WO2024025136A1 - 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 - Google Patents

다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 Download PDF

Info

Publication number
WO2024025136A1
WO2024025136A1 PCT/KR2023/007905 KR2023007905W WO2024025136A1 WO 2024025136 A1 WO2024025136 A1 WO 2024025136A1 KR 2023007905 W KR2023007905 W KR 2023007905W WO 2024025136 A1 WO2024025136 A1 WO 2024025136A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
tissue
tests
test
optimal
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/007905
Other languages
English (en)
French (fr)
Inventor
김태정
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Catholic University of Korea
Original Assignee
Industry Academic Cooperation Foundation of Catholic University of Korea
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 Industry Academic Cooperation Foundation of Catholic University of Korea filed Critical Industry Academic Cooperation Foundation of Catholic University of Korea
Publication of WO2024025136A1 publication Critical patent/WO2024025136A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks

Definitions

  • This disclosure relates to a digital image analysis method device and method. More specifically, the present disclosure relates to an apparatus and method for proposing an optimal biomarker analysis method based on multi-information analysis.
  • slides are digitized, they can be analyzed numerically using computer algorithms, improving accuracy and efficiency in diagnosing diseases, and reducing human error and time required.
  • a pathology department may use a microscope to diagnose cancer cells through tissue from a patient's specimen.
  • a pathology department may use a microscope to diagnose cancer cells through tissue from a patient's specimen.
  • KR Patent Registration No. 11-348239 discloses an “integrated pathological image information management system that comprehensively manages all stages of a pathological examination using image information.”
  • An integrated pathological image information management system that manages all stages of a pathological examination using image information, comprising: a reception terminal that registers specimens for pathological examination; A visual inspection terminal that generates image information, audio information, and text information for the specimen while the inspector performs a visual inspection and displays these information on the screen (the audio information and text information are converted into electronic documents and constitute opinion information).
  • a microscopy examination terminal that generates image information and text information of the specimen while the examiner performs a microscopic examination (the text information is converted into an electronic document and constitutes finding information);
  • a reading terminal that displays image information and opinion information generated from the visual inspection terminal or the microscopic inspection terminal on a single screen, and divides a plurality of inspection processes performed in the pathological inspection into stages and displays them on the screen as a list; and a management server that processes image information and opinion information generated from the reception terminal, the visual inspection terminal, and the microscopic inspection terminal, and the patient's clinical information.
  • the purpose of the embodiments disclosed in the present disclosure is to provide appropriate treatment for each patient according to priority through biomarkers and multiple analyzes on paraffin-embedded tissue.
  • a method of proposing an optimal biomarker analysis method based on multi-information analysis includes receiving digital image information of a tissue embedded in paraffin and storage information of the tissue. , based on the digital image information and the storage information, calculating the amount of paraffin section that can be extracted from the tissue, calculating the amount of nucleic acid required for each of a plurality of tests, the calculated amount of paraffin section, and Based on the amount of nucleic acid, determining whether at least one of the plurality of tests is successful and based on the determination result of each of the plurality of tests, determines the optimal one of the plurality of tests for the tissue. It may include the step of selecting a test.
  • the above multiple tests include EGFR (epidermal growth factor receptor) test, BRAF (B-type Raf Kinase) test, ROS1 test, PD-L1 (Programmed Death-Ligand 1) test, ALK test, ddPCR test, and NGS test.
  • Some of the genetic tests may include:
  • the digital image information may include at least one of information about the size of the tissue, the state of formalin fixation of the tissue, or quality evaluation of the digital image.
  • the storage information of the tissue includes at least one of information about storage temperature, storage location, or storage period, and the storage location information may include information about indoors or outdoors.
  • the computer learns an artificial intelligence model using the amount of paraffin section and the amount of nucleic acid, which are built based on the digital image information and the analysis information for each of the plurality of digital images, and the artificial intelligence model may be characterized in that a method of selecting an optimal test among the plurality of tests for the tissue is learned.
  • learning information for predicting at least one of the size of the tissue, the formalin fixation state of the tissue, the number of cancer cells, and the degenerative state of the tissue can be constructed.
  • the input information of the artificial intelligence model includes the storage information, the thickness of the paraffin section, information about quality evaluation of the digital image, information about the plurality of tests, and criteria for determining the priority of the plurality of tests. It includes at least one, and the output information of the artificial intelligence model may include at least one of an optimal value of the thickness of the paraffin section and the amount of paraffin section that enables maximum examination among a plurality of tests on the tissue.
  • An apparatus for proposing an optimal biomarker analysis method based on multi-information analysis includes a database, a communication unit that receives digital image information of paraffin-embedded tissue and storage information of the tissue, and the digital image information and the Based on the storage information, calculate the amount of paraffin section that can be extracted from the tissue, calculate the amount of nucleic acid required for each of a plurality of tests, and calculate the amount of nucleic acid required for each of the plurality of tests, based on the calculated amount of paraffin section and the amount of nucleic acid, A processor configured to determine success or failure of at least one of the tests and select an optimal test among the plurality of tests for the tissue based on the judgment result of each of the plurality of tests. It can be included.
  • FIG. 1 is a block diagram of an apparatus for proposing an optimal biomarker analysis method based on multi-information analysis according to an embodiment of the present disclosure.
  • Figure 2 is a block diagram illustrating the input and output of an optimal biomarker analysis method proposal device based on multi-information analysis according to an embodiment of the present disclosure.
  • Figure 3 is a block diagram of an apparatus for proposing an optimal biomarker analysis method based on multi-information analysis including an artificial intelligence model according to an embodiment of the present disclosure.
  • Figure 4 is a flowchart of a method for proposing an optimal biomarker analysis method based on multi-information analysis according to an embodiment of the present disclosure.
  • Figure 5 is a flowchart of a method for proposing an optimal biomarker analysis method based on multi-information analysis according to an embodiment of the present disclosure.
  • first and second are used to distinguish one component from another component, and the components are not limited by the above-mentioned terms.
  • the identification code for each step is used for convenience of explanation.
  • the identification code does not explain the order of each step, and each step may be performed differently from the specified order unless a specific order is clearly stated in the context. there is.
  • the 'device for proposing an optimal biomarker analysis method based on multi-information analysis according to the present disclosure' includes various devices that can perform computational processing and provide results to the user.
  • the device for proposing the optimal biomarker analysis method based on multi-information analysis according to the present disclosure may include all of a computer, a server device, and a portable terminal, or may take the form of any one.
  • the computer may include, for example, a laptop, desktop, laptop, tablet PC, slate PC, etc. equipped with a web browser.
  • the server device is a server that processes information by communicating with external devices, and may include an application server, computing server, database server, file server, game server, mail server, proxy server, and web server.
  • the portable terminal is, for example, a wireless communication device that guarantees portability and mobility, such as PCS (Personal Communication System), GSM (Global System for Mobile communications), PDC (Personal Digital Cellular), PHS (Personal Handyphone System), and PDA. (Personal Digital Assistant), IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), WiBro (Wireless Broadband Internet) terminal, smart phone ), all types of handheld wireless communication devices, and wearable devices such as watches, rings, bracelets, anklets, necklaces, glasses, contact lenses, or head-mounted-device (HMD). may include.
  • PCS Personal Communication System
  • GSM Global System for Mobile communications
  • PDC Personal Digital Cellular
  • PHS Personal Handyphone System
  • PDA Personal Digital Assistant
  • IMT International Mobile Telecommunication
  • CDMA Code Division Multiple Access
  • W-CDMA Wideband Code Division Multiple Access
  • WiBro Wireless Broadband Internet
  • smart phone smart phone
  • FIG. 1 is a block diagram of an apparatus for proposing an optimal biomarker analysis method based on multi-information analysis according to an embodiment of the present disclosure.
  • an apparatus 100 for proposing an optimal biomarker analysis method based on multi-information analysis may include a processor 102, a communication unit 104, and a database 106.
  • device 100 may include fewer or more components than those shown in FIG. 1 .
  • the device 100 for proposing an optimal biomarker analysis method based on multi-information analysis is configured as a server and can receive the digital image 10 of the slide through wired or wireless communication, and at this time, the communication unit 104 is a wired communication module. It may be composed of a communication unit (not shown) or a wireless communication module (not shown). As another example, an external device (not shown) existing outside the multi-information analysis-based optimal biomarker analysis method proposal device 100 may be additionally included, and the external device (not shown) may be used to display the digital image 10 of the slide. By receiving, digital image 10 information can be generated and processed from the digital image 10 and transmitted to the device 100.
  • the processor 102 can comprehensively control all components within the apparatus 100 for proposing an optimal biomarker analysis method based on multi-information analysis, and executes the database 106, instructions and algorithms stored in the memory, according to an embodiment of the present disclosure.
  • the optimal biomarker analysis method based on multi-information analysis can be proposed according to the process.
  • the processor 102 may receive information on the digital image 10 of tissue embedded in paraffin from the communication unit 104.
  • a digital image 10 may be obtained from the slide on which the patient's specimen was collected. Paraffin blocks or paraffin sections can be obtained through surgery or biopsy.
  • the digital image 10 may include a first digital image 10_1 to an N-th digital image 10_N, and the device 100 uses information of the N digital images 10 as input to perform a process described later. It can be trained through an artificial learning model.
  • Digital image information may include information about the size of the tissue, the state of formalin fixation of the tissue, or quality assessment of the digital image.
  • the processor 102 may receive storage information on tissue embedded in paraffin from the communication unit 104.
  • Storage information for a tissue may include information about storage temperature, storage location, or storage period.
  • Information about storage locations may include information about indoors or outdoors.
  • the processor 102 calculates the amount of paraffin section that can be extracted from the tissue based on digital image information and storage information, calculates the amount of nucleic acid required for each of a plurality of tests, calculates the calculated amount of paraffin section, and Based on the amount of nucleic acid, success or failure is determined for at least one of the plurality of tests, and based on the judgment results of each of the plurality of tests, the optimal test among the plurality of tests is selected for the tissue. You can.
  • EGFR epidermal growth factor receptor
  • BRAF B-type Raf Kinase
  • ROS1 ROS1
  • PD-L1 Programmed Death-Ligand 1
  • ALK ALK test
  • ddPCR test ddPCR test
  • NGS test NGS test. It could be some of the tests.
  • EGRF, BRAF, and ALK tests may be pre-stored in the device 100 so that among a plurality of tests, the first digital image 10_1 for the first tissue may be set, and the EGRF, BRAF, and ALK test methods may be set. It can be input simultaneously with the first digital image 10_1.
  • paraffin sections are made from paraffin blocks of tissues obtained through surgery, etc., and nucleic acids are extracted from the paraffin sections to detect mutations in the patient's genes to determine treatment methods.
  • the amount of nucleic acid present in the section For each patient, many factors, such as the size of the tissue, the number of cells included, and the condition of the sample, determine the amount of nucleic acid present in the section. However, until now, the number of tissue sections obtained from the patient has been empirically set at a constant level and nucleic acid extraction has been performed. As the number of nucleic acids increases, sometimes the amount of nucleic acid is insufficient, and sometimes more sections than necessary are used, making it difficult to conduct tests on tissues that are an important basis for treatment. Although it is possible to predict a certain amount of nucleic acid from the digital image 10, it can only be predicted to the extent that it can be confirmed whether the minimum recommended conditions required for molecular pathology testing are met. In addition, even if the amount of nucleic acid is actually more than the recommended conditions, the molecular pathology test may fail, and even if the amount of nucleic acid is less than the recommended conditions, the molecular pathology test may be successful.
  • the test method required for the patient can be performed according to priority with a high probability of success.
  • An optimal biomarker analysis method can be proposed.
  • the apparatus 100 for proposing an optimal biomarker analysis method based on multi-information analysis according to the present disclosure, many genetic tests are required in clinical practice, but the tissue extracted from the human body is small, and genetic tests are frequently limited. Effective in this area.
  • Figure 2 is a block diagram illustrating the input and output of an optimal biomarker analysis method proposal device based on multi-information analysis according to an embodiment of the present disclosure. Figure 2 will be explained with reference to Figure 1.
  • the multi-information analysis-based optimal biomarker analysis method proposal device 200 shown in FIG. 2 can be applied to the multi-information analysis-based optimal biomarker analysis method proposal device 100 shown in FIG. 1. You can.
  • the device 200 for suggesting an optimal biomarker analysis method based on multi-information analysis may receive a digital image 20 of a tissue embedded in paraffin.
  • the multi-information analysis-based optimal biomarker analysis method proposal device 200 Can obtain digital image information using the digital image 20.
  • the device 200 for proposing an optimal biomarker analysis method based on multi-information analysis may receive digital image information from an external device.
  • the device 200 for proposing an optimal biomarker analysis method based on multi-information analysis can receive storage information on paraffin-embedded tissue for each digital image 20 from an external device.
  • the device 200 for proposing an optimal biomarker analysis method based on multi-information analysis can calculate the amount of paraffin section that can be extracted from the tissue based on digital image information and storage information. Additionally, the device 200 for suggesting an optimal biomarker analysis method based on multi-information analysis can calculate the amount of nucleic acid required for each of a plurality of tests.
  • the expected amount of nucleic acid required for EGRF testing of paraffin section A may be X nanograms (ng), and the expected number of paraffin sections that can be extracted from paraffin section A may be Y.
  • the apparatus 200 for proposing an optimal biomarker analysis method based on multi-information analysis can determine the success of at least one test among a plurality of tests.
  • paraffin section A For example, based on the fact that the expected amount of nucleic acid required for the EGRF test of paraffin section A is It can be judged as a “failure.” For example, X ng of nucleic acid is required to perform an EGRF test, but Y paraffin sections may be deemed insufficient.
  • the apparatus 200 for suggesting an optimal biomarker analysis method based on multi-information analysis may determine success or failure for each of a plurality of tests and select an optimal test among the plurality of tests based on the results. For example, among the EGRF test, BRAF test, and PD-L1 test, the EGRF test may be judged to be failed, the BRAF test may be judged to be successful, and the PD-L1 test may be judged to be successful, and the BRAF test may be selected as the optimal test.
  • the device 200 (or the communication unit 104 in FIG. 1) for proposing an optimal biomarker analysis method based on multi-information analysis determines the success of at least one test among the expected amount of nucleic acid, the expected number of paraffin sections, and a plurality of tests. , the selected optimal test results can be output to the display 202.
  • display 202 may display “Expected nucleic acid
  • the display 202 displays (outputs) information processed by the device 200.
  • the display 202 displays execution screen information of a program (for example, a program that proposes an optimal biomarker analysis method based on multi-information analysis) driven according to instructions executable by the device 200, or such execution screen information.
  • UI User Interface
  • GUI Graphic User Interface
  • Figure 3 is a block diagram of an apparatus for proposing an optimal biomarker analysis method based on multi-information analysis including an artificial intelligence model according to an embodiment of the present disclosure.
  • the multi-information analysis-based optimal biomarker analysis method proposal device 300 including the artificial intelligence model shown in FIG. 3 is the multi-information analysis-based optimal biomarker analysis method proposal device 100 shown in FIG. ) and/or the multi-information analysis-based optimal biomarker analysis method proposal device 200 shown in FIG. 2 may be applied.
  • Device 300 may include an artificial intelligence model.
  • An artificial intelligence model may be a single artificial intelligence model or may be implemented as multiple artificial intelligence models.
  • Artificial intelligence models may be composed of neural networks (or artificial neural networks) and may include statistical learning algorithms that mimic biological neurons in machine learning and cognitive science.
  • a neural network can refer to an overall model in which artificial neurons (nodes), which form a network through the combination of synapses, change the strength of the synapse connection through learning and have problem-solving capabilities. Neurons in a neural network can contain combinations of weights or biases.
  • a neural network may include one or more layers consisting of one or more neurons or nodes.
  • the device 300 may include an input layer 32, a hidden layer 34, and an output layer 36.
  • the neural network constituting the device 300 can infer a desired result (output) from arbitrary input (input) by changing the weight of neurons through learning.
  • the neural network constituting the device 300 generates output data 1 (Data_O1) corresponding to the result (output) to be predicted from input data 1 (Data_I1) and input data 2 (Data_I2) corresponding to the input. ), it is possible to infer the number of paraffin sections and the thickness of the paraffin sections that maximize the examination required by the patient.
  • input data 1 may include information about storage information of paraffin-embedded tissue, thickness of paraffin sections, and quality evaluation of digital images.
  • Input data 2 includes which tests are included in the plurality of tests, that is, information about the plurality of tests, information about whether a small panel or a large panel is used in the case of an NGS test, and the priority of the plurality of tests. May include information about the criteria for determining ranking.
  • Neural networks may include deep neural networks.
  • Neural networks include CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), perceptron, multilayer perceptron, FF (Feed Forward), RBF (Radial Basis Network), DFF (Deep Feed Forward), and LSTM.
  • the device 300 for proposing an optimal biomarker analysis method based on multi-information analysis can receive a digital image 30 of tissue embedded in paraffin.
  • the digital image 30 may include a first digital image (not shown) to an N-th digital image (not shown).
  • the device 300 may learn an artificial intelligence model using the paraffin section amount and the nucleic acid amount constructed based on the digital image information and the analysis information for each of the plurality of digital images.
  • the device 300 can predict digital image information, for example, the fixed state of the tissue, the number of cancer cells, the size of the tissue, and the degenerative state of the tissue. In addition, based on the predicted results and storage information of the paraffin-embedded tissue, the device 300 determines the optimal value (Data_O1) of the amount of paraffin section and the thickness of the paraffin section that enables the maximum examination among a plurality of tests on the tissue. can be output.
  • Data_O1 the optimal value of the amount of paraffin section and the thickness of the paraffin section that enables the maximum examination among a plurality of tests on the tissue.
  • the device 300 may determine whether each of the plurality of tests is successful and determine the priority of the plurality of tests based on the output result and the types of the plurality of tests.
  • the device 300 can propose paraffin embedding optimized for each test method for each specimen, tailored to the needs of a specific institution. For example, the device 300 may recommend a paraffin section optimized for each of a plurality of tests based on the guidelines of the National Comprehensive Cancer Network (NCCN).
  • NCCN National Comprehensive Cancer Network
  • the device 300 for proposing an optimal biomarker analysis method based on multi-information analysis generates accumulated learning data (for example, amount of paraffin section, amount of nucleic acid) as a learning data set at regular time intervals, and uses the learning data set to analyze artificial intelligence. You can train a model. Illustratively, the device 300 may use the budget nucleic acid amount for paraffin section A (ex.
  • the learned artificial intelligence model can calculate the amount of paraffin sections available for at least one test among multiple tests. For example, if the appropriate amount of nucleic acid required for the EGFR test is predicted to be
  • learning information for predicting at least one of the size of the tissue, the formalin fixation state of the tissue, the number of cancer cells, and the degenerative state of the tissue can be constructed.
  • the device 300 may output, using the display 302, that for tissues embedded in paraffin, the optimal number of paraffin sections is A and the optimal thickness of the paraffin sections is B ⁇ m.
  • the device 300 may output the selected optimal test result to the display 302 as a result of determining whether at least one test among the expected amount of nucleic acid, the expected number of paraffin sections, and a plurality of tests is successful.
  • Figure 4 is a flowchart of a method for proposing an optimal biomarker analysis method based on multi-information analysis according to an embodiment of the present disclosure.
  • the multi-information analysis-based optimal biomarker analysis method proposed method 400 shown in FIG. 4 is performed by the device 100 shown in FIG. 1, the device 200 shown in FIG. 2, or the device 300 shown in FIG. 3. It can be done. Hereinafter, the description will be made with reference to the device 300 shown in FIG. 3.
  • the device 300 can receive digital image information and storage information of paraffin-embedded tissue (S401).
  • S401 paraffin-embedded tissue
  • the digital image information may include at least one of the size of the tissue, the state of formalin fixation of the tissue, or information about the quality evaluation of the digital image, and the storage information of the tissue may include temperature at storage, storage location, or storage. It may contain at least one piece of information about the period. Information about storage locations may include information about indoors or outdoors.
  • the device 300 may calculate the amount of paraffin section that can be extracted from the tissue based on digital image information and storage information (S402).
  • the device 300 can calculate the amount of nucleic acid required for each of a plurality of tests (S403).
  • Multiple tests may include EGFR (epidermal growth factor receptor) test, BRAF (B-type Raf Kinase) test, ROS1 test, PD-L1 (Programmed Death-Ligand 1) test, ALK test, ddPCR test, and NGS test. there is.
  • the device 300 may determine whether at least one test among a plurality of tests is successful based on the calculated amount of paraffin section and nucleic acid (S404).
  • the device 300 may select the optimal test among the plurality of tests for the tissue based on the determination results of each of the plurality of tests (S405). As another example, the device 300 may determine whether a test can be performed using a predetermined test method.
  • the device 300 can learn the artificial intelligence model included in the device 300 using the amount of paraffin section and nucleic acid constructed based on digital image information and storage information for each of the plurality of digital images.
  • the artificial intelligence model can learn how to select the optimal test among multiple tests for an organization.
  • learning information can be constructed to predict at least one of the size of the tissue, the formalin fixation state of the tissue, the number of cancer cells, and the state of tissue degeneration.
  • the input information of the artificial intelligence model includes the storage information, the thickness of the paraffin section, information about quality evaluation of the digital image, information about the plurality of tests, and criteria for determining the priority of the plurality of tests. May contain information.
  • the output information of the artificial intelligence model may include the optimal value of the amount of paraffin section and the thickness of the paraffin section that enables the maximum examination among a plurality of examinations of the tissue.
  • Figure 5 is a flowchart of a method for proposing an optimal biomarker analysis method based on multi-information analysis according to an embodiment of the present disclosure.
  • content that overlaps with FIG. 4 will be omitted.
  • the multi-information analysis-based optimal biomarker analysis method proposal method 500 shown in FIG. 5 can be applied to the device 100 shown in FIG. 1, the device 200 shown in FIG. 2, or the device 300 shown in FIG. 3. It can be performed by Hereinafter, the description will be made with reference to the device 300 shown in FIG. 3.
  • the device 300 can receive digital image information and storage information of paraffin-embedded tissue (S501).
  • S501 paraffin-embedded tissue
  • the device 300 may predict at least one of the fixed state of the tissue, the number of cancer cells, the size of the tissue, and the degenerative state of the tissue, based on the digital image information (S502).
  • the device 300 can output the optimal values of the amount of paraffin section and the thickness of the paraffin section that enable the maximum examination among a plurality of tests on the tissue (S503).
  • the device 300 may determine whether each of the plurality of tests is successful (S504) and determine the priority of the plurality of tests based on the output result and the types of the plurality of tests (S505).
  • S501 to S506 can be performed using a learned deep learning neural network model.
  • the deep learning neural network model can be learned using the amount of paraffin section and the thickness of the paraffin section, which are built based on digital image information and storage information for each of the plurality of digital images.
  • the disclosed embodiments may be implemented in the form of a recording medium that stores instructions executable by a computer. Instructions may be stored in the form of program code, and when executed by a processor, may create program modules to perform operations of the disclosed embodiments.
  • the recording medium may be implemented as a computer-readable recording medium.
  • Computer-readable recording media include all types of recording media storing instructions that can be decoded by a computer. For example, there may be Read Only Memory (ROM), Random Access Memory (RAM), magnetic tape, magnetic disk, flash memory, optical data storage device, etc.
  • ROM Read Only Memory
  • RAM Random Access Memory
  • magnetic tape magnetic tape
  • magnetic disk magnetic disk
  • flash memory optical data storage device

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Library & Information Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 개시는 다중 정보 분석을 기반으로 최적의 바이오 마커 분석법을 제안하는 방법 및 장치에 관한 것이다. 본 방법은, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계, 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하는 단계, 복수의 검사들 각각에 필요한 핵산 양을 계산하는 단계, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하는 단계 및 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 단계를 포함할 수 있다.

Description

다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법
본 개시는 디지털 이미지 분석 방법 장치 및 그 방법에 관한 것이다. 보다 상세하게는, 본 개시는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법에 관한 것이다.
최근 들어, 많은 의료기관에서 디지털 병리가 진행되고 있으며, 디지털 병리가 진행되면 병리과의 모든 업무가 디지털화 되는 것을 의미한다.
검체 슬라이드를 현미경을 통해 확인하던 과거와는 달리, 최근에는 Virtual microscopy 기술의 발달로 슬라이드를 디지털 이미지화할 수 있게 되었다.
슬라이드가 디지털화됨에 따라, 컴퓨터 알고리즘을 사용하여 수치적으로 분석할 수 있으며 질병의 진단에 있어서 정확성과 효율성을 향상시키고, 휴먼에러 및 소요시간을 줄일 수 있게 되었다.
한편, 환자의 질병을 진단하기까지 다양한 진단 과정이 수반되며, 다양한 진단 과정 중 병리과에서 현미경을 사용하여 환자의 검체로부터 조직을 통해, 예를 들면, 암세포를 진단할 수 있다. 과거의 오랜 기간 동안 다양한 방법으로 병리과 의사들의 이미지 분석을 보조하기 위한 연구들이 수행되어 왔다.
이와 관련된 선행기술 1로써, KR 특허등록번호 11-348239에서는 "병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템“이 공개되어 있다.
병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템으로서, 병리검사를 위한 검체를 등록하는 접수 단말; 검사자가 육안 검사를 수행하는 동안 상기 검체에 대한 영상정보, 음성정보 및 문자정보를 생성하고 이들 정보를 화면에 표시하는 육안 검사 단말(상기 음성정보와 문자정보는 전자문서화되어 소견정보를 구성한다); 검사자가 현미경 검사를 수행하는 동안 상기 검체의 영상정보 및 문자정보를 생성하는 현미경 검사 단말(상기 문자정보는 전자문서화되어 소견정보를 구성한다); 상기 육안 검사 단말 또는 상기 현미경 검사 단말로부터 생성된 영상정보 및 소견정보를 하나의 화면에 표시하 고, 병리검사에서 수행된 복수의 검사 프로세스를 단계별로 구분하여 리스트로 화면에 표시하는 판독 단말; 및 상기 접수 단말, 상기 육안 검사 단말 및 상기 현미경 검사 단말로부터 생성된 영상정보 및 소견정보, 그리고 환자의 임상정보를 처리하는 관리 서버를 포함한다.
환자의 조직으로부터 비교적 정확한 검사를 시행하는 것은 환자의 질병을 진단하고 치료 방법을 결정하는 데에 있어서 중요한 근거가 된다. 따라서, 다양한 정보를 분석하여 파라핀 포매 조직의 상태를 예측하고 환자에게 최적의 검사를 제안할 수 있는 방법에 대한 연구가 필요하다.
본 개시에 개시된 실시 예는 파라핀 포매 조직에 대하여, 바이오마커와 다중 분석을 통해 환자별 적합한 치료를 우선순위에 따라 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시에 일 측면에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법은, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계, 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하는 단계, 복수의 검사들 각각에 필요한 핵산 양을 계산하는 단계, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하는 단계 및 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 단계를 포함할 수 있다.
또한, 상기 복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부일 수 있다.
상기 디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함할 수 있다.
상기 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함하고, 상기 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함할 수 있다.
또한, 상기 컴퓨터는, 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 분석 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습하고, 상기 인공지능 모델은 상기 조직에 대해 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습되는 것을 특징으로 할 수 있다. 상기 인공지능 모델의 상기 학습을 통해 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축될 수 있다.
상기 인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준 중 적어도 하나를 포함하고, 상기 인공 지능 모델의 출력 정보는 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값 중 적어도 하나를 포함할 수 있다.
본 개시에 일 측면에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치는 데이터베이스, 파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 통신부 및 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하고, 복수의 검사들 각각에 필요한 핵산 양을 계산하고, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 가부를 판단하고, 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하도록 구성되는 프로세서를 포함할 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 파라핀으로 포매한 조직의 상태를 바이오 마커와 다중 정보(디지털 이미지 정보, 보관과 관련된 정보)를 이용하여 최적의 검사를 시행할 수 있도록 가이드라인을 제공하고, 환자 맞춤형 검사 방법을 우선순위로 제공함에 따라 검사 성공률을 향상시키는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
도 5는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 1을 참고하면, 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)는 프로세서(102), 통신부(104) 및 데이터베이스(106)를 포함할 수 있다.
다만, 일부 실시 예에서 장치(100)는 도1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
또한, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)는 서버로 구성되어 유선 또는 무선 통신을 통해서 슬라이드의 디지털 이미지(10)를 수신할 수 있고, 이 때 통신부(104)는 유선 통신 모듈(미도시) 또는 무선 통신 모듈(미도시)을 보유한 통신부로 구성될 수 있다. 다른 예로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)의 외부에 존재하는 외부 기기(미도시)가 추가로 포함될 수 있고, 외부기기(미도시)는 슬라이드의 디지털 이미지(10)를 수신하여, 디지털 이미지(10) 정보를 디지털 이미(10)로부터 생성 및 가공하여 장치(100)로 송신할 수 있다.
프로세서(102)는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100) 내의 모든 구성들을 총괄적으로 제어할 수 있으며, 데이터 베이스(106), 메모리에 저장된 명령어, 알고리즘을 실행하여 본 개시의 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법을 프로세스에 따라 수행할 수 있다.
예시적으로, 프로세서(102)는 파라핀으로 포매(embedding)한 조직의 디지털 이미지(10) 정보를 통신부(104)로부터 전달받을 수 있다. 환자의 검체가 수집된 슬라이드로부터 디지털 이미지(10)가 획득될 수 있다. 파라핀 블록 또는 파라핀 절편은 수술이나 생체 검사를 통해 획득될 수 있다. 디지털 이미지(10)는 제1 디지털 이미지(10_1) 내지 제N 디지털 이미지(10_N)를 포함할 수 있으며, 장치(100)는 N개의 디지털 이미지(10)의 정보를 입력(input)으로 하여 후술하는 인공학습 모델을 통해 학습시킬 수 있다.
디지털 이미지 정보는 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 디지털 이미지의 퀄리티 평가에 대한 정보를 포함할 수 있다.
예시적으로, 프로세서(102)는 파라핀으로 포매(embedding)한 조직의 보관 정보를 통신부(104)로부터 전달받을 수 있다.
조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보를 포함할 수 있다. 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함할 수 있다.
일 예로, 프로세서(102)는 디지털 이미지 정보 및 보관 정보에 기초하여, 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하고, 복수의 검사들 각각에 필요한 핵산 양을 계산하며, 계산된 파라핀 절편 양 및 핵산 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하고, 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택할 수 있다.
복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부일 수 있다. 일 예로, 제1 조직에 대한 제1 디지털 이미지(10_1)에 대해 복수의 검사들 중 EGRF, BRAF, ALK 검사가 셋팅되도록 장치(100)에 미리 저장될 수도 있고, EGRF, BRAF, ALK 검사 방법들이 제1 디지털 이미지(10_1)와 함께 동시에 입력될 수 있다.
최신 의료 경향에 따르면, 수술 등으로 얻어진 조직의 파라핀 블록에서 파라핀 절편을 제작하고, 해당 파라핀 절편에서 핵산을 추출하여 환자의 유전자에 존재하는 돌연변이 등을 검출하여 치료 방법을 결정하고 있다.
환자 별로 조직의 크기, 포함된 세포 수, 검체 상태 등 많은 요소들이 절편내 존재하는 핵산의 양을 결정하나, 현재까지는 경험적으로 환자로부터 얻어내는 조직 절편의 수를 일정하게 정해놓고 핵산 추출을 시행하게 됨에 따라, 때로는 핵산의 양이 부족하고, 때로는 필요 이상의 절편을 사용하여 치료의 중요한 근거가 되는 조직에서 검사를 시행 못하는 일이 빈번하게 발생되고 있다. 디지털 이미지(10)로부터 어느 정도의 핵산 양을 예측할 수는 있으나, 분자 병리 검사에 필요한 최소 권장 조건을 만족하는지 여부를 확인할 수 있을 정도만 예측할 수 있다. 뿐만 아니라, 실제로 권장 조건에 해당하는 핵산 양 이상인 경우라도 분자 병리 검사에 실패할 수도 있고, 권장 조건에 해당하는 핵산 양 이하인 경우라도 분자 병리 검사가 성공할 수도 있다.
본 개시에 따르면, 해당 조직에 대한 다양한 정보들을 이용하여 가능한 파라핀 절편의 수, 적정한 핵산의 양, 검사의 적절성을 예측함으로써, 해당 환자에게 필요한 검사 방법을 성공 확률이 높은 우선순위에 따라 진행할 수 있도록 하는 최적의 바이오 마커 분석법을 제안할 수 있다.
특히, 본 개시에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)에 의해 수행되는 방법에 따르면, 임상에서 많은 유전자 검사가 필요하나 인체로부터 추출된 조직이 작아, 유전자 검사에 제한이 빈번한 영역에서 효과적이다.
도 2는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 입력과 출력을 예시적으로 도시하는 블록도이다. 도 2는 도 1을 참조하여 설명할 것이다.
도 1 및 도 2를 참조하면, 도 2에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 도 1에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100)가 적용될 수 있다.
예시적으로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)(또는 도 1의 통신부(104))는 파라핀으로 포매(embedding)한 조직의 디지털 이미지(20)를 입력받을 수 있다. 인체로부터 획득된 조직을 포함하는 파라핀 절편에 대한 디지털 이미지(10)가 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)에 입력되면, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지(20)를 이용하여 디지털 이미지 정보를 획득할 수 있다. 다른 예로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지 정보를 외부 기기로부터 수신할 수 있다.
또한, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지(20) 각각에 대한 파라핀 포매 조직의 보관 정보를 외부 기기로부터 수신할 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 디지털 이미지 정보 및 보관 정보에 기초하여, 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산할 수 있다. 또한, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 복수의 검사들 각각에 필요한 핵산 양을 계산할 수 있다.
예시적으로, 파라핀 절편 A의 EGRF 검사 시 필요한 예상 핵산 양은 X 나노그램(ng)이고, 파라핀 절편 A로부터 추출할 수 있는 예상 파라핀 절편 수는 Y개일 수 있다.
계산된 파라핀 절편 양 및 핵산 양에 기초하여, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단할 수 있다.
예시적으로, 파라핀 절편 A의 EGRF 검사 시 필요한 예상 핵산 양은 X 나노그램(ng)이고, 파라핀 절편 A로부터 추출할 수 있는 예상 파라핀 절편 수는 Y개인 것에 기초하여, 복수의 검사들 중 EGRF 검사는 “실패”로 판단될 수 있다. 일 예로, EGRF 검사를 하기 위해 X ng의 핵산이 필요하나, Y개의 파라핀 절편으로는 부족하다고 판단될 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)는 복수의 검사들 각각에 대해 성공 여부를 판단하고 그 결과에 기초하여, 복수의 검사들 중 최적의 검사를 선택할 수 있다. 일 예로, EGRF 검사, BRAF 검사, PD-L1 검사 중 EGRF 검사는 실패, BRAF 검사는 성공, PD-L1 검사는 성공으로 판단될 수 있고, 최적의 검사로 BRAF 검사가 선택될 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)(또는 도 1의 통신부(104))는 예상 핵산 양, 예상 파라핀 절편 수, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단 결과, 선택된 최적의 검사 결과를 디스플레이(202)로 출력할 수 있다.
예시적으로, 디스플레이(202)는 “예상 핵산 X ng, 예상 파라핀 절편 수 Y”를 표시하고, “검사는 '실패'이고, 최적의 검사는 BRAF입니다.”를 표시할 수 있다.
디스플레이(202)는 본 장치(200)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이(202)는 본 장치(200)에 의해 실행 가능한 명령어에 따라 구동되는 프로그램(일 예로, 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 프로그램)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 인공지능 모델을 포함하는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치의 블록도이다.
도 3을 참고하면, 도 3에 도시된 인공지능 모델을 포함하는 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(300)는 도 1에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(100) 및/또는 도 2에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(200)가 적용될 수 있다.
장치(300)는 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치(300)는 input layer(32), hidden layer(34), output layer(36)를 포함할 수 있다. 장치(300)를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다. 일 예로, 장치(300)를 구성하는 뉴럴 네트워크는 입력(input)에 해당하는 입력 데이터 1(Data_I1)과 입력 데이터 2(Data_I2)로부터, 예측하고자 하는 결과(output)에 해당하는 출력 데이터 1(Data_O1)을 출력함으로써, 환자가 필요한 검사를 최대한 가능하게 하는 파라핀 절편의 수 및 파라핀 절편의 두께를 추론할 수 있다.
예시적으로, 입력 데이터 1(Data_I1)은 파라핀 포매 조직의 보관 정보, 파라핀 절편의 두께, 디지털 이미지의 퀄리티 평가에 대한 정보를 포함할 수 있다. 입력 데이터 2(Data_I2)는 복수의 검사들에 어떠한 검사들이 포함되는지, 즉 복수의 검사들에 대한 정보, NGS 검사의 경우 작은 패널을 사용하는지 큰 패널을 사용하는지에 대한 정보, 복수의 검사들의 우선순위를 결정하는 기준에 대한 정보를 포함할 수 있다.
뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(300)는 파라핀으로 포매한 조직의 디지털 이미지(30)를 입력받을 수 있다. 디지털 이미지(30)는 제1 디지털 이미지(미도시) 내지 제N 디지털 이미지(미도시)를 포함할 수 있다. 장치(300)는 복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 분석 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습시킬 수 있다.
장치(300)는 디지털 이미지(30)에 기초하여, 디지털 이미지 정보, 예를 들어, 조직의 고정 상태, 암세포 수, 조직의 크기 및 상기 조직의 변성 상태를 예측할 수 있다. 또한, 장치(300)는 예측된 결과 및 파라핀 포매 조직의 보관 정보에 기초하여, 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값(Data_O1)을 출력할 수 있다.
장치(300)는 출력 결과 및 복수의 검사들의 종류에 기초하여, 복수의 검사들 각각의 성공 여부를 판단하고, 상기 복수의 검사들의 우선순위를 결정할 수 있다.
장치(300)는 특정 기관의 니즈(needs)에 맞춰, 각각의 검체에 대한 검사법마다 최적화된 파라핀 포매를 제안할 수 있다. 예를 들어, 장치(300)는 NCCN(National Comprehensive Cancer　Network)의 가이드라인에 기초하여 복수의 파라핀 절편들 각각에 대하여, 복수의 검사들 각각에 최적화된 파라핀 절편을 추천할 수 있다.
다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치(300)는 일정한 시간 주기마다 누적된 학습 데이터(일 예로, 파라핀 절편 양, 핵산 양)를 학습 데이터셋으로 생성하고, 학습 데이터 셋을 이용하여 인공지능 모델을 학습시킬 수 있다. 예시적으로, 장치(300)는 파라핀 절편 A에 대한 예산 핵산 양(ex. X ng)과 파라핀 절편의 수(Y)를학습 데이터셋 중 하나로 사용할 수 있다.
학습된 인공지능 모델은 복수의 검사들 중 적어도 하나의 검사가 가능한 파라핀 절편의 양을 계산할 수 있다. 일 예로, EGFR 검사에 필요한 적정 핵산 양이 Xng로 예측된 경우, 장치(300)는 인공지능 모델을 이용하여 EGFR 검사를 수행하기 위해서 필요한 파라핀 절편의 양은 Y개로 계산할 수 있다.
또한, 학습된 인공지능 모델을 통해, 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축될 수 있다.
예시적으로, 장치(300)는 파라핀으로 포매된 조직에 대하여, 최적의 파라핀 절편의 수는 A개이고, 최적의 파라핀 절편의 두께는 B μm인 것을 디스플레이(302)를 이용하여 출력할 수 있다. 다른 예로, 장치(300)는 예상 핵산 양, 예상 파라핀 절편 수, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단 결과, 선택된 최적의 검사 결과를 디스플레이(302)로 출력할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다.
도 4에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법(400)은 도 1에 도시된 장치(100), 도2에 도시된 장치(200) 또는 도 3에 도시된 (300)에 의해 수행될 수 있다. 이하에서, 도 3에 도시된 장치(300)를 참조하여 설명할 것이다.
도 4를 참조하면, 장치(300)는 파라핀 포매한 조직의 디지털 이미지 정보 및 보관 정보를 수신할 수 있다(S401).
디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함할 수 있고, 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함할 수 있다. 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함할 수 있다.
장치(300)는 디지털 이미지 정보 및 보관 정보에 기초하여, 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산할 수 있다(S402).
장치(300)는 복수의 검사들 각각에 필요한 핵산 양을 계산할 수 있다(S403).
복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함할 수 있다.
장치(300)는 계산된 파라핀 절편 양 및 핵산 양에 기초하여, 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단할 수 있다(S404).
장치(300)는 복수의 검사들 각각의 판단 결과에 기초하여, 조직에 대해 복수의 검사들 중 최적의 검사를 선택할 수 있다(S405). 다른 예로, 장치(300)는 미리 정해진 검사 방법으로 검사를 수행할 수 있는지 여부를 판단할 수도 있다.
장치(300)는 복수의 디지털 이미지들 각각에 대한 디지털 이미지 정보 및 보관 정보에 기초하여 구축된, 파라핀 절편 양 및 핵산 양을 이용하여 장치(300)에 포함된 인공지능 모델을 학습할 수 있다. 인공지능 모델은 조직에 대해 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습될 수 있다. 인공지능 모델의 학습을 통해, 조직의 크기, 조직의 포르말린 고정 상태, 암세포 수, 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축될 수 있다.
인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준에 대한 정보를 포함할 수 있다.
인공 지능 모델의 출력 정보는, 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값을 포함할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법에 따른 순서도이다. 이하에서, 도 4와 중복되는 내용은 생략한다.
도 5에 도시된 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법(500)은 도 1에 도시된 장치(100), 도2에 도시된 장치(200) 또는 도 3에 도시된 장치(300)에 의해 수행될 수 있다. 이하에서, 도 3에 도시된 장치(300)를 참조하여 설명할 것이다.
도 5를 참조하면, 장치(300)는 파라핀 포매한 조직의 디지털 이미지 정보 및 보관 정보를 수신할 수 있다(S501).
장치(300)는 디지털 이미지 정보에 기초하여, 조직의 고정 상태, 암세포 수, 조직의 크기 및 조직의 변성 상태 중 적어도 하나를 예측할 수 있다(S502).
장치(300)는 예측된 결과 및 보관 정보에 기초하여, 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 파라핀 절편의 두께의 최적 값을 출력할 수 있다(S503).
장치(300)는 출력 결과 및 복수의 검사들의 종류에 기초하여, 복수의 검사들 각각의 성공 여부를 판단하고(S504), 복수의 검사들의 우선순위를 결정할 수 있다(S505).
S501 내지 S506은 학습된 딥러닝 뉴럴 네트워크 모델을 이용하여 수행될 수 있다. 딥러닝 뉴럴 네트워크 모델은 복수의 디지털 이미지들 각각에 대한 디지털 이미지 정보 및 보관 정보에 기초하여 구축된, 파라핀 절편 양 및 파라핀 절편의 두께를 이용하여 학습될 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

Claims (15)

  1. 컴퓨터에 의해 수행되는 방법으로,
    파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 단계;
    상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하는 단계;
    복수의 검사들 각각에 필요한 핵산 양을 계산하는 단계;
    계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 여부를 판단하는 단계; 및
    상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 단계;를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  2. 청구항 1에 있어서,
    상기 복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부이고,
    상기 디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  3. 청구항 2에 있어서,
    상기 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함하고,
    상기 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  4. 청구항 3에 있어서,
    상기 컴퓨터는,
    복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습하고,
    상기 인공지능 모델은, 상기 조직에 대해 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습되는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  5. 청구항 4에 있어서,
    상기 인공지능 모델의 상기 학습을 통해, 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축되는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  6. 청구항 5에 있어서,
    상기 인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준 중 적어도 하나를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  7. 청구항 6에 있어서,
    상기 인공 지능 모델의 출력 정보는 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값 중 적어도 하나를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법.
  8. 제1항 내지 제7항 중 어느 한 항의 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 방법을 실행하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
  9. 데이터베이스;
    파라핀으로 포매(embedding)한 조직의 디지털 이미지 정보 및 상기 조직의 보관 정보를 수신하는 통신부; 및
    상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여, 상기 조직으로부터 추출할 수 있는 파라핀 절편 양을 계산하고, 복수의 검사들 각각에 필요한 핵산 양을 계산하고, 계산된 상기 파라핀 절편 양 및 상기 핵산 양에 기초하여, 상기 복수의 검사들 중 적어도 하나의 검사에 대해 성공 또는 실패 가부를 판단하고, 상기 복수의 검사들 각각의 판단 결과에 기초하여, 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하도록 구성되는 프로세서;를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
  10. 청구항 9에 있어서,
    상기 복수의 검사들은 EGFR(epidermal growth factor receptor) 검사, BRAF(B-type Raf Kinase) 검사, ROS1 검사, PD-L1(Programmed Death-Ligand 1) 검사, ALK 검사, ddPCR 검사, NGS 검사를 포함하는 유전자 검사들 중 일부이고,
    상기 디지털 이미지 정보는 상기 조직의 크기, 상기 조직의 포르말린 고정의 상태, 또는 상기 조직의 상기 디지털 이미지의 퀄리티 평가에 대한 정보 중 적어도 하나를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
  11. 청구항 10에 있어서,
    상기 조직의 보관 정보는 보관 시 온도, 보관 장소, 또는 보관 기간에 대한 정보 중 적어도 하나를 포함하고,
    상기 보관 장소에 대한 정보는 실내 또는 실외에 대한 정보를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
  12. 청구항 11에 있어서,
    상기 프로세서는,
    복수의 디지털 이미지들 각각에 대한 상기 디지털 이미지 정보 및 상기 보관 정보에 기초하여 구축된, 상기 파라핀 절편 양 및 상기 핵산 양을 이용하여 인공지능 모델을 학습하도록 구성되고,
    상기 인공지능 모델은, 상기 조직에 대해 상기 조직에 대해 상기 복수의 검사들 중 최적의 검사를 선택하는 방법이 학습되는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
  13. 청구항 12에 있어서,
    상기 인공지능 모델의 상기 학습을 통해, 상기 조직의 크기, 상기 조직의 상기 포르말린 고정 상태, 암세포 수, 상기 조직의 변성 상태 중 적어도 하나를 예측하기 위한 학습 정보가 구축되는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
  14. 청구항 13에 있어서,
    상기 인공 지능 모델의 입력 정보는, 상기 보관 정보, 상기 파라핀 절편의 두께, 상기 디지털 이미지의 퀄리티 평가에 대한 정보, 상기 복수의 검사들에 대한 정보, 상기 복수의 검사들의 우선순위를 결정하는 기준 중 적어도 하나를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
  15. 청구항 14에 있어서,
    상기 인공 지능 모델의 출력 정보는 상기 조직에 복수의 검사들 중 최대의 검사를 가능하게 하는 파라핀 절편 양 및 상기 파라핀 절편의 두께의 최적 값 중 적어도 하나를 포함하는,
    다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치.
PCT/KR2023/007905 2022-07-28 2023-06-09 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법 Ceased WO2024025136A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0093808 2022-07-28
KR1020220093808A KR102817551B1 (ko) 2022-07-28 2022-07-28 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2024025136A1 true WO2024025136A1 (ko) 2024-02-01

Family

ID=89706690

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/007905 Ceased WO2024025136A1 (ko) 2022-07-28 2023-06-09 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102817551B1 (ko)
WO (1) WO2024025136A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018065434A1 (en) * 2016-10-07 2018-04-12 Ventana Medical Systems, Inc. Digital pathology system and associated workflow for providing visualized whole-slide image analysis
KR20210017294A (ko) * 2019-08-07 2021-02-17 서울대학교산학협력단 다중 표지자 면역화학 염색 및/또는 제자리 부합법을 수행하여 개체의 단백질, 유전자 또는 이들의 조합의 발현 수준에 대한 정보를 제공하는 방법
WO2022147503A1 (en) * 2020-12-31 2022-07-07 Tempus Labs, Inc. Predicting total nucleic acid yield and dissection boundaries for histology slides

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102164452B1 (ko) 2018-01-19 2020-10-12 서울대학교병원 병리검사의 전체 단계를 영상정보를 이용하여 통합적으로 관리하는 통합 병리영상정보관리 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018065434A1 (en) * 2016-10-07 2018-04-12 Ventana Medical Systems, Inc. Digital pathology system and associated workflow for providing visualized whole-slide image analysis
KR20210017294A (ko) * 2019-08-07 2021-02-17 서울대학교산학협력단 다중 표지자 면역화학 염색 및/또는 제자리 부합법을 수행하여 개체의 단백질, 유전자 또는 이들의 조합의 발현 수준에 대한 정보를 제공하는 방법
WO2022147503A1 (en) * 2020-12-31 2022-07-07 Tempus Labs, Inc. Predicting total nucleic acid yield and dissection boundaries for histology slides

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE CHANGLONG; WEI CHENGCHENG; WEN JUN; CHEN SHI; CHEN LING; WU YUE; SHEN YIFAN; BAI HUILI; ZHANG YANGLI; CHEN XUEPING; LI XIAOSONG: "Comprehensive analysis of NGS and ARMS-PCR for detecting EGFR mutations based on 4467 cases of NSCLC patients", JOURNAL OF CANCER RESEARCH AND CLINICAL ONCOLOGY, SPRINGER INTERNATIONAL, BERLIN., DE, vol. 148, no. 2, 24 October 2021 (2021-10-24), DE , pages 321 - 330, XP037679137, ISSN: 0171-5216, DOI: 10.1007/s00432-021-03818-w *
OSINSKI BOLESŁAW L, BENTAIEB AÏCHA, HO IRVIN, JONES RYAN D, JOSHI ROHAN P, WESTLEY ANDREW, CARLSON MICHAEL, WILLIS CALEB, SCHLEICH: "AI-augmented histopathologic review using image analysis to optimize DNA yield and tumor purity from FFPE slides", ARXIV, 7 April 2022 (2022-04-07), XP093132536, [retrieved on 20240219] *
SHAKER NADA, SARDANA RUHANI, HAMASAKI SATOSHI, NOHLE DAVID G., AYERS LEONA W., PARWANI ANIL V.: "Accuracy of whole slide image based image analysis is adversely affected by preanalytical factors such as stained tissue slide and paraffin block age", JOURNAL OF PATHOLOGY INFORMATICS, MEDKNOW PUBLICATIONS AND MEDIA PVT. LTD., IN, vol. 13, 1 January 2022 (2022-01-01), IN , pages 100121, XP093131690, ISSN: 2153-3539, DOI: 10.1016/j.jpi.2022.100121 *

Also Published As

Publication number Publication date
KR20240015930A (ko) 2024-02-06
KR102817551B1 (ko) 2025-06-05

Similar Documents

Publication Publication Date Title
Momtazmanesh et al. Artificial intelligence in rheumatoid arthritis: current status and future perspectives: a state-of-the-art review
Kashyap et al. Deep Learning's Role in Advancing Gastroenterology and Digestive Health
Najdawi et al. Artificial intelligence enables quantitative assessment of ulcerative colitis histology
Silverman et al. How artificial intelligence will transform clinical care, research, and trials for inflammatory bowel disease
WO2021177771A1 (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
Dhali et al. Artificial intelligence–assisted capsule endoscopy versus conventional capsule endoscopy for detection of small bowel lesions: a systematic review and meta‐analysis
WO2022173232A2 (ko) 병변의 발생 위험성을 예측하는 방법 및 시스템
Brunyé et al. From image to diagnosis: characterizing sources of error in histopathologic interpretation
Naik et al. Will the future of knowledge work automation transform personalized medicine?
Nomula et al. Leveraging deep learning in implementing efficient healthcare processes
Gopi et al. Early-stage identification of autism in children using gesture monitoring based on artificial intelligence
Chao et al. Evaluation methods of pressure injury stages: A systematic review and meta-analysis
Castagnaro et al. Systematic review: use of artificial intelligence and unmet needs in eosinophilic oesophagitis
Ghosheh et al. A perspective on individualized treatment effects estimation from time-series health data
WO2024076538A1 (en) System and method for multimodal prediction of patient outcomes
Zeng et al. Recognition of rare antinuclear antibody patterns based on a novel attention-based enhancement framework
Jugunta et al. Unleashing the Potential of Artificial Bee Colony Optimized RNN-Bi-LSTM for Autism Spectrum Disorder Diagnosis.
WO2025058232A1 (ko) 감정 증상을 측정하여 우울증을 예측하기 위한 방법 및 이를 수행하는 장치
WO2025159298A1 (ko) 유전독성 시험 자동화 시스템 및 방법
Young et al. AI in Dermatology
WO2024019326A1 (ko) 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법
CN116933135B (zh) 基于跨模态融合级联的癌症分期预测模型建模系统及方法
KR20240015930A (ko) 다중 정보 분석 기반 최적의 바이오 마커 분석법 제안 장치 및 방법
US20250173871A1 (en) System and method for quantification of digitized pathology slides
WO2024072067A1 (ko) 멀티모달 딥 러닝 모델을 이용한 녹내장 환자의 미래 시야 예측 방법

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: 23846796

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23846796

Country of ref document: EP

Kind code of ref document: A1