WO2025147162A1 - 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법 - Google Patents

인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법 Download PDF

Info

Publication number
WO2025147162A1
WO2025147162A1 PCT/KR2025/000167 KR2025000167W WO2025147162A1 WO 2025147162 A1 WO2025147162 A1 WO 2025147162A1 KR 2025000167 W KR2025000167 W KR 2025000167W WO 2025147162 A1 WO2025147162 A1 WO 2025147162A1
Authority
WO
WIPO (PCT)
Prior art keywords
work
artificial intelligence
molecular pathology
intelligence model
data related
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.)
Pending
Application number
PCT/KR2025/000167
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 WO2025147162A1 publication Critical patent/WO2025147162A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G06N3/0464—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
    • G06N3/08—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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Definitions

  • the present disclosure relates to an electronic device and a method of operating the same. More specifically, it relates to a device and method for optimizing a work process related to molecular pathology testing based on artificial intelligence.
  • molecular pathology testing work is a specialized work that requires a high level of technical ability within the pathology department, and is characterized by a work system that can vary greatly from institution to institution depending on the skill level of the technician, the amount of specimen, the time required for each analysis task, and the level of importance.
  • a work system that can vary greatly from institution to institution depending on the skill level of the technician, the amount of specimen, the time required for each analysis task, and the level of importance.
  • time distribution, etc. vary depending on the situational factors of each technician, an AI-based molecular pathology work process is needed to plan work allocation more efficiently.
  • An apparatus for optimizing a work process related to a molecular pathology test based on artificial intelligence includes a receiving unit for receiving data related to a molecular pathology test; an artificial intelligence model learning unit for learning an artificial intelligence model using a plurality of data related to the molecular pathology test as a learning data set; and a work process prediction unit for inputting data related to the molecular pathology test into the learned artificial intelligence model and predicting a work process corresponding to a work schedule as an output of the learned artificial intelligence model.
  • a method for optimizing a work process related to a molecular pathology test based on artificial intelligence performed by a processor of a device includes a step of receiving data related to a molecular pathology test; a step of using a plurality of data related to the molecular pathology test as a learning data set, and training an artificial intelligence model with the learning data set; and a step of inputting the data related to the molecular pathology test into the trained artificial intelligence model, and predicting a work process corresponding to a work schedule as an output of the trained artificial intelligence model.
  • Figure 1 is a drawing showing a system according to the present disclosure.
  • Figure 2 is a diagram showing the configuration of the server of Figure 1.
  • Figure 3 is a diagram showing the configuration of the processor of Figure 2.
  • Figure 4 is a flowchart illustrating a method according to the present disclosure.
  • FIG. 5 is a drawing for explaining embodiments of the present disclosure.
  • first, second, etc. are used to distinguish one component from another, and the components are not limited by the aforementioned terms.
  • each step is used for convenience of explanation and do not describe the order of each step. Each step may be performed in a different order than specified unless the context clearly indicates a specific order.
  • the 'device according to the present disclosure includes all of various devices that can perform computational processing and provide results to a user.
  • the device according to the present disclosure may include all of a computer, a server device, and a portable terminal, or may be in the form of any one of them.
  • the computer may include, for example, a notebook, 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, a computing server, a database server, a file server, a game server, a mail server, a proxy server, and a web server.
  • a portable terminal is, for example, a wireless communication device that ensures portability and mobility, and may include all kinds of handheld-based wireless communication devices such as a 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) terminal, a smart phone, and wearable devices such as a watch, ring, bracelet, anklet, necklace, glasses, contact lenses, or a head-mounted-device (HMD).
  • 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
  • the function related to artificial intelligence is operated through a processor and a memory.
  • the processor may be composed of one or more processors.
  • one or more processors may be a general-purpose processor such as a CPU, an AP, a DSP (Digital Signal Processor), a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an artificial intelligence-only processor such as an NPU.
  • One or more processors are controlled to process input data according to a predefined operation rule or artificial intelligence model stored in the memory.
  • the artificial intelligence-only processor may be designed with a hardware structure specialized for processing a specific artificial intelligence model.
  • the artificial intelligence model may be composed of a plurality of neural network layers.
  • Each of the plurality of neural network layers has a plurality of weight values, and performs neural network operations through operations between the operation results of the previous layer and the plurality of weights.
  • the plurality of weights of the plurality of neural network layers may be optimized by the learning results of the artificial intelligence model. For example, the plurality of weights may be updated so that the loss value or cost value obtained from the artificial intelligence model is reduced or minimized during the learning process.
  • the artificial neural network may include a deep neural network (DNN), and examples thereof include, but are not limited to, a convolutional neural network (CNN), a deep neural network (DNN), a recurrent neural network (RNN), a restricted boltzmann machine (RBM), a deep belief network (DBN), a bidirectional recurrent deep neural network (BRDNN), or deep Q-networks.
  • DNN deep neural network
  • the business process prediction unit (123_3) can predict an optimized business process that can be changed daily, every two days, every three days, every week, or every month by reflecting the number of inspections received each day, the optimized business process arrangement from the time of arrival to the time of departure, the change in the business process according to the number of articles and the business article composition conditions, and the optimized process.
  • the receiving unit (123_1) may receive modified data including the final business process corresponding to the final schedule in which the user has modified the predicted business process.
  • the artificial intelligence model learning unit (123_2) may train the artificial intelligence model based on the modified data.
  • the business process prediction unit (123_3) may determine the business process based on the modified data.
  • the optimized work process based on the input work elements may include, for example, an optimized work sequence arrangement from work to home, a change in the work sequence according to the number of articles, work article composition conditions, and a change in the work process composition by day, day, day, day, week, month, etc. to reflect the number of tests coming in every day.
  • the number of assigned articles, the time required according to the type of work (ALK, FISH, ROS1 FISH, ROS1 RT-PCR, EGFR RT-PCR, EGRF ddPCR, Next generation sequencing, KRAS RT-PCR, etc.), career, the time required per article per task, interference avoidance preference, work break time, article schedule, etc., can be input into the artificial intelligence model and learned.
  • the type of work (ALK, FISH, ROS1 FISH, ROS1 RT-PCR, EGFR RT-PCR, EGRF ddPCR, Next generation sequencing, KRAS RT-PCR, etc.)
  • the ratio of the total number of cases and each case must be considered.
  • FISH takes 3-4 hours for 2 days
  • RT-PCR takes 4 hours
  • Next generation sequencing can take 4-5 hours per day for 5 days.
  • a learning model is a model that learns time-series data, and can range from RNNs to transformers, for example.
  • the disclosed embodiments may be implemented in the form of a recording medium storing instructions executable by a computer.
  • the instructions may be stored in the form of program codes, and when executed by a processor, may generate program modules to perform the operations of the disclosed embodiments.
  • the recording medium may be implemented as a computer-readable recording medium.
  • Computer-readable storage media include all types of storage media that store instructions that can be deciphered by a computer. Examples include ROM (Read Only Memory), RAM (Random Access Memory), magnetic tape, magnetic disk, flash memory, and optical data storage devices.
  • ROM Read Only Memory
  • RAM Random Access Memory
  • magnetic tape magnetic tape
  • magnetic disk magnetic disk
  • flash memory optical data storage devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법에 관한 것으로, 본 장치는 분자병리검사와 관련된 데이터를 입력 받는 수신부, 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 학습 데이터 셋을 인공지능 모델에 학습시키는 인공지능 모델 학습부, 및 분자병리검사와 관련된 데이터를 학습된 인공지능 모델에 입력하여, 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측하는 업무 프로세스 예측부를 포함한다.

Description

인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법
본 개시는 전자 장치 및 그의 동작 방법에 관한 것이다. 보다 상세하게는, 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법에 관한 것이다.
현재 스마트폰 등과 같이 사용자의 업무 일정을 관리하기 위한 업무 관리 애플리케이션을 제공하는 다양한 형태의 스마트 디바이스가 제공되고 있다. 그러나, 기존의 업무 관리 애플리케이션들은 업무의 중요성이나 긴급성에 대한 고려 없이 단순히 업무 관련 일정을 사용자에게 통보하는 수준에 그치고 있으며, 업무 수행에 요구되는 정보는 제공하고 있지 않으므로, 사용자는 업무 일정을 확인하여 업무 수행에 필요한 정보를 일일이 찾아서 사용해야 한다. 그러나, 최근 네트워크 기술 및 스토리지 기술 발전에 따라 홍수화가 진행되고 있어, 점점 사용자가 원하는 정보를 찾기 힘든 정보 구조가 되고 있으므로, 사용자가 업무 일정 확인 후 업무 수행에 필요한 정보를 획득하기 위해 상당한 시간이 요구된다는 문제점이 존재한다.
한편, 분자병리검사 업무는 병리과 내에 고도의 기술적 능력을 요하는 특화된 업무에 속하며 기사의 숙련도, 검체량, 각 분석 업무 당 소요 시간, 중요도 등에 의해 기관마다 크게 달라질 수 있는 업무체계가 특징이다. 분자병리검사 업무에 있어서, 기사별 상황이 다르므로 가장 신속하게 업무를 처리하는 방법이 고려될 필요가 있다. 구체적으로, 기사별 상황 요소에 따라 시간 배분 등이 달라지므로 이를 보다 효율적으로 업무 배정을 계획하기 위하여 인공지능 기반 분자병리 업무 프로세스가 필요하다.
본 개시가 해결하고자 하는 과제는, 분자병리랩에서 각 기사별, 업무시간별, 검사 수별 변수를 입력하여 최적화된 업무 프로세스 구성을 원하는 기간별로 제안할 수 있는 프로그램을 제공하기 위한 장치 및 방법을 제공하는 것이다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 실시예들 중 적어도 하나에 따른 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치는 분자병리검사와 관련된 데이터를 입력 받는 수신부; 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 학습 데이터 셋을 인공지능 모델에 학습시키는 인공지능 모델 학습부; 및 분자병리검사와 관련된 데이터를 학습된 인공지능 모델에 입력하여, 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측하는 업무 프로세스 예측부를 포함한다.
또한, 본 개시의 다양한 실시예들 중 적어도 하나에 따른 장치의 프로세서에 의해 수행되는 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 방법은 분자병리검사와 관련된 데이터를 입력 받는 단계; 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 학습 데이터 셋을 인공지능 모델에 학습시키는 단계; 및 분자병리검사와 관련된 데이터를 학습된 인공지능 모델에 입력하여, 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측하는 단계를 포함한다.
본 개시에 의하면, 업무처리의 효율 및 속도를 개선하는 효과가 있다.
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 개시에 따른 시스템을 나타낸 도면이다.
도 2는 도 1의 서버의 구성을 나타낸 도면이다.
도 3은 도 2의 프로세서의 구성을 나타낸 도면이다.
도 4는 본 개시에 따른 방법을 나타낸 순서도이다.
도 5는 본 개시의 실시예들을 설명하기 위한 도면이다.
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 경우 뿐만 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 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
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.
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.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서들로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서들은 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서들은, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서들이 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN: Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력데이터)의 해답(출력데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태(State)에서 어떤 행동(Action)을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한, 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망(CNN; Convolutional Neural Network), 순환신경망(RNN; Recurrent Neural Network), 트랜스포머(Transformer), 생성적 대립 신경망(GAN; generative adversarial networks) 등으로 구분될 수 있다.
본 장치와 시스템은 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, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다.
프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 예를 들어 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.
본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다. 이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
도 1은 본 개시에 따른 시스템을 나타낸 도면이고, 도 2는 도 1의 서버의 구성을 나타낸 도면이며, 도 3은 도 2의 프로세서의 구성을 나타낸 도면이다.
도 1, 도 2, 및 도 3을 참조하면, 단말기(110)는 다양한 데이터를 서버(120)에 전송할 수 있다. 단말기(110)는 휴대성과 이동성이 보장되는 무선 통신 장치로서, 전술한 PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), 스마트 폰 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지 등과 같은 웨어러블 장치를 포함할 수 있다. 단말기(110)의 개수는 하나 이상일 수 있다. 이때, 서로 다른 사용자들 각각은 각자의 단말기(110)를 사용하여 서버(120)와 통신을 수행할 수 있다.
서버(120)는 본 개시의 장치로서, 통신부(121), 메모리(122), 프로세서(123), 데이터베이스(124)를 포함할 수 있다.
통신부(121)는 적어도 하나의 단말기(110)와 통신을 수행할 수 있다. 이때, 통신부(121)는 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
메모리(122)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장할 수 있고, 메모리(122)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(123)로 구현될 수 있다. 여기에서, 메모리(122)와 프로세서(123)는 각각 별개의 칩으로 구현될 수 있다. 또한, 메모리(122)와 프로세서(123)는 단일 칩으로 구현될 수도 있다.
메모리(122)는 본 장치의 다양한 기능을 지원하는 데이터와, 프로세서(123)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(122)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(122)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
프로세서(123)는, 분자병리검사와 관련된 데이터를 입력 받아, 분자병리검사와 관련된 데이터를 학습된 인공지능 모델에 입력하여, 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측할 수 있다.
프로세서(123)는, 수신부(123_1), 인공지능 모델 학습부(123_2), 및 업무 프로세스 예측부(123_3)를 포함할 수 있다.
수신부(123_1)는, 분자병리검사와 관련된 데이터를 입력 받을 수 있다. 인공지능 모델 학습부(123_2)는, 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 학습 데이터 셋을 인공지능 모델에 학습시킬 수 있다. 업무 프로세스 예측부(123_3)는, 분자병리검사와 관련된 데이터를 학습된 인공지능 모델에 입력하여, 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측할 수 있다.
일 실시예에서, 수신부(123_1)는, 각 업무당 분자병리검사와 관련된 데이터를 수신할 수 있다. 이때, 각 업무당 분자병리검사와 관련된 데이터는, 배정 기사 수, 분자병리 업무, 기사별 분석 업무 당 상세 소요 시간, 각 검사 당 건 수, 기사 업무 휴식 시간, 일별 검체 접수 건수, 업무간 간섭 회피 선호도, 날짜별 업무 선호도, 및 기사 휴가 스케줄을 포함할 수 있다.
일 실시예에서, 업무 프로세스 예측부(123_3)는, 출근시간부터 퇴근시간까지 최적화된 업무 순서 배열, 기사 수 및 업무 기사 구성 조건에 따른 업무 순서 변동 구성, 최적화된 프로세스를 매일 유입되는 검사 건수를 반영하여 1 일별, 2일 단위, 3일 단위, 1주일 단위, 또는 한달 단위로 변경 가능한 최적화된 업무 프로세스를 예측할 수 있다.
일 실시예에서, 학습 데이터 셋은, 기사 수를 포함하는 전체 기사와 관련된 데이터, 업무 소요 시간, 경력, 업무 휴식 시간, 및 간섭 회피 신호를 포함하는 개별 기사와 관련된 데이터, 및 총 검체 양을 포함하는 검체와 관련된 데이터를 포함할 수 있다.
일 실시예에서, 인공지능 모델 학습부(123_2)는, 가장 단시간에 해당 검체의 검사를 완료할 수 있도록 설정한 목적 함수를 기반으로, 전체 기사와 관련된 데이터, 개별 기사와 관련된 데이터, 및 검체와 관련된 데이터를 미리 정의된 업무 스케줄을 포함하는 업무 스케줄 데이터와 매칭하여, 인공지능 모델에 대한 학습을 수행할 수 있다.
일 실시예에서, 학습 데이터 셋은, 배정 기사 수, 분자병리 업무, 기사별 분석 업무 당 상세 소요 시간, 각 검사 당 건 수, 기사 업무 휴식 시간, 일별 검체 접수 건수, 업무간 간섭 회피 선호도, 날짜별 업무 선호도, 및 기사 휴가 스케줄을 더 포함할 수 있다.
일 실시예에서, 인공지능 모델은, 시계열 데이터를 학습할 수 있는 모델로 구현될 수 있다.
일 실시예에서, 업무 프로세스 예측부(123_3)는, 사용자가 수신부(123_1)에 데이터를 입력하지 않아서 결측치가 발생한 경우, 사용자와 다른 사용자들 각각이 입력한 데이터를 기반으로 결측치를 대체하여, 업무 프로세스를 예측할 수 있다. 예를 들면, 사용자가 필요한 정보를 입력하지 않은 경우 시스템이 다른 사용자들의 평균값으로 대체하여 인퍼런스(inference)가 수행되는데, 기사가 스케쥴을 입력하지 않으면, 업무 프로세스 예측부(123_3)는 주변 다른 기사들이 가장 많이 선호하는 스케쥴을 스케쥴인 것으로 반영하여 인퍼런스를 수행할 수 있다.
일 실시예에서, 수신부(123_1)는, 사용자가 예측된 업무 프로세스를 수정한 최종 스케줄에 대응되는 최종 업무 프로세스를 포함하는 수정 데이터를 입력받을 수 있다. 인공지능 모델 학습부(123_2)는, 수정 데이터를 기반으로 인공지능 모델에 학습시킬 수 있다. 업무 프로세스 예측부(123_3)는, 수정 데이터를 기반으로 업무 프로세스를 확정할 수 있다.
데이터베이스(124)는 맞춤형 식이를 설계하기 위해 구축된 다양한 데이터를 저장할 수 있다.
도 1 및 도 2에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
도 4는 본 개시에 따른 방법을 나타낸 순서도이다.
도 4를 참조하면, 본 개시의 방법은 단계 S10, 단계 S20, 및 단계 S30 등을 포함할 수 있다.
단계 S10에서, 장치는 분자병리검사와 관련된 데이터를 입력 받는다.
단계 S20에서, 장치는 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 학습 데이터 셋을 인공지능 모델에 학습시킨다.
단계 S30에서, 장치는 분자병리검사와 관련된 데이터를 학습된 인공지능 모델에 입력하여, 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측한다.
도 5는 본 개시의 실시예들을 설명하기 위한 도면이다.
도 5를 참조하면, 분자병리검사 업무는 병리과 내에 고도의 기술적 능력을 요하는 특화된 업무에 속하며 기사의 숙련도, 검체량, 각 분석 업무 당 소요 시간, 중요도 등에 의해 기관마다 크게 달라질 수 있는 업무체계가 특징이다. 본 개시는 이를 보다 효율적으로 업무 배정을 계획하기 위하여 인공지능 기반 분자 병리 업무 프로세스, 즉 분자병리 랩에서 각 기사별, 업무시간별, 검사 수별 변수를 입력하여 최적화된 업무 프로세스 구성을 원하는 기간별로 제안할 수 있는 프로그램을 제공할 수 있다. 구체적으로, 본 개시의 장치 및 방법은 인공지능을 기반으로 업무 프로세스를 제안할 수 있고, 복수의 데이터를 입력 받아 업무 스케줄 제공 모델을 생성할 수 있으며, 추후에 작업자 및 검체 정보를 입력 받아 스케줄 제공 모델을 제공할 수 있다.
본 개시의 장치 및 방법은 업무 요소들을 입력 받고, 입력된 업무 요소들을 기초로 최적화된 업무 프로세스 제안할 수 있다. 각 업무당 다양한 요소들이 입력될 수 있는데, 다양한 요소들은, 예를 들면, 배정 기사 수, 분자병리 업무(예, ALK FISH, ROS1 FISH, ROS1 RT-PCR, EGFR RT-PCR, EGFR ddPCR, Next generation sequencing, KRAS RT-PCR 등), 기사별 분석 업무 당 상세 소요 시간(예: DNA 추출 건당 10분, probe incubation 18시간, 이미지 스캔 4시간 등), 각 검사 당 건 수 (예, 1년, 한달, 또는 6개월), 기사 업무 휴식 시간, 일별 검체 접수 건수, 업무간 간섭 회피 선호, 날짜별 업무 선호, 기사 휴가 스케줄 반영 등을 포함할 수 있다. 입력된 업무 요소들을 기초로 최적화된 업무 프로세스는, 예를 들면, 출근에서 퇴근시까지 최적화된 업무 순서 배열, 기사 수, 업무 기사 구성 조건에 따른 업무 순서 변동 구성, 매일 유입되는 검사 건수를 반영하여 일별, 2일, 3일, 1주, 한달 등의 단위 업무 프로세스 구성을 변경 등을 포함할 수 있다. 또한, 업무 스케줄 제공 모델의 학습을 위하여 배정 기사 수, 업무 종류(ALK, FISH, ROS1 FISH, ROS1 RT-PCR, EGFR RT-PCR, EGRF ddPCR, Next generation sequencing, KRAS RT-PCR 등)에 따른 소요시간, 경력, 기사별 업무 당 소요시간, 간섭회피선호도, 업무 휴식시간, 기사 스케줄 등과 같은 요소 데이터가 인공지능 모델에 입력 및 학습될 수 있다. 업무 종류(ALK, FISH, ROS1 FISH, ROS1 RT-PCR, EGFR RT-PCR, EGRF ddPCR, Next generation sequencing, KRAS RT-PCR 등)의 경우, 총건과 각건의 비율등을 고려해야하고, FISH는 2일 3,4시간씩 걸리며, RT-PCR은 4시간 걸리며, Next generation sequencing은 하루에 4-5시간씩 5일 걸릴 수 있다.
본 개시의 장치 및 방법은, 분자병리랩 업무 관련 정보를 기초로(분자병리업무 데이터를 기초로), 분리병리업무에 최적화된 업무 프로세스를 제공할 수 있고, 출근에서 퇴근까지 업무 관련 조건에 따른 (분리병리업무에) 최적화된 업무 순서, 업무 시간 단위 별 업무 프로세스를 제공할 수 있고, 분자병리업무와 관련된 요소들을 입력하여 출근에서 퇴근까지의 최적화된 업무 순서 배열, 기사 수 및 업무 기사 구성 조건에 따른 업무 순서 변동을 제공, 유입되는 검사 건수를 반영하여 기간단위 업무 프로세스 구성 변경을 제공할 수 있다.
본 개시의 장치 및 방법은, 데이터모델을 가지고 예측된 스케줄을 바탕으로 기사별, 날짜별, 업무별, 선호도별 등을 파악하여 가장 단시간에 해당 검체의 검사를 완료할 수 있도록 최적화된 업무 분배 및 배정을 제공함으로써, 기사별 최적화된 업무를 제안할 수 있다. 또한, 해당 기사가 예측된 스케줄을 수정하여 최종 확정할 수 있다.
분자병리검사 업무에 있어서, 기사별 상황이 다르므로 가장 신속하게 업무를 처리하는 방법이 고려되어 왔는데, 본 개시에 의하면, 기사별 상황 요소에 따라 시간 배분 등이 달라지므로 이를 보다 효율적으로 업무 배정을 계획할 수 있고, 업무처리 속도를 개선하는 효과가 있다.
학습 모델은 시계열적 데이터를 학습하는 모델로서, 예를 들어 RNN부터 트랜스포머까지 해당될 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.
전술한 바와 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 (10)

  1. 분자병리검사와 관련된 데이터를 입력 받는 수신부;
    상기 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 상기 학습 데이터 셋을 인공지능 모델에 학습시키는 인공지능 모델 학습부; 및
    상기 분자병리검사와 관련된 데이터를 상기 학습된 인공지능 모델에 입력하여, 상기 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측하는 업무 프로세스 예측부를 포함하는, 장치.
  2. 제1 항에 있어서,
    상기 수신부는,
    각 업무당 상기 분자병리검사와 관련된 데이터를 수신하고,
    각 업무당 상기 분자병리검사와 관련된 데이터는,
    배정 기사 수, 분자병리 업무, 기사별 분석 업무 당 상세 소요 시간, 각 검사 당 건 수, 기사 업무 휴식 시간, 일별 검체 접수 건수, 업무간 간섭 회피 선호도, 날짜별 업무 선호도, 및 기사 휴가 스케줄을 포함하는 것을 특징으로 하는, 장치.
  3. 제2 항에 있어서,
    상기 업무 프로세스 예측부는,
    출근시간부터 퇴근시간까지 최적화된 업무 순서 배열, 기사 수 및 업무 기사 구성 조건에 따른 업무 순서 변동 구성, 최적화된 프로세스를 매일 유입되는 검사 건수를 반영하여 1 일별, 2일 단위, 3일 단위, 1주일 단위, 또는 한달 단위로 변경 가능한 최적화된 업무 프로세스를 예측하는 것을 특징으로 하는, 장치.
  4. 제3 항에 있어서,
    상기 학습 데이터 셋은,
    기사 수를 포함하는 전체 기사와 관련된 데이터, 업무 소요 시간, 경력, 업무 휴식 시간, 및 간섭 회피 신호를 포함하는 개별 기사와 관련된 데이터, 및 총 검체 양을 포함하는 검체와 관련된 데이터를 포함하는 것을 특징으로 하는, 장치.
  5. 제4 항에 있어서,
    상기 인공지능 모델 학습부는,
    가장 단시간에 해당 검체의 검사를 완료할 수 있도록 설정한 목적 함수를 기반으로, 상기 전체 기사와 관련된 데이터, 상기 개별 기사와 관련된 데이터, 및 상기 검체와 관련된 데이터를 미리 정의된 업무 스케줄을 포함하는 업무 스케줄 데이터와 매칭하여, 상기 인공지능 모델에 대한 학습을 수행하는 것을 특징으로 하는, 장치.
  6. 제5 항에 있어서,
    상기 학습 데이터 셋은,
    상기 배정 기사 수, 상기 분자병리 업무, 상기 기사별 분석 업무 당 상세 소요 시간, 상기 각 검사 당 건 수, 상기 기사 업무 휴식 시간, 상기 일별 검체 접수 건수, 상기 업무간 간섭 회피 선호도, 상기 날짜별 업무 선호도, 및 상기 기사 휴가 스케줄을 더 포함하는 것을 특징으로 하는, 장치.
  7. 제6 항에 있어서,
    상기 인공지능 모델은, 시계열 데이터를 학습할 수 있는 모델로 구현되는 것을 특징으로 하는, 장치.
  8. 제7 항에 있어서,
    상기 업무 프로세스 예측부는,
    사용자가 상기 수신부에 데이터를 입력하지 않아서 결측치가 발생한 경우, 상기 사용자와 다른 사용자들 각각이 입력한 데이터를 기반으로 상기 결측치를 대체하여, 상기 업무 프로세스를 예측하는 것을 특징으로 하는, 장치.
  9. 제8 항에 있어서,
    상기 수신부는,
    상기 사용자가 상기 예측된 업무 프로세스를 수정한 최종 스케줄에 대응되는 최종 업무 프로세스를 포함하는 수정 데이터를 입력받고,
    상기 인공지능 모델 학습부는,
    상기 수정 데이터를 기반으로 상기 인공지능 모델에 학습시키고,
    상기 업무 프로세스 예측부는,
    상기 수정 데이터를 기반으로 상기 업무 프로세스를 확정하는 것을 특징으로 하는, 장치.
  10. 장치에 의해 수행되는 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 방법에 있어서,
    분자병리검사와 관련된 데이터를 입력 받는 단계;
    상기 분자병리검사와 관련된 복수의 데이터를 학습 데이터 셋으로 하여, 상기 학습 데이터 셋을 인공지능 모델에 학습시키는 단계; 및
    상기 분자병리검사와 관련된 데이터를 상기 학습된 인공지능 모델에 입력하여, 상기 학습된 인공지능 모델의 출력으로서 업무 스케줄에 대응되는 업무 프로세스를 예측하는 단계를 포함하는, 방법.
PCT/KR2025/000167 2024-01-04 2025-01-03 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법 Pending WO2025147162A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2024-0001630 2024-01-04
KR1020240001630A KR20250106980A (ko) 2024-01-04 2024-01-04 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2025147162A1 true WO2025147162A1 (ko) 2025-07-10

Family

ID=96300574

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/000167 Pending WO2025147162A1 (ko) 2024-01-04 2025-01-03 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법

Country Status (2)

Country Link
KR (1) KR20250106980A (ko)
WO (1) WO2025147162A1 (ko)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160130557A (ko) 2015-05-04 2016-11-14 삼성에스디에스 주식회사 업무 관리 장치 및 방법

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LAUK KATHARINA, PETERS MIA-CARLOTTA, VELTHAUS JANNA-LISA, NÜRNBERG SYLVIA, UECKERT FRANK: "Use of Process Modelling for Optimization of Molecular Tumor Boards", APPLIED SCIENCES, vol. 12, no. 7, 1 January 2022 (2022-01-01), Basel, pages 1 - 8, XP093333839, ISSN: 2076-3417, DOI: 10.3390/app12073485 *
LESSARD LYSANNE, MICHALOWSKI WOJTEK, CHEN LI WEI, AMYOT DANIEL, HALWANI FAWAZ, BANERJEE DIPONKAR: "Predictive Analytics to Support Real-Time Management in Pathology Facilities", PROCEEDINGS OF THE AMIA ANNUAL SYMPOSIUM, 10 February 2017 (2017-02-10), US , pages 772 - 778, XP093333830, ISSN: 1942-597X *
NAVANI NEAL, BUTLER RACHEL, IBRAHIMO SALMA, VERMA ANJALI, EVANS MATTHEW, DOHERTY GARY J., AHMED SAMREEN: "Optimising tissue acquisition and the molecular testing pathway for patients with non-small cell lung cancer: A UK expert consensus statement", LUNG CANCER, vol. 172, 1 October 2022 (2022-10-01), NL , pages 142 - 153, XP093333832, ISSN: 0169-5002, DOI: 10.1016/j.lungcan.2022.08.003 *
SHI CHAO, WEI BING, LIU XIAOHUI, MENG LIN, ZHAO CHENGZHI, CHANG YUXI, SUN RUI, ZHANG ZHONGXIAN, YU YANG, MA JIE: "Implementation of a pathological diagnosis and treatment pathway may improve the molecular detection of lung cancer", ANNALS OF TRANSLATIONAL MEDICINE, vol. 10, no. 2, 1 January 2022 (2022-01-01), US , pages 1 - 9, XP093333835, ISSN: 2305-5839, DOI: 10.21037/atm-21-6230 *
TIANYU ZHAN; ALAN H HARTFORD; JIAN KANG; WALTER W OFFEN: "Optimizing Graphical Procedures for Multiplicity Control in a Confirmatory Clinical Trial via Deep Learning", ARXIV.ORG, 2 August 2022 (2022-08-02), pages 1 - 34, XP091285081, DOI: 10.1080/19466315.2020.1799855 *

Also Published As

Publication number Publication date
KR20250106980A (ko) 2025-07-11

Similar Documents

Publication Publication Date Title
Zhang et al. TDACNN: Target-domain-free domain adaptation convolutional neural network for drift compensation in gas sensors
KR102591769B1 (ko) 언어 모델을 기반으로 질의 응답 네트워크를 활용한 인적성 검사의 문제 생성 방법 및 서버
CN114912612A (zh) 鸟类识别方法、装置、计算机设备及存储介质
WO2018005433A1 (en) Dynamically managing artificial neural networks
US20230297844A1 (en) Federated learning using heterogeneous labels
CN114972222A (zh) 细胞信息统计方法、装置、设备及计算机可读存储介质
Rosati Guiding principles of AI: application in animal husbandry and other considerations
CN119539011A (zh) 基于教师模型与情境推理的模型蒸馏方法及系统
US20200312432A1 (en) Computer architecture for labeling documents
EP4272076B1 (en) Automated sample analyzer
Craveiro et al. Artificial Intelligence on Project Management Performance Domains
WO2024123021A1 (ko) 앙상블 모델 기반의 조기 위암 림프절 전이를 예측하는 전자 장치 및 그의 학습 방법
WO2025254468A1 (ko) 병원의 자동 생성 메시지 기반 상담 알고리즘의 성과를 분석하는 방법 및 이를 위한 장치
KR20250106980A (ko) 인공지능을 기반으로 분자병리검사에 관한 업무 프로세스를 최적화하기 위한 장치 및 방법
WO2024101840A1 (ko) 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램
Li et al. Enhanced Knowledge Tracing: Leveraging Multi-time Series Features from Interaction Process via an Attention-Based Framework
Chauhan et al. A Scalable Deep Learning Framework for Early Detection of Poultry Diseases Using Faecal Imagery
WO2025105805A1 (ko) 서버, 스마트 스피커, 시건 장치를 구비한 약품 보관함을 포함하는 시스템 및 그의 방법
KR20260023202A (ko) 개체명 인식 모델에 대한 품질 측정 기반 교체 여부 결정하는 전자 장치 및 방법
WO2026095542A1 (ko) 채용서류에서 답변의 구체성을 평가하는 전자 장치 및 이를 이용한 채용서류의 답변 구체성 평가 방법
WO2024019326A1 (ko) 병리 이미지 기반 핵산 양 예측 및 최적의 유전자 검사 제안 장치 및 방법
Sarfraz et al. Applications of AI in Classical Software Engineering
WO2025147161A1 (ko) 인공지능 기반 뇌 동결절편 검사 및 진단 장치 및 방법
KR20260064386A (ko) 인공지능 기반 위암에 관한 맞춤형 의료 교육 서비스 제공 방법, 장치 및 시스템
WO2025147163A1 (ko) 인공지능 기반 췌장 동결절편 검사 및 진단 장치 및 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: 25736316

Country of ref document: EP

Kind code of ref document: A1