원 손실 값을 이용하여 딥러닝 모델(80)을 트레이닝할 수 있다.
다음으로, 트레이닝된 딥러닝 모델(80)을 이용하여 피진단자의 응답 정보(e.g. 71)에 대한 복원 손실 값이 산출될 수 있고, 산출된 복원 손실 값에 기초하여 피진단자의 건강 상태가 진단될 수 있다. 가령, 복원 손실 값이 기준치 이상인 경우, 진단 시스템(10)은 피진단자의 건강 상태에 이상이 없다고 판단할 수 있다. 복원 손실 값이 크다는 것은 피진단자의 응답 정보(e.g. 71)가 딥러닝 모델(80)을 통해 잘 복원되지 않는 정보라는 것을 의미하고, 이는 곧 피진단자의 응답 정보(e.g. 71)가 환자 클래스의 응답 정보(83)와 차이가 크다는 것을 의미하기 때문이다. 복원 손실 값이 기준치 이하라면, 진단 시스템(10)은 피진단자의 건강 상태에 이상이 있다고 판단할 수 있다.
지금까지 도 8을 참조하여 본 개시의 또 다른 실시예에 따른 진단 방법에 대하여 설명하였다. 이하에서는, 도 9를 참조하여 본 개시의 또 다른 실시예에 따른 진단 방법에 대하여 설명하도록 한다.
도 9에 도시된 바와 같이, 본 실시예는 정상 클래스(normal 참고)와 환자 클래스(disease 참고)의 응답 정보(95)로 트레이닝된 오토인코더 기반의 딥러닝 모델(90)을 이용하여 피진단자의 건강 상태를 진단하는 방법에 관한 것이다.
구체적으로, 딥러닝 모델(90)은 인코더(91), 디코더(92) 및 분류기(93)를 포함하도록 구성될 수 있다. 이때, 분류기(93)는 입력된 잠재 벡터(94)를 정상 클래스와 환자 클래스로 분류하는 역할을 담당할 수 있다.
상술한 바와 같이, 딥러닝 모델(90)은 정상 클래스와 환자 클래스의 응답 정보(95)를 이용하여 트레이닝될 수 있다. 가령, 진단 시스템(10)은 정상 클래스 또는 환자 클래스의 개별 응답 정보(96)에 대한 복원 손실 값을 이용하여 인코더(91)와 디코더(92)를 트레이닝할 수 있다. 복원 손실 값은 입력된 응답 정보(96)과 복원된 정보(97) 간의 차이에 기초하여 산출될 수 있다. 또한, 진단 시스템(10)은 입력된 응답 정보(96)에서 추출된 잠재 벡터(94)를 분류기(93)에 입력하여 잠재 벡터(94)에 대한 분류 손실(classification loss) 값을 산출할 수 있다. 분류 손실 값은 분류기(93)를 통해 예측된 클래스와 정답 클래스의 차이(즉, 클래스별 컨피던스 스코어의 차이)에 기초하여 산출될 수 있다. 또한, 진단 시스템(10)은 디코더(92)를 프리징(freezing)한 상태에서 분류 손실 값을 이용하여 분류기(93)와 인코더(91)를 트레이닝할 수 있다. 그렇게 함으로써, 인코더(91)가 클래스 분류에 적합한 잠재 벡터(94)를 추출하도록 학습될 수 있다.
다음으로, 트레이닝된 딥러닝 모델(90)을 이용하여 피진단자의 응답 정보(e.g. 71)에서 잠재 벡터(e.g. 94)가 추출될 수 있고, 분류기(93)를 통해 잠재 벡터(e.g. 94)에 대한 클래스별 컨피던스 스코어(e.g. 정상 클래스 또는 환자 클래스에 대한 컨피던스 스코어)가 산출될 수 있다.
다음으로, 클래스별 컨피던스 스코어를 기초로 피진단자의 건강 상태가 진단될 수 있다. 가령, 환자 클래스의 컨피던스 스코어가 기준치 이상(또는 정상 클래스의 컨피던스 스코어가 기준치 이하)인 경우, 진단 시스템(10)은 피진단자의 건강 상태에 이상이 있다고 판단할 수 있다. 반대의 경우라면, 진단 시스템(10)은 피진단자의 건강 상태에 이상이 없다고 판단할 수 있다.
지금까지 도 9를 참조하여 본 개시의 또 다른 실시예에 따른 진단 방법에 대하여 설명하였다. 이하에서는, 도 10을 참조하여 본 개시의 또 다른 실시예에 따른 진단 방법에 대하여 설명하도록 한다.
도 10에 도시된 바와 같이, 본 실시예는 서로 다른 질병 클래스(disease A, B 참고)에 속한 환자들의 응답 정보(105)로 트레이닝된 오토인코더 기반 딥러닝 모델(100)을 이용하여 피진단자의 질병 종류를 진단하는 방법에 관한 것이다.
구체적으로, 딥러닝 모델(100)은 인코더(101), 디코더(102) 및 분류기(103)를 포함하도록 구성될 수 있다. 이때, 분류기(103)는 입력된 잠재 벡터(104)를 제1 질병 클래스(disease A 참고)와 제2 질병 클래스(disease B 참고)로 분류하는 역할을 담당할 수 있다. 물론, 분류기(103)는 제3 질병 클래스에 대한 분류를 더 수행할 수도 있다.
상술한 바와 같이, 딥러닝 모델(100)은 서로 다른 질병 클래스에 속한 환자들의 응답 정보(105)를 이용하여 트레이닝될 수 있다. 가령, 진단 시스템(10)은 특정 질병 클래스에 속한 환자의 개별 응답 정보(106)에 대한 복원 손실 값을 이용하여 인코더(101)와 디코더(102)를 트레이닝할 수 있다. 복원 손실 값은 입력된 응답 정보(106)과 복원된 정보(107) 간의 차이에 기초하여 산출될 수 있다. 또한, 진단 시스템(10)은 입력된 응답 정보(106)에서 추출된 잠재 벡터(104)를 분류기(103)에 입력하여 잠재 벡터(104)에 대한 분류 손실 값을 산출할 수 있다. 분류 손실 값은 분류기(103)를 통해 예측된 질병 클래스와 정답 클래스의 차이(즉, 클래스별 컨피던스 스코어의 차이)에 기초하여 산출될 수 있다. 또한, 진단 시스템(10)은 디코더(102)를 프리징한 상태에서 분류 손실 값을 이용하여 분류기(103)와 인코더(101)를 트레이닝할 수 있다. 그렇게 함으로써, 인코더(101)가 질병 클래스 분류에 적합한 잠재 벡터(104)를 추출하도록 학습될 수 있다.
다음으로, 트레이닝된 딥러닝 모델(100)을 이용하여 피진단자의 응답 정보(e.g. 71)에서 잠재 벡터(e.g. 104)가 추출될 수 있고, 분류기(103)를 통해 잠재 벡터(e.g. 104)에 대한 질병 클래스별 컨피던스 스코어가 산출될 수 있다.
다음으로, 클래스별 컨피던스 스코어를 기초로 피진단자의 질병 종류가 진단될 수 있다. 가령, 제1 질병 클래스의 컨피던스 스코어가 기준치 이상인 경우, 진단 시스템(10)은 피진단자가 제1 질병에 걸린 것으로 판단할 수 있다.
지금까지 도 3 내지 도 10을 참조하여 진단 방법에 관한 몇몇 실시예들에 대하여 설명하였다. 상술한 방법에 따르면, 벡터 공간에서의 유사도를 이용하거나, 정상 클래스 또는 환자 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 이용하여 피진단자의 건강 상태가 정확하게 진단될 수 있다. 나아가, 질병 클래스를 분류하는 분류기를 이용하여 질병의 종류까지 정확하게 진단될 수 있다.
한편, 다양한 이유로 피진단자가 제공한 응답 정보에 결측치(즉, 특정 설문 항목에 대한 미응답)가 존재하는 경우가 있을 수 있다. 이러한 경우, 진단 시스템(10)은 피진단자에게 결측치 보정을 요청할 수도 있고, 피진단자의 편의성을 위해 자동 결측치 보정을 수행할 수도 있다. 이하에서는, 도 11 및 도 12를 참조하여 진단 시스템(10)이 자동 결측치 보정을 수행하는 방법에 관하여 상세하게 설명하도록 한다.
도 11은 본 개시의 일 실시예에 따른 결측치 보정 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 11에 도시된 바와 같이, 본 실시예는 설문 응답자의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 획득하는 단계 S110에서 시작될 수 있다. 가령, 도 12에 도시된 바와 같이, 진단 시스템(10)은 인코더(121) 및 디코더(122)로 구성되고 응답 정보로 트레이닝된 딥러닝 모델(120)을 획득할 수 있다.
일 예에서는, 설문 응답자의 클래스가 인구통계학적 특성 및/또는 질병 이력에 따라 분류되고, 클래스별로 딥러닝 모델이 구축될 수 있다. 가령, 제1 클래스에 속한 설문 응답자의 응답 정보를 이용하여 제1 딥러닝 모델이 구축되고, 제2 클래스에 속한 설문 응답자의 응답 정보를 이용하여 제2 딥러닝 모델이 구축될 수 있다. 이러한 경우, 진단 시스템(10)은 복수개의 딥러닝 모델들 중에서 피진단자와 매칭되는 모델을 결정하여 결측치 보정에 이용할 수 있다. 가령, 진단 시스템(10)은 피진단자의 인구통계학적 특성 및/또는 질병 이력에 매칭되는 딥러닝 모델을 이용할 수 있고, 그렇게 함으로써 결측치 보정의 정확도가 더욱 향상될 수 있다.
단계 S112에서, 피진단자의 응답 정보의 결측치에 특정 값이 할당될 수 있다. 가령, 도 12에 도시된 바와 같이, 진단 시스템(10)은 피진단자의 응답 정보(123)에 존재하는 결측치(124)에 특정 값을 할당할 수 있다. 특정 값은 예를 들어 피진단자와 인구통계학적 특성 및/또는 질병 이력이 동일(또는 유사)한 설문 응답자들의 대표적인 응답 값(e.g. 평균값, 중간값, 최빈값 등), 0 값, 랜덤 값 등이 될 수 있을 것이나, 이에 한정되는 것은 아니다.
단계 S112가 반복 수행되는 경우에는, 이전과 다른 값이 결측치에 할당될 수 있다. 가령, 진단 시스템(10)은 이전과 다른 랜덤 값을 할당하거나 복원 손실 값이 감소하는 방향으로 새로운 값을 할당(e.g. 결측치 124의 값이 작아질수록 복원 손실 값이 감소하는 경우 이전보다 작은 값을 할당함)할 수 있다.
단계 S114에서, 트레이닝된 딥러닝 모델을 이용하여 복원 손실 값이 산출될 수 있다. 가령, 도 12에 도시된 바와 같이, 진단 시스템(10)은 결측치(124)가 채워진 응답 정보(123)를 딥러닝 모델(120)에 입력하여 복원 손실 값을 산출할 수 있다. 이때, 응답 정보(123)는 적절한 벡터화 기법을 통해 수치화된 데이터(125)로 변환되고, 복원 손실 값은 입력 데이터(125)와 복원된 데이터(126) 간의 차이에 기초하여 산출될 수 있다.
단계 S116에서, 복원 손실 값이 기준치 이하인지 여부가 판단될 수 있다. 판단 결과에 따라 단계 S118이 수행될 수도 있고, 단계 S112 내지 S116이 다시 수행될 수도 있다.
기준치는 고정 값 또는 상황에 따라 달라지는 변동 값일 수도 있다. 예를 들어, 기준치는 피진단자의 인구통계학적 특성 및/또는 질병 이력에 따라 달라지는 변동 값일 수 있다. 보다 구체적인 예로서, 피진단자에게 질병 이력이 존재하는 경우, 결측치를 보다 엄격하게 보정하기 위해 기준치는 다른 경우보다 작은 값으로 설정될 수 있다. 반대의 경우라면, 기준치는 다른 경우보다 큰 값으로 설정될 수 있다. 다른 예로서, 피진단자의 연령이 고령인 경우에도, 기준치는 다른 경우보다 작은 값으로 설정될 수 있다. 반대의 경우라면, 기준치는 다른 경우보다 큰 값으로 설정될 수 있다.
일 실시예에서는, 지정된 종료 조건이 만족될 때까지 단계 S112 내지 단계 S116이 반복적으로 수행될 수 있다. 예를 들어, 진단 시스템(10)은 복원 손실 값이 기준치 이하가 될 때까지 할당 값을 변경해가며 상술한 단계들을 반복 수행할 수 있다. 또는, 진단 시스템(10)은 지정된 반복횟수에 도달할 때까지 상술한 단계들을 반복 수행하고, 기준치 이하의 복원 손실 값이 산출되지 않아 지정된 반복횟수를 초과한 경우에는 피진단자에게 결측치 보정을 요청할 수도 있다.
단계 S118에서, 할당된 값으로 결측치가 보정될 수 있다.
지금까지 도 11 및 도 12를 참조하여 본 개시의 일 실시예들에 따른 결측치 보정 방법에 대하여 설명하였다. 상술한 방법에 따르면, 응답 정보의 특성을 학습한 오토인코더 기반의 딥러닝 모델(120)을 이용함으로써 결측치 보정이 정확하게 수행될 수 있다.
이하에서는, 도 13을 참조하여 본 개시의 몇몇 실시예들에 따른 진단 시스템(10)을 구현할 수 있는 예시적인 컴퓨팅 장치(130)에 대하여 설명하도록 한다.
도 13은 컴퓨팅 장치(130)를 나타내는 예시적인 하드웨어 구성도이다.
도 13에 도시된 바와 같이, 컴퓨팅 장치(130)는 하나 이상의 프로세서(131), 버스(133), 통신 인터페이스(134), 프로세서(131)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(132)와, 컴퓨터 프로그램(136)을 저장하는 스토리지(135)를 포함할 수 있다. 다만, 도 13에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 13에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 즉, 컴퓨팅 장치(130)에는, 도 13에 도시된 구성 요소 이외에도 다양한 구성 요소가 더 포함될 수 있다. 또한, 경우에 따라, 도 13에 도시된 구성요소들 중 일부가 생략된 형태로 컴퓨팅 장치(130)가 구성될 수도 있다. 이하, 컴퓨팅 장치(130)의 각 구성요소에 대하여 설명한다.
프로세서(131)는 컴퓨팅 장치(130)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(131)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(131)는 본 개시의 실시예들에 따른 동작/방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(130)는 하나 이상의 프로세서를 구비할 수 있다.
다음으로, 메모리(132)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(132)는 본 개시의 실시예들에 따른 동작/방법을 실행하기 위하여 스토리지(135)로부터 컴퓨터 프로그램(136)을 로드할 수 있다. 메모리(132)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
다음으로, 버스(133)는 컴퓨팅 장치(130)의 구성 요소 간 통신 기능을 제공할 수 있다. 버스(133)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
다음으로, 통신 인터페이스(134)는 컴퓨팅 장치(130)의 유무선 인터넷 통신을 지원할 수 있다. 또한, 통신 인터페이스(134)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(134)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
다음으로, 스토리지(135)는 하나 이상의 컴퓨터 프로그램(136)을 비임시적으로 저장할 수 있다. 스토리지(135)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
다음으로, 컴퓨터 프로그램(136)은 메모리(132)에 로드될 때 프로세서(131)로 하여금 본 개시의 다양한 실시예들에 따른 동작/방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다. 즉, 프로세서(131)는 상기 하나 이상의 인스트럭션을 실행함으로써, 본 개시의 다양한 실시예에 따른 동작/방법을 수행할 수 있다.
예를 들어, 컴퓨터 프로그램(136)은 복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 동작 및 획득된 응답 정보를 기초로 피진단자에 대한 진단을 수행하는 동작을 수행하는 하나 이상의 인스트럭션을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(130)를 통해 본 개시의 몇몇 실시예들에 따른 진단 시스템(10)이 구현될 수 있다.
지금까지 도 13을 참조하여 본 개시의 몇몇 실시예들에 따른 진단 시스템(10)을 구현할 수 있는 예시적인 컴퓨팅 장치(130)에 대하여 설명하였다.
지금까지 도 1 내지 도 13을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (11)

  1. 적어도 하나의 컴퓨팅 장치에 의해 수행되는 설문 기반 진단 방법으로서,
    복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 단계 - 상기 복수의 설문 문항은 기혈 생성 기능을 진단하기 위한 제1 설문 문항, 기혈 순환 기능을 진단하기 위한 제2 설문 문항 및 기혈의 균형 조절 기능을 진단하기 위한 제3 설문 문항을 포함함 -; 및
    상기 획득된 응답 정보를 기초로 상기 피진단자에 대한 진단을 수행하는 단계를 포함하는,
    설문 기반 진단 방법.
  2. 제1항에 있어서,
    상기 진단을 수행하는 단계는,
    상기 응답 정보를 기초로 상기 피진단자의 건강 상태를 나타내는 상태 벡터를 생성하는 단계; 및
    상기 생성된 상태 벡터와 질병 벡터와의 유사도를 기초로 상기 피진단자의 건강 상태를 진단하는 단계를 포함하는,
    설문 기반 진단 방법.
  3. 제2항에 있어서,
    상기 상태 벡터를 생성하는 단계는,
    상기 제1 설문 문항 내지 상기 제3 설문 문항의 배점을 기초로 각각의 설문 문항에 대한 벡터를 생성하는 단계; 및
    상기 생성된 벡터를 상기 각각의 설문 문항에 대한 가중치를 기초로 종합하여 상기 상태 벡터를 생성하는 단계를 포함하되,
    상기 가중치는 상기 피진단자의 인구통계학적 특성과 질병 이력에 따라 달라지는,
    설문 기반 진단 방법.
  4. 제2항에 있어서,
    상기 상태 벡터를 생성하는 단계는,
    상기 복수의 설문 문항에 대한 환자 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 획득하는 단계;
    상기 획득된 딥러닝 모델을 이용하여 상기 획득된 응답 정보에 대한 잠재 벡터(latent vector)를 추출하는 단계; 및
    상기 추출된 잠재 벡터를 기초로 상기 상태 벡터를 생성하는 단계를 포함하는,
    설문 기반 진단 방법.
  5. 제1항에 있어서,
    상기 진단을 수행하는 단계는,
    상기 복수의 설문 문항에 대한 정상 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 획득하는 단계;
    상기 획득된 딥러닝 모델을 이용하여 상기 획득된 응답 정보에 대한 복원 손실(reconstruction loss) 값을 산출하는 단계; 및
    상기 산출된 복원 손실 값을 기초로 상기 피진단자의 건강 상태를 진단하는 단계를 포함하는,
    설문 기반 진단 방법.
  6. 제1항에 있어서,
    상기 진단을 수행하는 단계는,
    상기 복수의 설문 문항에 대한 정상 클래스와 환자 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 획득하는 단계 - 상기 딥러닝 모델은 인코더, 디코더 및 상기 정상 클래스와 상기 환자 클래스를 분류하는 분류기를 포함하고, 상기 인코더 및 디코더는 복원 손실(reconstruction loss) 값을 기초로 트레이닝된 것이며, 상기 인코더는 상기 디코더가 프리징(freezing)된 상태에서 잠재 벡터(latent vector)에 대한 상기 분류기의 분류 손실(classification loss) 값을 기초로 더 트레이닝된 것임 - ;
    상기 인코더를 통해 상기 획득된 응답 정보에 대한 잠재 벡터를 추출하는 단계;
    상기 분류기를 통해 상기 추출된 잠재 벡터에 대한 클래스별 컨피던스 스코어를 획득하는 단계; 및
    상기 획득된 컨피던스 스코어를 기초로 상기 피진단자의 건강 상태를 진단하는 단계를 포함하는,
    설문 기반 진단 방법.
  7. 제1항에 있어서,
    상기 진단을 수행하는 단계는,
    상기 복수의 설문 문항에 대한 환자 클래스의 응답 정보를 이용하여 트레이닝된 오토인코더 기반 딥러닝 모델을 획득하는 단계 - 상기 환자 클래스는 제1 질병 클래스와 제2 질병 클래스의 환자로 구성되고, 상기 제1 질병 클래스는 상기 제2 질병 클래스와 다른 질병의 클래스이며, 상기 딥러닝 모델은 인코더, 디코더 및 상기 제1 질병 클래스와 상기 제2 질병 클래스를 분류하는 분류기를 포함하고, 상기 인코더 및 디코더는 복원 손실(reconstruction loss) 값을 기초로 트레이닝된 것이며, 상기 인코더는 상기 디코더가 프리징(freezing)된 상태에서 잠재 벡터(latent vector)에 대한 상기 분류기의 분류 손실(classification loss) 값을 기초로 더 트레이닝된 것임- ;
    상기 인코더를 통해 상기 획득된 응답 정보에 대한 잠재 벡터를 추출하는 단계;
    상기 분류기를 통해 상기 추출된 잠재 벡터에 대한 클래스별 컨피던스 스코어를 획득하는 단계; 및
    상기 획득된 컨피던스 스코어를 기초로 상기 피진단자의 질병 종류를 진단하는 단계를 포함하는,
    설문 기반 진단 방법.
  8. 제1항에 있어서,
    상기 획득된 응답 정보는 특정 설문 문항에 대한 결측치를 포함하고,
    상기 진단을 수행하는 단계는,
    상기 복수의 설문 문항에 대한 응답 정보를 이용하여 트레이닝된 오토인코더 기반의 딥러닝 모델을 획득하는 단계;
    상기 결측치에 특정 값을 할당하는 단계;
    상기 획득된 딥러닝 모델을 이용하여 상기 특정 값이 할당된 응답 정보에 대한 복원 손실(reconstruction loss) 값을 산출하는 단계;
    상기 산출된 복원 손실 값이 기준치 이하라는 판단에 응답하여, 상기 특정 값으로 상기 결측치를 보정하는 단계; 및
    상기 결측치가 보정된 응답 정보를 기초로 상기 피진단자에 대한 보정을 수행하는 단계를 포함하는,
    설문 기반 진단 방법.
  9. 제8항에 있어서,
    상기 딥러닝 모델을 획득하는 단계는,
    상기 복수의 설문 문항에 대한 제1 클래스의 응답 정보를 이용하여 트레이닝된 제1 딥러닝 모델과 제2 클래스의 응답 정보를 이용하여 트레이닝된 제2 딥러닝 모델을 획득하는 단계 - 상기 제1 클래스는 상기 제2 클래스와 다른 인구통계학적 특성을 갖는 설문 응답자의 클래스임 - ; 및
    상기 제1 딥러닝 모델과 상기 제2 딥러닝 모델 중에서 상기 피진단자의 인구통계학적 특성에 매칭되는 딥러닝 모델을 결정하는 단계를 포함하는,
    설문 기반 진단 방법.
  10. 하나 이상의 프로세서; 및
    하나 이상의 인스트럭션을 저장하는 메모리를 포함하고,
    상기 하나 이상의 프로세서는,
    상기 저장된 하나 이상의 인스트럭션을 실행함으로써,
    복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 동작 - 상기 복수의 설문 문항은 기혈 생성 기능을 진단하기 위한 제1 설문 문항, 기혈 순환 기능을 진단하기 위한 제2 설문 문항 및 기혈의 균형 조절 기능을 진단하기 위한 제3 설문 문항을 포함함 - 및
    상기 획득된 응답 정보를 기초로 상기 피진단자에 대한 진단을 수행하는 동작을 수행하는,
    설문 기반 진단 시스템.
  11. 컴퓨팅 장치와 결합되어,
    복수의 설문 문항에 대한 피진단자의 응답 정보를 획득하는 단계 - 상기 복수의 설문 문항은 기혈 생성 기능을 진단하기 위한 제1 설문 문항, 기혈 순환 기능을 진단하기 위한 제2 설문 문항 및 기혈의 균형 조절 기능을 진단하기 위한 제3 설문 문항을 포함함 -; 및
    상기 획득된 응답 정보를 기초로 상기 피진단자에 대한 진단을 수행하는 단계를 실행시키기 위하여 컴퓨터 판독가능한 기록매체에 저장된,
    컴퓨터 프로그램.
PCT/KR2022/019830 2022-01-25 2022-12-07 설문 기반 진단 방법 및 그 시스템 WO2023146120A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220010737A KR20230114501A (ko) 2022-01-25 2022-01-25 설문 기반 진단 방법 및 그 시스템
KR10-2022-0010737 2022-01-25

Publications (1)

Publication Number Publication Date
WO2023146120A1 true WO2023146120A1 (ko) 2023-08-03

Family

ID=87472242

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/019830 WO2023146120A1 (ko) 2022-01-25 2022-12-07 설문 기반 진단 방법 및 그 시스템

Country Status (2)

Country Link
KR (1) KR20230114501A (ko)
WO (1) WO2023146120A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102650247B1 (ko) * 2023-10-20 2024-03-22 (주)엠아이티소프트 머신러닝 기반의 가중치 보정기법을 이용하는 기숙사 룸메이트 추천 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100034969A (ko) * 2008-09-25 2010-04-02 송태용 온라인 건강 멘토 서비스 제공 방법
JP4897937B2 (ja) * 2009-08-06 2012-03-14 株式会社キャメッド 自動問診システム、自動問診プログラム及び自動問診方法
KR102116664B1 (ko) * 2017-12-27 2020-05-29 서울대학교병원 온라인 기반의 건강 관리 방법 및 장치
KR20200080290A (ko) * 2018-09-19 2020-07-06 보에 테크놀로지 그룹 컴퍼니 리미티드 기계-보조 대화 시스템 및 의학적 상태 문의 장치 및 방법
KR20210055897A (ko) * 2019-11-08 2021-05-18 연세대학교 원주산학협력단 스트레스 측정기

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200022113A (ko) 2018-08-22 2020-03-03 주식회사 위담바이오 한방 진단 처방 및 건강 코디네이터 서비스 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100034969A (ko) * 2008-09-25 2010-04-02 송태용 온라인 건강 멘토 서비스 제공 방법
JP4897937B2 (ja) * 2009-08-06 2012-03-14 株式会社キャメッド 自動問診システム、自動問診プログラム及び自動問診方法
KR102116664B1 (ko) * 2017-12-27 2020-05-29 서울대학교병원 온라인 기반의 건강 관리 방법 및 장치
KR20200080290A (ko) * 2018-09-19 2020-07-06 보에 테크놀로지 그룹 컴퍼니 리미티드 기계-보조 대화 시스템 및 의학적 상태 문의 장치 및 방법
KR20210055897A (ko) * 2019-11-08 2021-05-18 연세대학교 원주산학협력단 스트레스 측정기

Also Published As

Publication number Publication date
KR20230114501A (ko) 2023-08-01

Similar Documents

Publication Publication Date Title
US20230054751A1 (en) Method and apparatus for classifying electroencephalogram signal, method and apparatus for training classification model, and electronic device and computer-readable storage medium
Bao et al. Automatically evaluating balance: a machine learning approach
JP7057589B2 (ja) 医療情報処理システム、歩行状態定量化方法およびプログラム
WO2023146120A1 (ko) 설문 기반 진단 방법 및 그 시스템
JP2011520207A (ja) 治療計画の立案を支援するシステム及び方法
Mansfield et al. Promoting Optimal Physical Exercise for Life: An Exercise and Self‐Management Program to Encourage Participation in Physical Activity after Discharge from Stroke Rehabilitation—A Feasibility Study
KR20150025629A (ko) 환자맞춤형질환정보제공 단말기
Mikos et al. Regression analysis of gait parameters and mobility measures in a healthy cohort for subject-specific normative values
Alcântara et al. Different error size during locomotor adaptation affects transfer to overground walking poststroke
CN110693500A (zh) 平衡能力的练习评估方法、装置、服务器和存储介质
WO2024090758A1 (ko) 심장재활 맞춤형 컨텐츠 제공 장치 및 방법
JP2002024405A (ja) インターネットを用いた体力評価システム及びそれを適用する体力評価方法
CN116825335B (zh) 帕金森患者步态的预后效果的预测模型训练的方法和设备
US20240008813A1 (en) Smart wearable device and method for estimating traditional medicine system parameters
US20200312455A1 (en) Systems and methods for determining health condition of an individual
WO2021242010A1 (ko) 학습 모델 기반의 아토피 피부염 관리 장치 및 그 방법
Al-Naime et al. IoT based pre-operative prehabilitation program monitoring model: Implementation and preliminary evaluation
KR102296885B1 (ko) 사용자 맞춤형 헬스 해빗 서비스 장치
US20200381118A1 (en) Artificial intelligence (ai) system for individual health maintenance recommendations
Hegendörfer et al. Breathlessness in older adults: what we know and what we still need to know
JP2023529193A (ja) 被験者のフレイルスコアを客観的に決定する方法および装置
KR20220037555A (ko) 맞춤형 운동 영상 생성 방법 및 시스템
WO2023080504A1 (ko) 라이프로그를 기준으로 건강 검진 정보를 제공하는 방법 및 서비스 장치
WO2022260046A1 (ja) 被験者の状態を推定するためのコンピュータシステム、方法、およびプログラム
Karapınar et al. Effectiveness of supervised and functional level-based exercise program in elderly inpatients: Randomised controlled trial

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: 22924373

Country of ref document: EP

Kind code of ref document: A1