[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR101830314B1 - 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 - Google Patents

인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR101830314B1
KR101830314B1 KR1020170094700A KR20170094700A KR101830314B1 KR 101830314 B1 KR101830314 B1 KR 101830314B1 KR 1020170094700 A KR1020170094700 A KR 1020170094700A KR 20170094700 A KR20170094700 A KR 20170094700A KR 101830314 B1 KR101830314 B1 KR 101830314B1
Authority
KR
South Korea
Prior art keywords
pancreatic cancer
probability
quot
conditional probability
bayesian
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.)
Active
Application number
KR1020170094700A
Other languages
English (en)
Inventor
장익규
Original Assignee
재단법인 구미전자정보기술원
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 재단법인 구미전자정보기술원 filed Critical 재단법인 구미전자정보기술원
Priority to KR1020170094700A priority Critical patent/KR101830314B1/ko
Priority to US15/833,828 priority patent/US10971268B2/en
Application granted granted Critical
Publication of KR101830314B1 publication Critical patent/KR101830314B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G06N99/005—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명의 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법은, 바람직한 일 실시예에 따르면, 췌장암 환자 의료 정보를 학습하여 통계 리포트를 생성하는 단계; 실제 췌장암 환자의 각 증상별 통계를 이용한 조건부 확률표를 구성하는 단계; 증상별 통계를 이용하여 구성한 조건부 확률표를 이용하여 베이지안 네트워크를 구성하는 단계; 베이지안 네트워크에 대해서 베이지안 조건부 확률을 적용하는 단계; 및 췌장암 환자로부터 특정한 증상이 있을 경우 췌장암에 걸릴 확률을 도출하는 단계;를 포함한다.
이때, 췌장암 환자 의료 정보는 인공 지능 또는 머신 러닝을 통해서 획득한 통계 자료인 것이 바람직하며, 또한 통계 자료로서는 불규칙한 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 가족력, 남자인 경우 및 여자인 경우 중의 적어도 하나 이상의 항목에 대한 췌장암 발병 확률인 것이 더욱 바람직하다.

Description

인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체{A METHOD OF PROVIDING INFORMATION FOR THE DIAGNOSIS OF PANCREATIC CANCER USING BAYESIAN NETWORK BASED ON ARTIFICIAL INTELLIGENCE, COMPUTER PROGRAM, AND COMPUTER-READABLE RECORDING MEDIA USING THE SAME}
본 발명은 췌장암 진단에 필요한 정보제공 방법, 컴퓨터프로그램 및 컴퓨터 판독 가능한 기록 매체에 관한 것으로, 더욱 상세하게는 베이지안 조건부 확률을 이용하여 예후가 매우 불량한 것으로 알려진 췌장암을 진단하기 위한 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
췌장(膵臟)은 인체 내의 소화 및 분비 기관으로, 위의 아래쪽 쓸개 옆에 붙어 있으며, 다른 명칭으로는 이자(pancreas)라고도 불린다.
췌장은 이자액을 분비하며, 인슐린과 글루카곤과 같은 호르몬을 분비하여 혈당을 일정하게 조절하는 역할 등을 수행하는 내분비샘이다.
췌장은 인체의 상복부의, 위(胃) 뒤쪽, 척추 앞쪽에 위치하고, 십이지장과 소장 등의 장기에 둘러싸여 있어서 몸통 가장 깊은 곳에 위치하는 장기이기 때문에 질병이 발생하더라도 쉽게 진단하거나 검사할 수 없는 다소 까다로운 장기로 알려져 있다.
즉, 췌장에 발생하는 질병은 발견하기가 매우 곤란한데, 이는 대부분 초기 증상이 거의 없기 때문이기도 하거니와, 췌장 자체가 다른 장기들로 둘러싸여 있기 때문이다.
특히, 췌장암은 증상이 발견되면 예후가 매우 불량하여 치사율이 높기 때문에 대부분 조기 진단이 권장된다.
즉, 비교적 사소한 의심 증상이라도 나타나면 즉각적으로 조기 검진 또는 검사를 시행하는 것이 바람직하다.
다만, 단순히 의심이 간다고 하여도, 이는 다분히 주관적인 판단일 뿐이므로, 췌장암일 가능성에 대한 객관화되고 표준화된 절차, 및 췌장암 여부를 스마트하게 판단할 수 있는 진단 프로세스가 요구된다고 하겠다.
현재 알려진 췌장암의 조기 진단 방법으로는, 혈액 검사, 초음파 검사, 전산화 단층 촬영(CT), 조직 검사, 혈청 종양 표지자 검사 등이 있다.
이 중에서 혈액 검사는 췌장암을 바로 진단할 수 없는데, 이는 일부 검사 결과의 수치가 다른 질병에서의 진단되는 수치와 일부 유사한 경우가 많아서 현재로서는 신속하고 정확하게 췌장암을 진단하기 곤란하다는 한계가 있다.
다음으로, 초음파 검사는 복부 초음파 검사나 내시경 초음파 검사(EUS) 등이 포함되나, 복부 초음파 검사는 검사의 정확도가 높지 않아 조기 진단이 어려우며, 내시경 초음파 검사는 정확도는 높은 것으로 알려져 있지만, 진단에 필요한 절차 및 방법이 다소 까다로운 측면이 있어 보편적으로 이용하기에는 다소 어려운 편이다.
또한, 조직 검사는 췌장에 혹이 있거나 췌장암이 확실해 보이는 경우에 실시할 수는 있으며, 병기를 정하는데 이용되지만, 이 검사 역시 진단에 필요한 절차 및 방법이 다소 까다롭기 때문에 보편적 이용은 다소 어려운 편이다.
그리고, 전산화 단층 촬영(CT) 검사는 비수술적 처치에 의해서 진단이 가능하다는 점은 뛰어나지만, 진단에 소요되는 시간 및 대량 진단의 측면에서는 일부 불리한 실정이다.
한편, 혈청 종양 표지자 검사는 종양 세포에 의해 특이하게 만들어져서 암의 진단이나 경과 관찰에 지표가 되는 물질인 종양 표지자(tumor marker)를 검출하여 췌장암을 진단하는 방법에 관한 것으로, 췌장암과 관련하여 가장 널리 사용되는 종양 표지자는 CA(Carbohydrate Antigen 또는 Cancer Antigen이라고도 함) 19-9이다.
종양 표지자는 췌장암 이외 담도를 포함한 소화기 계통의 다른 암에서도 검출되어 일부 췌장암의 검진 오류가 발생하기는 하지만, 진단에 소요되는 절차가 비교적 간단하다는 점, 저렴한 비용으로 수행할 수 있다는 점, 및 대량 진단이 가능하다는 점에서 혈청 종양 표지자 검사는 향후 발전 가능성이 기대되는 진단 기법이라고 할 수 있다.
CA 19-9 암 표지자는 1981 년도에 미국의 해부학 생물학 연구소의 코브로스키가 결장암과 췌장암 환자의 혈청에서 분리하여 췌장암 표지자로서 발표된 것이다.
환자의 혈액에 포함된 특별한 항체(즉, CA 19-9 암 표지자)에 반응하는 화학 발광 기법을 이용하여 분광 분석을 통해서 얻은 수치를 검토하여 특정 환자의 췌장암 발병 여유를 판단할 수 있다.
현재 CA 19-9 암 표지자를 사용하여 국내에서 상용화된 제품으로는 인포피아에서 출시한 면역 진단용 SelexOnTM이 있다.
해당 제품은 췌장암과 같은 암 관련 질병 뿐만 아니라 기타 심장 관련 질환 등에 대해서도 극소량의 혈액만으로 진단할 수 있을 뿐만 아니라, 진단에 소요되는 시간 역시 10 여분 정도이기 때문에, 발병 후 치료 개념이 아니라 발병 전 예방 개념을 고려한다면 매우 효율적인 제품으로 기대되며, 이 제품을 사용하는 경우 췌장암의 예후 판정과 치료 후 추적 검사에 필요한 지표를 얻는 데에도 사용할 수 있다.
다만, CA 19-9 암 표지자는 일반적으로 췌장암 환자에 대해서 79 내지 81 % 정도의 민감도를 가지고 있고, 췌장염이나 황달과 같은 증상을 가진 환자에 대해서 긍정 오류(False-Positive)가 발생하기 때문에 췌장암을 선별하기 위한 단일 기준으로 추천되지는 않고 있다.
특히, 미국 임상 종양 학회(American Society of Clinical Oncology, ASCO)는 췌장암을 선별하기 위한 검사로서 CA 19-9 암 표지자의 사용을 권장하지 않고 있는데, 상술한 긍정 오류 때문이며, 다만 췌장 종괴(pancreatic tumor)가 있는 환자에 대해서만 CA 19-9 암 표지자를 사용하여, 췌장암과 다른 질병을 구별할 것을 권고하고 있다.
따라서, 간편하고 신속하며 대량 처리가 가능한 CA 19-9 암 표지자를 사용하면서도 췌장암에 대한 판별의 정확도/민감도를 높일 수 있는 방법이 필요하다.
본 발명이 속하는 기술 분야에서 알려진 종래 기술로는 CA 19-9 (carbohydrate antigen 19-9) 등을 포함하는 췌장암 진단용 마커 단백질을 포함하는 췌장암 진단용 조성물을 사용하여 췌장암의 발병 가능성 여부를 판단하고 있다(특허 문헌 1 참조).
그러나, 상술한 바와 같이, CA 19-9 암 표지자는 긍정 오류(False-Positive)로부터 자유롭지 않으며, 이는 특허 문헌 1에서도 동일하게 회피할 수 없는 문제이다.
이에, 본 발명의 발명자들은 이와 같은 저간의 사정을 감안하여 각고의 노력 끝에 치사율이 높은 췌장암의 조기 진단을 위해서 기존의 CA 19-9 암 표지자를 사용하면서 동시에 췌장암을 발생시킬 우려가 있는 주요 관련 증상을 조합하고, 여기에 베이지안 조건부 확률을 이용하여 조기에 췌장암을 진단할 수 있는 방법에 도달하였다.
대한민국 공개특허공보 제10-2016-0057352호(2016년 05월 23일 공개, 발명의 명칭: 췌장암 진단용 조성물 및 이를 이용한 췌장암 진단 방법)
본 발명은 예후가 불량하고 치사율이 높은 췌장암을 조기에 진단하기 위해서 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체를 제공하는 것을 목적으로 한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들) 역시 이하의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자("통상의 기술자")라면 명확하게 이해할 수 있을 것이다.
상기 과제를 해결하기 위해서, 본 발명의 바람직한 일 실시예에 따르면, 본 발명의 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법은, 췌장암 환자 의료 정보를 학습하여 통계 리포트를 생성하는 단계; 실제 췌장암 환자의 각 증상별 통계를 이용한 조건부 확률표를 구성하는 단계; 증상별 통계를 이용하여 구성한 조건부 확률표를 이용하여 베이지안 네트워크를 구성하는 단계; 베이지안 네트워크에 대해서 베이지안 조건부 확률을 적용하는 단계; 및 췌장암 환자로부터 특정한 증상이 있을 경우 췌장암에 걸릴 확률을 도출하는 단계;를 포함할 수 있다.
또한, 본 발명의 바람직한 일 실시예에 따르면, 췌장암 환자 의료 정보는 인공 지능 또는 머신 러닝을 통해서 획득한 통계 자료인 것이 바람직하다.
또한, 본 발명의 바람직한 일 실시예에 따르면, 통계 자료는 불규칙한 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 가족력, 남자인 경우 및 여자인 경우 중의 적어도 하나 이상의 항목에 대한 췌장암 발병 확률인 것이 바람직하다.
또한, 본 발명의 바람직한 일 실시예에 따르면, 실제 췌장암 환자의 각 증상별 통계를 이용한 조건부 확률표를 구성하는 단계는, 실제 췌장암 환자에 대해서 얻어진 통계 리포트로부터, 상술한 통계 자료 중의 상기 적어도 하나 이상의 항목에 대한 조건부 확률표를 구성하는 단계를 포함할 수 있다.
또한, 본 발명의 바람직한 일 실시예에 따르면, 베이지안 조건부 확률을 적용하는 단계는, 일반인이 췌장암에 걸릴 확률을
Figure 112017071988331-pat00001
라고 하고, 췌장암에 걸렸을 때 특정 증상이 나타날 확률을
Figure 112017071988331-pat00002
라고 할 때, 베이지안 조건부 확률 공식을 이용하여 췌장암 관련 증상이 나타날 때 췌장암일 확률인
Figure 112017071988331-pat00003
를 계산하는 단계일 수 있다. 여기에서, P는 췌장암(Pancreatic Cancer), S는 증상(Symptoms)을 각각 나타낸다.
또한, 본 발명의 바람직한 일 실시예에 따르면, 베이지안 조건부 확률 공식은, (i) 사건 P(P)가 참일 때, P(S)가 일어날 조건부 확률은 이하의 수학식 1로 정의되며, (ii) 역으로, P(S)가 주어졌을 때 P(P)가 일어날 조건부 확률은 이하의 수학식 2로 정의되며, (iii) 여기에서,
Figure 112017071988331-pat00004
의 관계를 만족하므로, 상기 수학식 2를 정리하면 이하의 수학식 3과 같이 나타낼 수 있으며, (iv) 따라서, 췌장암일 확률인
Figure 112017071988331-pat00005
은 이하의 수학식 4에 의해서 계산될 수 있다.
[수학식 1]
Figure 112017071988331-pat00006
[수학식 2]
Figure 112017071988331-pat00007
[수학식 3]
Figure 112017071988331-pat00008
[수학식 4]
Figure 112017071988331-pat00009
기타 본 발명의 바람직한 실시예의 구체적인 사항은 상세한 설명 및 첨부 도면에 포함되어 있다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부하는 도면을 참조하여 더욱 상세하게 설명하고 있는 이하의 각 실시예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 설명하는 실시예만으로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 본 발명의 각 실시예는 단지 본 발명의 개시가 완전하도록 하며, 통상의 기술자에게 본 발명의 범위 및 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구 범위의 각 청구항의 범위에 의해 정의될 뿐임을 알아야 한다.
이와 같은 본 발명에 따르면, 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체가 제공될 수 있다.
본 발명에 따르면, 신속하고 정확하게 췌장암일 확률을 계산할 수 있다는 효과가 있다.
또한, 본 발명에 따르면, CA 19-9 암 표지자의 긍정 오류가 제거되어 조기 진단이 가능하면서도 정확한 췌장암의 확률을 계산하여 정확한 췌장암 진단이 가능하다는 효과를 기대할 수 있다.
도 1은, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법의 전체적인 흐름을 나타낸 순서도이다.
도 2는, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 베이지안 네트워크를 나타낸 도면이다.
도 3은, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 사후 한계 확률을 확인하는 일 방법을 나타낸 도면이다.
도 4는, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 베이지안 조건부 확률에 기초하여 각 환자의 임상 증상으로부터 해당 환자가 췌장암에 걸릴 또는 걸렸을 확률을 도출하는 일 방법을 나타낸 도면이다.
이하에서, 첨부 도면을 참조하여 본 발명의 목적, 특징 및 장점에 대해서 상세하게 설명하기로 하며, 이에 따르면 통상의 기술자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명을 설명함에 있어서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 기타 통상의 기술자라면 충분히 기술적으로 유추할 수 있는 구성, 및 종래 기술을 포함하는 공지 기술에 대한 구성 등에 대한 상세한 설명은 생략될 수도 있음을 알아야 한다.
또한, 도면에서 동일한 참조 부호는 동일 또는 유사한 구성 요소를 가리키는 것으로 사용된다.
또한, 본 명세서에 기재된 각 단계에 있어 식별 부호(예를 들어, 각각의 도면 부호)는 설명의 편의를 위하여 사용되는 것일 뿐이며, 이들 식별 부호는 각 단계의 순서를 확정적으로 지정하여 설명하는 것이 아니며, 문맥상 각 단계의 특정 순서를 명시적으로 기재하지 않는 이상 본 명세서에 기재된 각 단계의 순서와 상이하게 발생할 수도 있다.
이하에서 설명하는 본 발명의 각 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하에서 설명한 실시예만으로 한정되는 것은 아니다.
또한, 본 발명의 각 실시예는 통상의 기술자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것임을 알아야 한다.
도 1은, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법의 전체적인 흐름을 나타낸 순서도이다.
도 1에 따르면, 본 발명의 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법은, 췌장암 환자에 대한 통계 자료 학습 단계(S100), 베이지안 조건부 확률 적용 단계(S200), 및 증상이 있을 경우 췌장암에 걸릴 확률을 도출하는 단계(S300)를 포함하며, 선택적으로 췌장암 진단 보조 자료로 활용하는 단계(S400)를 포함할 수 있다.
여기에서, 본 발명에서 사용하는 개념으로서의 베이지안 조건부 확률에 대해서 간단하게 설명하기로 한다.
일반인이 췌장암에 걸릴 확률을
Figure 112017102187955-pat00010
라고 하고, 췌장암에 걸렸을 때 특정 증상이 나타날 확률을
Figure 112017102187955-pat00011
라고 할 때, 베이지안 조건부 확률 공식을 이용하면, 역으로 췌장암 관련 증상이 나타날 때 췌장암일 확률인
Figure 112017102187955-pat00012
를 계산할 수 있다.
여기에서, P는 췌장암(Pancreatic Cancer)을, S는 증상(Symptoms)을 지시한다.
더욱 구체적으로, 베이지안 조건부 확률은 다음과 같은 단계를 거쳐서 확정될 수 있다.
사건 P(P)가 참일 때, P(S)가 일어날 조건부 확률은 베이지안 조건부 확률 공식에 따라서 다음과 같이 표현할 수 있다.
Figure 112017071988331-pat00013
역으로, P(S)가 주어졌을 때 P(P)가 일어날 조건부 확률은 다음과 같다.
Figure 112017071988331-pat00014
여기에서,
Figure 112017071988331-pat00015
의 관계를 만족하므로, 수학식 2를 정리하면 다음 수학식 3과 같이 나타낼 수 있다.
Figure 112017071988331-pat00016
따라서, 췌장암일 확률인
Figure 112017071988331-pat00017
은 다음과 같이 나타낼 수 있다.
Figure 112017071988331-pat00018
이상 나타낸 바와 같이,
Figure 112017071988331-pat00019
및
Figure 112017071988331-pat00020
를 통계로 알고 있다면, 즉 사전에 이들 값을 알고 있다면, 사후에
Figure 112017071988331-pat00021
를 계산할 수 있음을 알 수 있다.
즉, 일반인이 췌장암에 걸릴 확률과 췌장암에 걸렸을 때의 특정 증상이 나타날 가능성을 알고 있으면 실제 나타난 증상을 통해서 해당 일반인이 췌장암에 걸릴 확률을 구할 수 있다.
이상과 같은 베이지안 조건부 확률을 염두에 두고, 이하에서 계속 본 발명의 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법에 대해서 설명하기로 한다.
상술한 바와 같이, 사전에 P(P) 및 P(S|P), 즉 일반인이 췌장암에 걸릴 확률과 췌장암에 걸렸을 때의 특정 증상이 나타날 가능성을 사전에 통계적으로 알고 있다면, 사후에 P(P|S), 즉 췌장암에 걸렸을 확률을 구할 수 있음을 알 수 있다.
이와 같은 점을 감안하여, 본 발명은 췌장암 환자에 대한 통계 자료를 학습하는 단계(S100)를 포함하고 있다.
본 단계(S100)는, 예컨대, 공개된 췌장암 환자 관련 통계 자료를 학습하는 단계일 수 있다.
본 단계(S100)는 바람직하게는 웹 크롤러와 같은 데이터 수집 장치를 사용하고, 신경망과 같은 인공 지능 또는 기타 머신 러닝(machine learning)을 수행하여 관련 통계 자료를 획득여 통계 리포트를 생성할 수 있음을 알아야 한다.
다르게는, 암 질환과 관련하여 문헌으로 공개된 자료를 수동으로 입력한 통계 자료를 학습할 수도 있다.
이와 같은 통계 자료의 학습은 인공 지능 시스템 또는 머신 러닝 시스템을 이용할 수 있으며, 이를 위한 구체적인 시스템 구성은 본 발명의 범위를 넘어가므로 이들 구성에 대한 상세한 설명은 생략한다.
이하, 본 발명의 췌장암 환자에 대한 통계 자료를 학습하는 단계(S100)에서 학습한 통계 자료의 통계 리포트를 다음 표 1에 정리하여 나타내었다.
Figure 112017071988331-pat00022
[1] : 국립 암 정보 센터(National Cancer Information Center, Korea)의 2016년 국내 통계 자료로부터 학습한 결과.
[2] : Peking Union Medical College, Beijing, China의 2009 내지 2014년까지의 236 명에 대한 통계 자료로부터 학습한 결과.
[3] : 서울대 혈액 종양 내과(Seoul National University Dept. Hemato Oncology, Korea)의 2015년 통계 자료로부터 학습한 결과.
본 발명의 췌장암 환자에 대한 통계 자료를 학습하는 단계(S100)에서 학습되는 통계 자료는, 표 1에 나타낸 바와 같이, 불규칙한 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 및 가족력 등의 각 항목에 대해서 췌장암일 확률(TRUE)과 아닐 확률(FALSE)이다.
이에 덧붙여, 남자의 경우와 여자의 경우에 췌장암일 확률과 같은 보조적인 통계 자료도 학습하여 통계 리포트로 제공할 수 있음을 알아야 한다.
물론이지만, 본 발명에 있어서, 표 1에 나타낸 각 항목만을 학습하여 통계 리포트를 제공하는 것 뿐만 아니라, 췌장암을 진단하는데 도움이 되는 다른 항목, 예컨대, 빌리루빈이나 알부민 수치, 또는 담관염과 담도 폐색 여부 등과 같은 항목이 추가될 수도 있음을 알아야 한다.
표 1로부터, 예를 들어, 불규칙한 복통이 있는 환자의 경우 췌장암일 확률(TRUE)이 41.7 %(따라서, 췌장암이 아닐 확률은 58.3 %)라는 조건부 확률로 나타내어지는 통계 자료, 또는 구토나 소화 불량이 있는 환자의 경우 췌장암일 확률은 9.1 %라는 조건부 확률로 나타내어지는 통계 자료 등을 알 수 있다.
또한, 표 1로부터 CA 19-9 암 표지자의 경우, 84 %의 조건부 확률로 췌장암일 확률을 보여주고 있지만, 상술한 바와 같이, 긍정 오류(False-Positive)가 발생하기 때문에 췌장암을 진단하는 유일한 잣대로 사용하는 것은 불필요한 수술이나 항암 치료 또는 췌장암을 악화시키는 무치료 등으로 이어질 수 있기 때문에 결코 바람직하지 않다.
이에, 본 발명의 발명자들은 베이지안 네트워크 기법을 사용하기 위해서, 상술한 표 1의 각 항목에 대한 조건부 확률표(CPT, Conditional Probability Table)를 작성하여 췌장암 여부를 판단하기 위한 각 노드의 확률을 표현하였다.
즉, 본 발명의 바람직한 일 실시예에 따르면 베이지안 조건부 확률 적용 단계(S200)가 수행될 수 있다.
본 단계(S200)에서, 본 발명의, 예컨대 조건부 확률표를 이용하여 구성된 베이지안 네트워크에 상술한 베이지안 조건부 확률을 얻는 방법을 적용할 수 있다.
구체적으로, 베이지안 네트워크에서는 각 노드의 확률은 조건부 확률표를 사용하여 표현하고 있으며, 본 발명에서는 다음 표 2 내지 표 10에 나타낸 바와 같이 각 항목에 대한 조건부 확률표를 작성하였다.
먼저, 췌장암 여부를 판단하는 노드에 대해서 확률을 부여할 수 있는 바, 상기 표 1로부터 췌장암은 10 만명을 기준으로 11 명이 걸리는 질병이므로, 이를 반영하여 췌장암 여부를 판단하는 확률은 다음 표 2와 같이 나타낼 수 있다.
Figure 112017071988331-pat00023
다음으로, 췌장암 환자일 경우의 각 증상에 대한 통계 자료 중에서, 먼저 불규칙한 복통(Abdominal pain) 증상에 대해서 살펴보면, 불규칙한 복통 증상과 관련한 노드의 조건부 확률은 다음 표 3과 같이 나타낼 수 있다.
췌장암 환자일 경우 해당 증상이 나타날 확률은 41.7 %이고, 해당 증상이 나타나지 않을 확률은 58.3 %이며, 이때 편의상, 췌장암 환자가 아닐 경우에도 해당 증상이 나타날 확률은 0.1 %, 해당 증상이 나타나지 않을 확률은 99.9 %라고 설정하였다.
Figure 112017071988331-pat00024
이하, 표 3에서와 유사한 요령에 따라서, 상기 표 1의 췌장암 환자일 경우의 각 증상에 대한 통계 자료의 각 항목에 대한 조건부 확률을 일괄적으로 정리하여 나타내기로 한다.
일부 경우에 있어서, 췌장암 환자가 아닐 경우에도 해당 증상이 나타날 확률은 0.1 %, 해당 증상이 나타나지 않을 확률은 99.9 %라고 설정하였으며, 일부 경우에 있어서는 다른 확률을 설정하였음을 알아야 한다.
Figure 112017071988331-pat00025
Figure 112017071988331-pat00026
Figure 112017071988331-pat00027
Figure 112017071988331-pat00028
Figure 112017071988331-pat00029
Figure 112017071988331-pat00030
Figure 112017071988331-pat00031
이상 표 3 내지 표 10에 나타낸 췌장암 환자일 경우의 각 증상에 대한 통계 자료의 각 항목에 대한 조건부 확률을 바탕으로 하여, 베이지안 네트워크를 구성할 수 있으며, 이 베이지안 네트워크를 이용하여 췌장암과 같은 질병에 대한 의학적 추론, 예컨대 췌장암의 발병 확률로부터 췌장암의 진단이 가능하다.
여기에서, 추론은 크게 진단과 인과로 나눌 수 있으며, 진단은 증상을 두고 그 원인에 대해 밝히는 것을 말하고, 인과는 원인이 주어졌을 때 그 결과를 밝히는 것을 말한다.
에를 들면, 임상적인 특정 증상을 보고 췌장암인지 여부를 밝혀내는 작업을 진단이라 할 수 있고, 이와 달리 이미 췌장암에 걸린 환자가 보일 수 있는 증상을 밝혀내는 작업은 인과라 할 수 있다.
본 발명에서는 췌장암 환자들의 증상을 통해 얻은 통계(즉, 인과)를 이용하여 일반인이 췌장암에 걸렸을 지에 대한 확률을 추론(즉, 진단)하기 위해서 베이지안 네트워크를 사용하였다.
구체적으로, 본 발명에 따르면, 베이지안 네트워크는 특정 상황에 대한 지식을 원인과 결과의 형태로 표현한 그래프로 표시할 수 있다.
이때, 베이지안 네트워크는 명제에 해당하는 것을 노드(타원 모양)로 표시하고, 그 명제를 대표하는 이름을 부여하고, 원인이 되는 명제에서 결론이 되는 명제로 선(edge)을 긋는다.
이와 같이, 원인과 결과를 모두 연결하면 최종적으로 베이지안 네트워크가 완성된다.
이때, 원인과 결과를 연결할 때는 반드시 한쪽 방향으로만 연결되어야 하며, 이와 같이 한쪽 방향으로만 연결된 그래프를 방향성 비순환 그래프(Directed Acyclic Graph)라고 부른다.
본 발명의 일 실시예에 따라서, 표 3 내지 표 10의 통계 자료를 이용하여 췌장암의 진단 가능성을 베이지안 네트워크 그래프로 도시하면 도 2에 나타낸 바와 같다.
도 2는, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 베이지안 네트워크를 나타낸 도면이다.
이때, 경우의 수가 적은 경우, 즉 노드의 갯수가 많지 않은 경우에는 수작업으로도 충분히 진행할 수 있지만, 노드의 숫자가 증가하게 되면 계산량이 급증하게 되므로, 컴퓨터의 도움을 받는 것이 바람직하며, 이에 본 발명의 발명자들은 이를 위해서 공개 소프트웨어인 SamIam(UCLA, USA) 패키지를 사용하여, 베이지안 네트워크를 구성하기 위해, 각각의 노드를 도 2에 나타낸 바와 같이 구성하고, 해당 프로그램을 실행하여 희망하는 결과를 도출하였다.
도 2에 있어서, 췌장암이 발병한 환자(즉, 원인)가 보이는 증상(즉, 결과)의 관점에서 보았을 때, 이들 원인과 결과 각각의 사전 확률(즉, 사전 한계 확률)이 각 노드에 표시되어 있다.
도 2로부터 알 수 있는 바와 같이, 예컨대, 불규칙한 복통이라는 증상에 대해서는 0.10 %의 췌장암일 확률과 99.90 %의 췌장암이 아닐 확률이 표시된다.
실제로 췌장암 환자일 경우, 즉 100 %의 확률 상황에서 얻어진 통계 리포트로부터, 도 2에 나타낸 각 노드에 나타낸 원인과 결과의 사전 확률이 일치하는 값을 나타내는 지를 확인하는 것이 바람직하며, 이 때의 확률값을 사후 한계 확률이라고 한다.
사후 한계 확률을 확인하는 일 방법으로서는 도 3의 그래프를 참조하여 설명한다.
도 3은, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 사후 한계 확률을 확인하는 일 방법을 나타낸 도면이다.
도 3으로부터, 실제 췌장암 환자(즉, 확률 100 %)이면서, 불규칙한 복통이라는 증상이 나타나는 경우의 췌장암일 확률은 41.70 %이며, 구토나 소화 불량이라는 증상에 대해서는 9.10 % 등임을 알 수 있다.
정리하건대, 도 3에 나타낸 그래프는 표 1에 나타낸 내용을 베이지안 네트워크로 표시한 것임을 알아야 한다.
다음으로, 증상이 있을 경우 췌장암에 걸릴 확률을 도출하는 단계(S300)가 수행될 수 있는데, 이 단계(S300)는 상술한 베이지안 조건부 확률 적용 단계(S200)에 의해서 얻어진 베이지안 조건부 확률에 기초하여 각 환자의 임상 증상으로부터 해당 환자가 췌장암에 걸릴 또는 걸렸을 확률을 도출하는 단계이다.
이 단계(S300)에서의 바람직한 일 실시예에 대해서는 도 4를 참조하여 설명한다.
도 4는, 본 발명의 바람직한 일 실시예를 나타낸 것으로, 베이지안 조건부 확률에 기초하여 각 환자의 임상 증상으로부터 해당 환자가 췌장암에 걸릴 또는 걸렸을 확률을 도출하는 일 방법을 나타낸 도면이다.
도 4에 따르면, 췌장암 가족력(Family History)이 있고(즉, 확률 100 %), CA 19-9 암 표지자 수치가 양성(즉, 확률 100 %)이면서, 흡연자(Smoking)일 때(즉, 확률 100 %) 췌장암일 확률은 93.85 %임을 나타낸다.
이때, CA 19-9 암 표지자의 수치는 통상의 기술자라면 37 U/㎖ 이하인 것이 바람직한 것은 잘 알 것이다.
이상의 설명에 바탕하여, 일반인들에게 각각의 증상이 발현되는 경우의 췌장암일 가능성을 진단하는 경우에 대해서 다음 표 11에 정리하였다.
Figure 112017071988331-pat00032
표 11로부터 알 수 있는 바와 같이, 다른 증상 없이 단일 증상으로서 불규칙한 복통(Abdominal pain)가 True일 때의 췌장암일 가능성은 4.39 %, 구토, 소화 불량(Nausea & Vomiting)이 True일 때의 췌장암일 가능성은 0.99 % 등임을 알 수 있다.
또한, 두 가지 증상이 동시에 나타난 경우, 예컨대, 불규칙한 복통과 구토, 소화 불량이 동시에 True인 경우 80.67 %, 구토, 소화 불량과 황달이 동시에 True인 경우 40.5 % 등임을 알 수 있다.
따라서, 표 11로부터, 단일 증상만으로 췌장암일 확률을 계산하는 경우에는 유의미한 결과를 산출할 수 없는 수준의 낮은 확률이 도출됨을 알 수 있으며, 적어도 주요 증상이 두 가지 이상 발현되는 경우에는 높은 확률, 예컨대 50 %의 확률로 췌장암일 가능성을 나타내는 확률이 도출됨을 알 수 있다.
여기에서 특기할 만한 점으로는 CA 19-9만 단독으로 True일 경우 8.46 %의 췌장암일 확률을 나타냈지만, CA 19-9와 불규칙한 복통(Abdominal pain)이 동시에 True일 경우 97.47 %의 높은 값을 보이는데, 이것은 각 경우가 단독으로 True일 경우의 8.46 %와 4.39 %와는 큰 차이를 나타낸다는 점에 주목해야 한다.
즉, CA 19-9와 다른 주요 증상이 동시에 True인 경우 90 % 내외(표 11에서 증상(SYMPTOM) 번호 12, 13, 14, 15, 및 16에 있어서, 각각, 95.31 %, 97.47 %, 89.37 %, 86.27 %, 90.24 %의 확률)의 높은 확률을 보여주는데, 이는 본 발명의 베이지안 네트워크의 조건부 확률의 특성이 반영된 것으로 보이며, 따라서 의사들이 췌장암 후보군을 조기 선별하는데 중요한 기능이 될 것으로 기대된다고 하겠다.
마지막으로, 본 발명의 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법에 얻어진 췌장암 발병 확률을 이용하여 췌장암 진단 보조 자료로 활용하는 단계(S400)가 선택적으로 수행될 수 있다.
이 단계(S400)는 의사가 해당 확률을 췌장암 진단의 보조 자료로 활용하는 단계이며, 취사 선택하여 사용할 수 있다.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용"에 기재된 여러 가지 다양한 실시예에 관한 설명은 예시적인 것에 불과한 것이며, 통상의 기술자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 내용을 갖는 실시를 수행할 수 있다는 점을 잘 이해하고 있을 것이다.
또한, 본 발명은 여러 가지 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구 범위의 각 청구항의 범위에 의해서 정의될 뿐임을 알아야 한다.
S100 : 췌장암 환자에 대한 통계 자료 학습
S200 : 베이지안 조건부 확률 적용
S300 : 증상이 있을 경우 췌장암에 걸릴 확률 도출
S400 : 췌장암 진단 보조 자료로 활용

Claims (6)

  1. 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법에 있어서,
    웹 크롤러 데이터 수집 장치와 결합되어,
    서버가 SamIam 패키지 소프트웨어를 사용하고 인공 지능 또는 머신 러닝을 통해서 획득한 통계 자료인 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 가족력, 남자인 경우 및 여자인 경우 중의 적어도 하나 이상의 항목에 대한 췌장암 발병 확률로 구성된 췌장암 환자 의료 정보를 학습하여 통계 리포트를 생성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 인공 지능 또는 머신 러닝을 통해서 실제 췌장암 환자에 대해서 얻어진 통계 리포트로부터, 상기 통계 자료 중의 적어도 하나 이상의 항목에 대한 상기 실제 췌장암 환자의 각 증상별 통계를 이용한 조건부 확률표를 구성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 증상별 통계를 이용하여 구성한 상기 조건부 확률표를 이용하여 베이지안 네트워크를 구성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 베이지안 네트워크에 대해서 베이지안 조건부 확률을 적용시키는 단계; 및
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 췌장암 환자로부터 특정한 증상이 있을 경우 췌장암에 걸릴 확률을 도출시키는 단계;를 포함하고,
    상기 베이지안 네트워크는 특정 상황에 대한 지식을 원인과 결과의 형태로 표현한 그래프로 명제에 해당하는 것을 타원 모양의 노드로 표시하고, 그 명제를 대표하는 이름을 부여하고, 원인이 되는 명제에서 결론이 되는 명제로 선(edge)을 그어, 원인과 결과를 모두 한쪽 방향으로만 연결된 방향성 비순환 그래프(Directed Acyclic Graph)이고,
    상기 베이지안 조건부 확률을 적용시키는 단계는,
    일반인이 췌장암에 걸릴 확률을
    Figure 112018006680115-pat00055
    라고 하고, 췌장암에 걸렸을 때 특정 증상이 나타날 확률을
    Figure 112018006680115-pat00056
    라고 할 때, 베이지안 조건부 확률 공식을 이용하여 췌장암 관련 증상이 나타날 때 췌장암일 확률인
    Figure 112018006680115-pat00057
    를 계산시키는 단계이고,
    상기 베이지안 조건부 확률 공식은,
    (i) 사건 P(P)가 참일 때, P(S)가 일어날 조건부 확률은 이하의 수학식 1로 정의되며,
    (ii) 역으로, P(S)가 주어졌을 때 P(P)가 일어날 조건부 확률은 이하의 수학식 2로 정의되며,
    (iii) 여기에서,
    Figure 112018006680115-pat00058
    의 관계를 만족하므로, 상기 수학식 2를 정리하면 이하의 수학식 3과 같이 나타낼 수 있으며,
    (iv) 따라서, 췌장암일 확률인
    Figure 112018006680115-pat00059
    은 이하의 수학식 4에 의해서 계산시키는 것을 특징으로 하는,
    인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법.
    [수학식 1]
    Figure 112018006680115-pat00060

    [수학식 2]
    Figure 112018006680115-pat00061

    [수학식 3]
    Figure 112018006680115-pat00062

    [수학식 4]
    Figure 112018006680115-pat00063

    여기에서,
    P : 췌장암(Pancreatic Cancer),
    S : 증상(Symptoms).
  2. 삭제
  3. 삭제
  4. 삭제
  5. 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체에 있어서,
    웹 크롤러 데이터 수집 장치와 결합되어,
    서버가 SamIam 패키지 소프트웨어를 사용하고 인공 지능 또는 머신 러닝을 통해서 획득한 통계 자료인 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 가족력, 남자인 경우 및 여자인 경우 중의 적어도 하나 이상의 항목에 대한 췌장암 발병 확률로 구성된 췌장암 환자 의료 정보를 학습하여 통계 리포트를 생성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 인공 지능 또는 머신 러닝을 통해서 실제 췌장암 환자에 대해서 얻어진 통계 리포트로부터, 상기 통계 자료 중의 적어도 하나 이상의 항목에 대한 상기 실제 췌장암 환자의 각 증상별 통계를 이용한 조건부 확률표를 구성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 증상별 통계를 이용하여 구성한 상기 조건부 확률표를 이용하여 베이지안 네트워크를 구성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 베이지안 네트워크에 대해서 베이지안 조건부 확률을 적용시키는 단계; 및
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 췌장암 환자로부터 특정한 증상이 있을 경우 췌장암에 걸릴 확률을 도출시키는 단계;를 포함하고,
    상기 베이지안 네트워크는 특정 상황에 대한 지식을 원인과 결과의 형태로 표현한 그래프로 명제에 해당하는 것을 타원 모양의 노드로 표시하고, 그 명제를 대표하는 이름을 부여하고, 원인이 되는 명제에서 결론이 되는 명제로 선(edge)을 그어, 원인과 결과를 모두 한쪽 방향으로만 연결된 방향성 비순환 그래프(Directed Acyclic Graph)이고,
    상기 베이지안 조건부 확률을 적용시키는 단계는,
    일반인이 췌장암에 걸릴 확률을
    Figure 112018006680115-pat00064
    라고 하고, 췌장암에 걸렸을 때 특정 증상이 나타날 확률을
    Figure 112018006680115-pat00065
    라고 할 때, 베이지안 조건부 확률 공식을 이용하여 췌장암 관련 증상이 나타날 때 췌장암일 확률인
    Figure 112018006680115-pat00066
    를 계산시키는 단계이고,
    상기 베이지안 조건부 확률 공식은,
    (i) 사건 P(P)가 참일 때, P(S)가 일어날 조건부 확률은 이하의 수학식 1로 정의되며,
    (ii) 역으로, P(S)가 주어졌을 때 P(P)가 일어날 조건부 확률은 이하의 수학식 2로 정의되며,
    (iii) 여기에서,
    Figure 112018006680115-pat00067
    의 관계를 만족하므로, 상기 수학식 2를 정리하면 이하의 수학식 3과 같이 나타낼 수 있으며,
    (iv) 따라서, 췌장암일 확률인
    Figure 112018006680115-pat00068
    은 이하의 수학식 4에 의해서 계산시키는 것을 특징으로 하는,
    인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체.
    [수학식 1]
    Figure 112018006680115-pat00069

    [수학식 2]
    Figure 112018006680115-pat00070

    [수학식 3]
    Figure 112018006680115-pat00071

    [수학식 4]
    Figure 112018006680115-pat00072

    여기에서,
    P : 췌장암(Pancreatic Cancer),
    S : 증상(Symptoms).
  6. 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터프로그램에 있어서,
    웹 크롤러 데이터 수집 장치와 결합되어,
    서버가 SamIam 패키지 소프트웨어를 사용하고 인공 지능 또는 머신 러닝을 통해서 획득한 통계 자료인 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 가족력, 남자인 경우 및 여자인 경우 중의 적어도 하나 이상의 항목에 대한 췌장암 발병 확률로 구성된 췌장암 환자 의료 정보를 학습하여 통계 리포트를 생성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 인공 지능 또는 머신 러닝을 통해서 실제 췌장암 환자에 대해서 얻어진 통계 리포트로부터, 상기 통계 자료 중의 적어도 하나 이상의 항목에 대한 상기 실제 췌장암 환자의 각 증상별 통계를 이용한 조건부 확률표를 구성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 증상별 통계를 이용하여 구성한 상기 조건부 확률표를 이용하여 베이지안 네트워크를 구성시키는 단계;
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 베이지안 네트워크에 대해서 베이지안 조건부 확률을 적용시키는 단계; 및
    서버가 SamIam 패키지 소프트웨어를 사용하고 상기 췌장암 환자로부터 특정한 증상이 있을 경우 췌장암에 걸릴 확률을 도출시키는 단계;를 포함하고,
    상기 베이지안 네트워크는 특정 상황에 대한 지식을 원인과 결과의 형태로 표현한 그래프로 명제에 해당하는 것을 타원 모양의 노드로 표시하고, 그 명제를 대표하는 이름을 부여하고, 원인이 되는 명제에서 결론이 되는 명제로 선(edge)을 그어, 원인과 결과를 모두 한쪽 방향으로만 연결된 방향성 비순환 그래프(Directed Acyclic Graph)이고,
    상기 베이지안 조건부 확률을 적용시키는 단계는,
    일반인이 췌장암에 걸릴 확률을
    Figure 112018006680115-pat00073
    라고 하고, 췌장암에 걸렸을 때 특정 증상이 나타날 확률을
    Figure 112018006680115-pat00074
    라고 할 때, 베이지안 조건부 확률 공식을 이용하여 췌장암 관련 증상이 나타날 때 췌장암일 확률인
    Figure 112018006680115-pat00075
    를 계산시키는 단계이고,
    상기 베이지안 조건부 확률 공식은,
    (i) 사건 P(P)가 참일 때, P(S)가 일어날 조건부 확률은 이하의 수학식 1로 정의되며,
    (ii) 역으로, P(S)가 주어졌을 때 P(P)가 일어날 조건부 확률은 이하의 수학식 2로 정의되며,
    (iii) 여기에서,
    Figure 112018006680115-pat00076
    의 관계를 만족하므로, 상기 수학식 2를 정리하면 이하의 수학식 3과 같이 나타낼 수 있으며,
    (iv) 따라서, 췌장암일 확률인
    Figure 112018006680115-pat00077
    은 이하의 수학식 4에 의해서 계산시키는 것을 특징으로 하는,
    인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보 제공 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터프로그램.
    [수학식 1]
    Figure 112018006680115-pat00078

    [수학식 2]
    Figure 112018006680115-pat00079

    [수학식 3]
    Figure 112018006680115-pat00080

    [수학식 4]
    Figure 112018006680115-pat00081

    여기에서,
    P : 췌장암(Pancreatic Cancer),
    S : 증상(Symptoms).
KR1020170094700A 2017-07-26 2017-07-26 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 Active KR101830314B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170094700A KR101830314B1 (ko) 2017-07-26 2017-07-26 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
US15/833,828 US10971268B2 (en) 2017-07-26 2017-12-06 Method of providing information for the diagnosis of pancreatic cancer using Bayesian network based on artificial intelligence, computer program, and computer-readable recording media using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170094700A KR101830314B1 (ko) 2017-07-26 2017-07-26 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체

Publications (1)

Publication Number Publication Date
KR101830314B1 true KR101830314B1 (ko) 2018-02-20

Family

ID=61394738

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170094700A Active KR101830314B1 (ko) 2017-07-26 2017-07-26 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체

Country Status (2)

Country Link
US (1) US10971268B2 (ko)
KR (1) KR101830314B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109935328A (zh) * 2019-03-20 2019-06-25 上海铀米机器人科技有限公司 一种基于贝叶斯模型的体质辨识方法
KR102058883B1 (ko) 2019-04-11 2019-12-24 주식회사 홍복 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법
CN111009316A (zh) * 2019-12-25 2020-04-14 福州大学 基于贝叶斯网络的医患匹配方法
CN113396426A (zh) * 2019-03-05 2021-09-14 赫尔实验室有限公司 用于贝叶斯神经形态编译器的网络构成模块
KR20220091408A (ko) 2020-12-22 2022-06-30 두에이아이(주) 인공지능 라만 분석 기법을 이용한 췌장암 조기진단 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020142110A1 (en) * 2018-12-31 2020-07-09 Intel Corporation Securing systems employing artificial intelligence
US11107555B2 (en) 2019-10-02 2021-08-31 Kpn Innovations, Llc Methods and systems for identifying a causal link
CN110970129B (zh) * 2019-12-23 2022-08-16 河南中医药大学 一种基于改进贝叶斯统计判断中医证候的方法
CN112133427A (zh) * 2020-09-24 2020-12-25 江苏天瑞精准医疗科技有限公司 一种基于人工智能的胃癌辅助诊断系统
US20230317279A1 (en) * 2022-03-31 2023-10-05 Quantiphi Inc Method and system for medical diagnosis using graph embeddings

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101009083B1 (ko) 2008-12-02 2011-01-18 인하대학교 산학협력단 욕창발생 위험예측 베이지안 네트워크 시스템
BR112013003391B8 (pt) 2010-08-13 2022-10-25 Somalogic Inc Método para diagnosticar câncer pancreático em um indivíduo
US10482385B2 (en) 2014-09-11 2019-11-19 Berg Llc Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data
KR20160045547A (ko) 2014-10-17 2016-04-27 에스케이텔레콤 주식회사 췌장암 진단용 조성물 및 이를 이용한 췌장암 진단방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113396426A (zh) * 2019-03-05 2021-09-14 赫尔实验室有限公司 用于贝叶斯神经形态编译器的网络构成模块
CN109935328A (zh) * 2019-03-20 2019-06-25 上海铀米机器人科技有限公司 一种基于贝叶斯模型的体质辨识方法
KR102058883B1 (ko) 2019-04-11 2019-12-24 주식회사 홍복 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법
CN111009316A (zh) * 2019-12-25 2020-04-14 福州大学 基于贝叶斯网络的医患匹配方法
CN111009316B (zh) * 2019-12-25 2022-06-21 福州大学 基于贝叶斯网络的医患匹配方法
KR20220091408A (ko) 2020-12-22 2022-06-30 두에이아이(주) 인공지능 라만 분석 기법을 이용한 췌장암 조기진단 방법
WO2022139465A1 (ko) * 2020-12-22 2022-06-30 두에이아이(주) 인공지능 라만 분석 기법을 이용한 췌장암 조기진단 방법

Also Published As

Publication number Publication date
US20190035504A1 (en) 2019-01-31
US10971268B2 (en) 2021-04-06

Similar Documents

Publication Publication Date Title
KR101830314B1 (ko) 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
Bruining et al. Benefit of computed tomography enterography in Crohn's disease: effects on patient management and physician level of confidence
Anderson et al. Differences in detection rates of adenomas and serrated polyps in screening versus surveillance colonoscopies, based on the new hampshire colonoscopy registry
Choi et al. Endoscopic ultrasound‐guided portal pressure gradient with liver biopsy: 6 years of endo‐hepatology in practice
Shin et al. Knowledge, attitudes, and practice on second primary cancer screening among cancer survivors: a qualitative study
JP2007524461A (ja) 乳房撮像の自動診断及び決定支援システム及び方法
Messaris et al. Role of magnetic resonance enterography in the management of Crohn disease
Nayor et al. Impact of physician compliance with colonoscopy surveillance guidelines on interval colorectal cancer
Salmi et al. To screen or not to screen: reconciling individual and population perspectives on screening
Young Population‐based screening for colorectal cancer: Australian research and implementation
Territo et al. Clinical signs and symptoms associated with intussusception in young children undergoing ultrasound in the emergency room
Fukuda et al. Low risk of esophageal adenocarcinoma among patients with ultrashort‐segment Barrett's esophagus in Japan
Choi et al. The current capacity and quality of colonoscopy in Korea
Ponorac et al. Contrast-enhanced ultrasonography in the evaluation of Crohn disease activity in children: comparison with histopathology
Rubenstein et al. Incomplete response of gastroesophageal reflux symptoms poorly predicts erosive esophagitis or Barrett’s esophagus
Xie et al. A new artificial intelligence system for both stomach and small-bowel capsule endoscopy
Choi et al. Deep learning in negative small‐bowel capsule endoscopy improves small‐bowel lesion detection and diagnostic yield
Knottnerus et al. General introduction: evaluation of diagnostic procedures
Costa et al. Magnetic resonance cholangiopancreatography (MRCP) versus endosonography-guided fine needle aspiration (EUS-FNA) for diagnosis and follow-up of pancreatic intraductal papillary mucinous neoplasms
US20100022912A1 (en) Method and apparatus to determine a parameter pertaining to the prostate of a patient
Rubin et al. A Bayesian Network to assist mammography interpretation
Iftikhar et al. A feature fusion based hybrid approach for breast cancer classification
Ibáñez-Sanz et al. False-positive results in a population-based colorectal screening program: Cumulative risk from 2000 to 2017 with biennial screening
Gargouri et al. A Colourachal‐Cutaneous Fistula: A Report of an Unusual Case
Chen et al. Endoscopy-based deep convolutional neural network predicts response to Neoadjuvant Treatment for locally advanced rectal Cancer

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20170726

PA0201 Request for examination
PA0302 Request for accelerated examination

Patent event date: 20170726

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20170822

Patent event code: PE09021S01D

AMND Amendment
E601 Decision to refuse application
PE0601 Decision on rejection of patent

Patent event date: 20171229

Comment text: Decision to Refuse Application

Patent event code: PE06012S01D

Patent event date: 20170822

Comment text: Notification of reason for refusal

Patent event code: PE06011S01I

AMND Amendment
PX0901 Re-examination

Patent event code: PX09011S01I

Patent event date: 20171229

Comment text: Decision to Refuse Application

Patent event code: PX09012R01I

Patent event date: 20171017

Comment text: Amendment to Specification, etc.

PX0701 Decision of registration after re-examination

Patent event date: 20180131

Comment text: Decision to Grant Registration

Patent event code: PX07013S01D

Patent event date: 20180119

Comment text: Amendment to Specification, etc.

Patent event code: PX07012R01I

Patent event date: 20171229

Comment text: Decision to Refuse Application

Patent event code: PX07011S01I

Patent event date: 20171017

Comment text: Amendment to Specification, etc.

Patent event code: PX07012R01I

X701 Decision to grant (after re-examination)
GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20180212

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20180212

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20210304

Start annual number: 4

End annual number: 4

PR1001 Payment of annual fee

Payment date: 20231127

Start annual number: 7

End annual number: 7