사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템 및 방법{System and Method for Diagnosis and Clinical Test Selection using Case Based Machine Learning Inference}

임상 의사 결정 지원 시스템(Clinical Decision Support System)은 환자 진료에서 의사가 진단과 치료에 관한 의사 결정(Decision Making)을 하는 과정을 지원하는 시스템이다. 임상 의사 결정 지원 시스템은 크게 사례 기반 기계학습 추론 시스템(Case Based Machine Learning Inference System)과 전문가 시스템(Expert System)으로 나누어진다. 사례 기반 기계학습 추론 시스템은 질환이 판정된 환자들의 임상 정보(Clinical Information)들을 수집한 후 기계학습을 이용하여 주어진 임상 정보만으로 질환을 추론 또는 판별할 수 있도록 하는 시스템이다. 전문가 시스템은 의학 전문가에 의해 사전에 정해진 규칙(Rule)을 사용하여 질병을 진단하는 시스템이다. 정확하고 종합적인 메커니즘(Mechanism)이 밝혀지지 않은 대다수의 질환들에 대해서는 사례를 기반으로 하는 진단의 중요성이 매우 크다고 할 수 있다. 그러나 특정 기계학습 기법에 국한하여 고안된 기존의 사례 기반 기계학습 추론 시스템은 정확도가 낮아 개선된 시스템의 개발이 지속적으로 요구되고 있다. 또한, 기존의 시스템은 학습된 임상 검사 항목 모두를 이용한 질환 판별기로만 고안되어 있으며 각 질환별 임상 검사 항목의 중요도나 우선순위를 활용할 수 있는 방법을 제공하고 있지 않다.

의사가 환자를 문진하여 증상에 따라 추정되는 질환 후보군을 선정하는 것을 예비진단이라고 한다. 예비진단을 수행함으로써 의사는 선택된 구체적인 질환 후보군에 맞는 심층 검사를 통하여 보다 효율적으로 진단할 수 있다. 예비진단에서 선택된 질환 후보군 각각을 판별할 수 있는 중요 검사 항목을 선정하여 검사를 수행하게 되면 다양한 검사를 수행하지 않더라도 보다 빠르고 정확한 진단을 할 수 있는 장점이 있다. 질환별 또는 질환 간의 감별을 보장하는 최소의 중요 검사 항목을 선정해주는 시스템은 예비진단을 검증하기 위하여 환자를 검사할 때 드는 비용과 시간을 최소화할 수 있으며, 불필요한 검사를 통한 오진 확률을 줄일 수 있다.

본 발명은 의사의 정확한 질환 진단을 지원하기 위한 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템에 관한 것으로, 환자들의 사례 데이터베이스(Database)를 통해 훈련된 인공신경망(Neural Network)과 의사결정나무(Decision Tree)를 결합한 기계학습기(이하 “NNDT 기계학습기”)와 랜덤 포레스트(Random Forest) 기계학습기를 종합한 질환 판별기를 통해 새로운 환자의 검사 정보를 분석하여 질환을 판별하고 예비진단에 의한 각 질환의 최종 판별을 위한 최소의 중요 검사 항목을 선정하여 제공하는 시스템에 관한 것이다.

조기진단 및 조기치료의 중요성으로 인하여 주기적이며 지속적인 건강검진의 수요가 증가되고 있으며, 다양한 질환의 증가와 질환 진단의 복잡성 증가로 인하여 의 사의 질병 진단에 어려움이 커지고 있다. 기계학습 추론을 통한 질환 진단 및 검사 항목 선정 시스템은 진단 검사 의학 전문의의 역할을 분담하여 이러한 수요 증가에 대응할 수 있게 한다. 특히 본 시스템에서 제공하는 질환 판별을 위한 최소 중요 검사 항목 선정 기능은 질환별 진단 또는 질환 간의 감별을 위한 임상병리검사 종류를 최소화하여 저비용, 고효율로 신속, 정확하게 예비진단을 검증할 수 있도록 한다.

기존의 기계학습 추론을 통한 질환 진단 기법은 기계학습 기법을 개별적으로 적용하여 구성하고 있다. 대표적으로 적용된 기계학습 기법으로는 인공신경망을 이용한 기법과 의사결정나무를 이용한 기법이 있다. 인공신경망은 뉴런(Neuron)이라고 불리는 인간의 신경세포와 신경세포간의 상호작용에 의해서 추론을 수행하는 모델을 연구하는 것에서 비롯되었다. 복잡한 문제를 사례기반으로 풀기 위하여 신경세포와 신경세포간의 가중치(Weight)를 조절하여 해당되는 문제에 대한 최적의 가중치를 찾는 것을 목표로 한다. 따라서 예측된 분류에 따라 자동적으로 매개변수(Parameter)를 최적화하게 된다. 또한 복잡한 상관관계를 갖는 입력 특성들과 결과 값 간의 연관성도 은닉층(Hidden Layer)의 최적화를 통해 도출 가능하다. 인공 신경망의 기본적인 학습 알고리즘(Algorithm)은 목표 값과 계산 값의 에러(Error) 최소화를 통해 판별력을 최대화하는데 있다. 목표 값과 계산 값 간의 차이를 에러로 규정하고 규정된 에러를 모든 사례로 확장하여 누적 에러를 구한 뒤, 그 값을 최소화하도록 학습을 한다. 그러나 인공 신경망은 내부의 상관관계를 은닉층 분석을 통해 알아내기가 어렵다. 따라서 망을 어떻게 설계하느냐에 따라 매개변수 최적 화 과정이 어떻게 바뀌는지가 명확하지가 않아 모델(Model) 설계 시 높은 수준의 전문성이 요구된다. 따라서 기존의 인공신경망을 이용한 질환 진단은 신경망의 초기화 상태에 따라 추론 결과가 달라질 수 있으며, 인공신경망 내에서 각 검사 항목이 질환 판별에 기여하는 정도를 파악 할 수 없기 때문에 실제 임상에 요구되는 검사 항목별 중요도를 결정할 수 없다.

의사결정나무는 사례로부터 기계학습을 하여 의사결정나무를 생성하는 기법이다. 의사결정나무를 생성하기 위해서는 나무의 적절한 노드(Node)를 구분하는 것이 중요하다. 각 노드는 속성을 나타내며, 의사결정나무가 판별력이 높도록 생성되기 위해서는 최고의 정보이득(Information gain)을 가져오는 속성 순으로 우선순위를 결정해야한다. 정보이득은 각 속성을 이용한 분류에 따르는 엔트로피(Entropy) 기대감소치를 말한다. 여기서 말하는 엔트로피란 속성에 따라 나뉜 데이터들의 동질성(Homogeneity)을 나타내는 값이다. 이 의사결정나무로부터 의사결정 규칙을 도출하는 것이 가능하다. 의사결정나무는 분류나 예측의 근거를 알려주기 때문에 이해하기가 용이하고, 사례를 구성하는 속성의 수가 불필요하게 많을 경우에도 모형 구축 시 분류에 영향을 미치지 않는 속성들을 자동으로 제외시키기 때문에 사례 선정이 용이하다. 연속형이나 명목형 데이터를 기록된 그대로 처리할 수 있기 때문에 데이터의 변환 단계에서 소요되는 기간과 노력의 단축이 가능하다. 또한 어떠한 속성들이 각각의 분류 값에 결정적인 영향을 주는가를 쉽게 파악 가능하다. 이는 인공 신경망 알고리즘이 가지는 단점을 보완하는 주요한 특징이다. 의사결정나무는 대규모 데이터 집합으로 확장이 용이하기 때문에 방대한 양의 데이터를 다루는 임 상 의사 결정 지원 시스템에 적절하다. 그러나 의사결정나무 알고리즘은 모형을 구축하는데 사용되는 표본의 크기에 지나치게 민감하다는 단점을 가지고 있다. 따라서 보다 정확한 모형을 만들기 위해서는 서로 상이한 값을 갖는 검사 항목을 가능한 한 많이 포함하는 데이터가 필요하다. 또한 의사결정나무를 이용한 질환 진단은 의사결정나무의 상위 노드에서 잘못된 분기가 일어나게 되면 부정확한 추론 결과를 가져올 수 있고, 새로운 정보들에 의한 기계학습으로 인하여 그 구조가 크게 변형될 수 있다. 또한 의사결정나무로 비선형적(Nonlinear)인 정보를 분석할 시에 판별력이 떨어지는 단점이 있다.

위 예와 같이 기계학습 기법을 개별적으로 적용한 질환 진단 시스템들은 판별의 정확성에 한계가 있으며, 검사 항목 선정 기능은 포함하고 있지 않다. 또한 최근 (2001년) 개발된 랜덤 포레스트 기법은 랜덤(Random)하게 추출된 사례의 집합들로 많은 수의 의사결정나무를 생성하고, 학습의 결과로 생성된 여러 의사 결정 나무의 판별 클래스(Class)들을 가중 투표(Voting)하여 최종 클래스를 결정하는 방법으로써 다양한 데이터(Data)에 대하여 높은 정확성을 보이고 있으나, 아직까지 질환 판별을 위한 기계학습기에는 적용된 바가 없다. 본 시스템의 개발 과정에서 랜덤 포레스트 기법을 단순히 적용하는 것만으로도 기계학습기를 이용한 질환 판별의 정확도가 개선되는 것을 알 수 있었다.

본 시스템은 인공신경망(Neural Network)에 의사결정나무(Decision Tree)를 결합하여 최적화한 NNDT 기계학습기와 최근 개발된 최고 수준의 랜덤 포레스트 기계학습기를 결합하여 종합적인 질환 판별을 하는 시스템으로 구성하였다. 또한 이 들 기계학습기로부터 판별을 위한 각 검사 항목의 중요도를 추출하여 예비진단에 대한 최소 검사 항목을 제시할 수 있는 검사 항목 중요도 판별기 및 검사 항목 선정기를 추가하였다.

따라서, 본 발명은 상기한 종래의 문제점을 해결하기 위하여 안출된 것으로, 환자들의 사례를 기반으로 하여 각각의 질환에 대하여 인공신경망과 의사결정나무를 결합한 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 기계학습 훈련기(300)로 훈련하고 이들을 종합한 질환 판별기(510)를 통해 새로운 환자의 검사 정보를 분석하여 질환 판별을 하고, 검사 항목 선정기(520)를 이용하여 질환 판별을 위한 중요 검사 항목을 선정해 주어 예비진단에서 예측된 질환을 검증하기 위한 최소의 중요 검사 항목을 제공할 수 있는 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템(10) 및 방법을 제안하고자 한다.

본 발명은 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템에서 환자 검사 정보를 이용하여 환자의 질환을 판별하고 예비진단에 대한 검사 항목을 선정하는 방법에 있어서, 상기 기계학습 훈련기에서 사례에 기반하여 상기 각각의 기계학습기의 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 훈련하는 단계, 상기 훈련된 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 테스트하여 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 추출하는 단계, 상기 기계학습 훈련기에서 질환별 중요 검사 항목을 결정하는 단계, 상기 진단기에서 환자 검사 정보를 입력으로 상기 훈련된 기계학습기를 이용하여 환자의 질환을 판별하고 예비진단에 대한 중요 검사 항목을 추출하는 단계, 상기 단계 후 판별된 환자의 질환과 환자의 예비진단에 대한 중요 검사 항목을 출력하는 단계로 이루어진 것에 특징이 있다.

본 발명은 사례를 기반으로 하여 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 추론 결과를 결합하여 정확성이 향상된 질환 판별을 할 수 있으며, 예비진단을 효율적으로 검증할 수 있는 최적의 중요 검사 항목들을 제공한다. 또한 본 발명은 질환 판별을 위한 기계학습과정과 중요 검사 항목 선정과정을 결합한 새로운 시스템으로서 주어진 사례 데이터들로부터 질환 판별을 위한 정보와 중요 검사 항목 정보를 동시에 획득할 수 있도록 한다.

본 발명인 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템 및 방법에 의하면 의사결정나무와 인공신경망의 장점을 모두 취할 수 있는 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 동시에 이용한 판별결과를 추론하여 환자의 검사 결과에 대한 보다 정확한 진단을 할 수 있는 정보를 제공하는 효과가 있다. 또한 문진 등 기초 검사를 통해 얻어진 예비진단 단계에서 의심되는 질환들에 대한 진단을 할 수 있는 최소의 중요 검사 항목을 제공하여 의사와 환자 모두에게 효율적이고 경제적인 임상 검사과정을 선택할 수 있는 정보를 제공해주는 효과가 있다.

상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 바람직한 실시예에 따르면, 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템은환자의 사례를 저장하는 환자사례 데이터베이스(200); 환자 검사 정보 및 예비진단 정보를 입력하는 입력기(100); 하나 이상의 질환별 기계학습기(410)로 구성된 기계학습 분류기(400); 상기 기계학습 분류기 내의 각각의 질환별 기계학습기(410)를 상기 환자사례 데이터베이스를 바탕으로 훈련하고, 질환별 중요 검사 항목을 결정하여 질환별 중요 검사 항목 데이터베이스(600)에 저장하기 위한 기계학습 훈련기(300); 상기 환자 검사 정보를 입력으로 하여 상기 기계학습 분류기를 통해 질환을 판별하는 질환 판별기(510) 및 상기 예비진단 정보에서 제공하는 추정 질환들을 입력으로 하여 상기 질환별 중요 검사 항목 데이터베이스를 통해 질환별 중요 검사 항목 선정 결과를 도출하는 검사 항목 선정기(520)를 포함하는 진단기(500); 및 질환 판별 및 검사 항목 선정 결과를 출력하는 출력기(700)로 구성되며, 상기 각각의 질환별 기계학습기(410)는 인공신경망을 의사 결정 나무에서 추출된 검사 항목 중요도에 의해 보정한 NNDT 기계학습기 및 랜덤 포레스트 기계학습기로 구성되고, 상기 기계학습 훈련기(300)는 상기 환자사례 데이터베이스의 정보를 이용하여 상기 질환별 기계학습기를 훈련하기 위한 정보를 생성하는 훈련 정보 생성기(310), 상기 질환별 기계학습기를 상기 훈련 정보 생성기에서 생성된 훈련정보로 훈련하는 훈련기(320) 및 상기 질환별 중요 검사 항목 데이터베이스를 생성하는 검사 항목 중요도 판별기(330)로 이루어지는 것을 특징으로 한다.

본 발명의 또다른 바람직한 실시예에 따르면, 상기 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템에서 환자 검사 정보를 이용하여 환자의 질환을 판별하고 예비진단에 대한 검사 항목을 선정하는 방법에 있어서, 상기 방법 은 (a) 상기 기계학습 훈련기에서 사례에 기반하여 상기 각각의 기계학습기의 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 훈련하는 단계; (b) 상기 훈련된 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 테스트하여 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 추출하는 단계; (c) 상기 기계학습 훈련기에서 질환별 중요 검사 항목을 결정하는 단계; (d) 상기 진단기에서 환자 검사 정보를 입력으로 상기 훈련된 기계학습기를 이용하여 환자의 질환을 판별하고 예비진단에 대한 중요 검사 항목을 추출하는 단계; 및 (e) 상기 (d)단계에서 판별된 환자의 질환과 환자의 예비진단에 대한 중요 검사 항목을 출력하는 단계로 이루어지며, 상기 (a) 단계에서 상기 NNDT 기계학습기는 인공신경망을 의사 결정 나무에서 추출된 검사 항목 중요도에 의해 보정하여 결정되고, 상기 (d) 단계에서 환자의 질환을 판별하는 것은 상기 NNDT 기계학습기와 상기 랜덤 포레스트 기계학습기의 판별 결과에 상기 (b) 단계에서 추출된 상기 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 반영하여 결합한 판별값을 사용하여 이루어지는 것을 특징으로 한다.

이하에서, 첨부된 도면을 참조하여 본 발명에 의한 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템 및 방법의 바람직한 실시예를 상세히 설명한다. 본 실시예는 본 발명의 권리범위를 한정하는 것은 아니고, 단지 예시로 제시된 것이다.

도 1은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템을 전체적으로 설명하기 위한 구조도이다.

도 1에 도시한 바와 같이, 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템(10)은 환자 검사 정보 및 예비진단 정보를 입력 받는 입력기(100), 실제 임상 정보를 바탕으로 구성된 환자사례 데이터베이스(200), 기계학습기를 훈련하는 기계학습 훈련기(300), 질환을 판별하는 과정에 이용되는 기계학습 분류기(400), 질환을 판별하고 검사 항목을 선정하는 진단기(500), 질환별로 중요 검사 항목을 저장하여 검사 항목 선정에 이용하는 질환별 중요 검사 항목 데이터베이스(600), 추론된 질환 판별 및 검사 항목 선정 결과를 출력하는 출력기(700)로 구성된다. 상기 기계학습 분류기(400)는 다수의 기계학습기로 구성되며 각각의 기계학습기는 판별되는 각 질환에 대응된다.

환자사례 데이터베이스(200)를 기반으로 기계학습 훈련기(300) 내의 훈련 정보 생성기(310)가 생성한 훈련 정보와 테스트 정보를 이용하여 훈련기(320)가 기계학습 분류기(400)의 각 질환별 기계학습기(410)를 이루고 있는 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 훈련한다. 또한 훈련기는 훈련된 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 환자사례 데이터베이스(200)에서 추출된 테스트정보를 이용하여 테스트하여 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 추출한다. 검사 항목 중요도 판별기(330)는 훈련기(320)를 통해 훈련된 NNDT 기계학습기와 랜덤 포레스트 기계학습기 각각에서 추출된 검사 항목 중요도에 각 기계학습기의 정확도를 반영하여 도출된 각 질환별 중요 검사 항목을 질환별 중요 검사 항목 데이터베이스(600)에 저장한다.

환자 검사 정보 및 예비진단 정보가 입력기(100)를 통하여 입력되면 환자 검사 정보를 이용하여 진단기(500) 내의 질환 판별기(510)에서 기계학습 분류기(400) 의 각 질환별 기계학습기(410)를 이용하여 질환을 추론하고, 각 기계학습기에서 판정된 결과를 비교하여 질환을 최종 판별한다. 검사 항목 선정기(520)는 예비진단 정보를 이용하여 질환별 중요 검사 항목 데이터베이스(600)에서 중요 검사 항목을 추출하여 질환별 중요 검사 항목을 선정하게 된다. 진단기(500)에서 추론된 질환 판별 및 검사 항목 선정 결과는 출력기(700)를 이용하여 출력한다.

도 2는 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법을 전체적으로 설명하기 위한 흐름도이다.

도 2에 도시한 바와 같이, 단계 (a)에서는 기계학습 훈련기에서 사례에 기반하여 기계학습 분류기를 구성하는 각 질환별 기계학습기(410)의 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 훈련한다.

다음 단계 (b)에서는 각 질환별 기계학습기에 대해 상기 훈련된 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 테스트하여 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 추출한다.

다음 단계 (c)에서는 상기 기계학습 훈련기에서 각 질환별 중요 검사 항목을 결정한다.

다음 단계 (d)에서는 상기 진단기에서 환자 검사 정보를 입력으로 상기 훈련된 기계학습기를 이용하여 환자의 질환을 판별하고 예비진단에 대한 중요 검사 항목을 추출한다.

다음 단계 (e)에서는 상기 (d) 단계에서 판별된 환자의 질환과 환자의 예비진단에 대한 중요 검사 항목을 출력한다.

도 3은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 기계학습 훈련기에서 사례에 기반하여 각각의 질환별 기계학습기에 대해 NNDT 기계학습기를 훈련하는 과정을 구체적으로 설명하기 위한 흐름도이다. 도3의 첫 번째 단계 (a11)에서는 사례 정보를 훈련 정보와 테스트 정보로 분리한다. 환자사례 데이터베이스(200)에서 추출된 사례 정보를 훈련 정보 생성기(310)에서 분리하는 단계이다.

다음 단계인 (a12)에서는 상기 (a11) 단계에서 분리한 훈련 정보와 테스트 정보를 이용하여 NNDT 기계학습기의 의사결정나무를 훈련한다. 의사결정나무를 최고의 정보 이득을 가져오는 속성 순으로 우선순위를 결정하여 구축하는 과정이다. 이 과정은 공지의 기술이다.

다음 단계인 (a13)에서는 상기 (a12) 단계에서 생성된 의사결정나무에서 검사 항목 중요도를 추출한다. 의사결정나무를 구축하는 과정에서 데이터들의 동질성을 나타내는 엔트로피의 기대감소치를 계산하여 도출되는 정보 이득을 근거로 우선순위가 결정되어 상위 노드 분기점에는 우선순위가 높은 검사 항목이 사용되고 하위 노드 분기점으로 갈수록 검사 항목의 우선순위가 낮아지게 된다. 그러므로 의사결정나무에서 뿌리 노드(Root Node)로부터 하위 노드 분기점으로 내려가면서 각 노드 분기점으로부터 각 노드에 해당하는 검사 항목에 대한 정보 이득 값을 계산한 후 이 값을 [0, 1] 사이의 값으로 정규화하여 각 검사 항목에 대한 검사 항목 중요도로 결정한다.

다음 단계인 (a14)에서는 상기 (a13) 단계에서 계산된 검사 항목 중요도를 이용하 여 NNDT 기계학습기의 인공신경망을 구성한다. 의사결정나무에서 추출된 검사 항목 중 검사 항목 중요도가 가장 높은 검사 항목에 해당하는 인공신경망의 입력 층(Input Layer)의 입력 노드(Input Node)에 추가 은닉 노드(Extra Hidden Node)를 연결하고 이 추가 은닉 노드에 임의의 가중치를 부과한다.

다음 단계인 (a15)에서는 상기 (a11) 단계에서 분리된 훈련 정보와 테스트 정보를 이용하여 상기 (a14) 단계에서 보정된 인공신경망을 훈련한다.

다음 단계인 (a16)에서는 상기 (a15) 단계에서 훈련된 인공신경망의 테스트 오차가 주어진 기준값보다 작은지를 확인하여 기준값보다 작으면 (a17) 단계로 이동하고 기준값보다 크면 (a15) 단계로 이동하여 인공신경망의 훈련을 반복한다. 상기 기준값은 인공신경망의 판별력을 측정하는 지표로써, 기준값이 작을수록 기계학습의 분류 정확도가 높다.

마지막 단계인 (a17)에서는 NNDT 기계학습기를 완성한다.

도 4는 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템 중 NNDT 기계학습기를 구체적으로 설명하기 위한 구조도이다.

도 4에 도시한 바와 같이, 의사결정나무에서 선정된 검사 항목 중요도가 가장 높은 검사 항목(800)에 대응되는 인공신경망의 입력 노드에 추가 은닉 노드(900)를 추가하고 임의의 가중치를 주어 의사 결정 나무의 추론 결과를 인공신경망에 반영한다.

도 5는 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 기계학습 훈련기에서 각 질환별 기계학습기에 대하여 사례에 기반하여 랜덤 포레스트 기계학습기를 훈련하는 과정을 구체적으로 설명하기 위한 흐름도이다. 단계 (a21)에서는 사례 정보를 훈련 정보와 테스트 정보로 분리한다. 환자사례 데이터베이스(200)에서 추출된 사례 정보를 훈련 정보 생성기(310)에서 분리하는 단계이다. 다음 단계 (a22)에서는 상기 (a21) 단계에서 생성된 훈련 정보와 테스트 정보를 이용하여 여러 개의 의사결정나무로 이루어진 랜덤 포레스트 기계학습기를 훈련한다. 다음 단계 (a23)에서는 상기 훈련된 랜덤 포레스트 기계학습기로부터 각 검사 항목의 검사항목 중요도를 결정한다. 먼저 상기 훈련된 랜덤 포레스트 기계학습기를 이루는 각 의사결정나무의 판별 노드에 대응하는 검사 항목에 대해 (a13) 단계에서와 동일한 방법으로 검사 항목 중요도를 결정하고, 상기 훈련된 랜덤 포레스트 기계학습기를 테스트하여 각 의사결정나무가 올바른 투표에 참여한 비율을 상기 우선 결정된 검사 항목 중요도에 반영하여 가중 평균한 값을 최종 검사 항목 중요도로 결정한다. 랜덤 포레스트의 생성, 훈련 및 검사 항목 중요도를 결정하는 단계는 공지의 기술이다.

도 6은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 상기 훈련된 각 질환별 기계학습기를 테스트하여 기계학습기의 정확도를 추출하는 과정을 구체적으로 설명하기 위한 흐름도이다. 단계 (b1)에서는 상기 (a) 단계에서 훈련된 각 질환별 기계학습기의 NNDT 기계학습기와 랜덤 포레스트 기계학습기를 환자사례 데이터베이스에서 추출된 테스트 정보를 이용하여 테스트한다. 단계 (b2)에서는 상기 (b1) 단계에서 테스트한 결과 로부터 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 결정한다. 환자사례 데이터베이스에는 각 환자의 임상 검사 정보와 판정된 질환에 대한 정보가 포함되어 있으므로 훈련된 NNDT 기계학습기와 랜덤 포레스트 기계학습기에 테스트 정보의 검사 정보를 입력으로 하여 추론되는 질환을 테스트 정보의 실제 판정 질환과 비교하여 올바른 판정을 내린 횟수를 전체 테스트 횟수로 나눈 값으로 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 각각 결정하며, 이때 상기 정확도는 [0, 1] 사이의 값이 된다.

도 7은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 상기 기계학습 훈련기(300)의 검사 항목 중요도 판별기(330)에서 질환별 중요 검사 항목을 결정하는 과정을 구체적으로 설명하기 위한 흐름도이다. 단계 (c1)에서는 상기 기계학습 훈련기에서 훈련한 각 질환별 기계학습기(410)의 NNDT 기계학습기와 랜덤 포레스트 기계학습기에서 각 검사 항목에 대한 검사 항목 중요도를 추출한다. 이 단계는 (a13) 단계와 (a23)단계에서 자세히 설명되어 있다. 단계 (c2)에서는 상기 (c1) 단계에서 NNDT 기계학습기와 랜덤 포레스트 기계학습기에서 각각 추출된 검사 항목 중요도에 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도를 각각 곱하여 각 검사 항목의 검사 항목 중요도를 최종 결정한다. 단계 (c3)에서는 상기 (c2) 단계에서 결정된 검사 항목 중요도 순서를 바탕으로 판별 특징 선택법을 적용하여 질환별 중요 검사 항목을 결정한다. 판별 특징 선택법은 검사 항목 중요도의 순서를 바탕으로 중요도가 가장 높은 검사 항목만으로 시작하여 다음으로 중요도가 높은 검사 항목을 하나씩 추가하면서 검사 항목의 조합을 생성하여 판별 정확도의 변화를 측정한다. 이 과정에서 판별 정확도가 일정 역치 이내로 높아지게 되는 조합을 선택하면 이 조합을 구성하고 있는 검사 항목들이 중요 검사 항목으로 선택된다. 단계 (c4)에서는 상기 (c3) 단계에서 결정된 질환별 중요 검사 항목을 질환별 중요 검사 항목 데이터베이스(600)에 저장한다.

도 8은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 진단기(500)에서 환자 검사 정보를 입력으로 상기 훈련된 질환별 기계학습기로 구성된 기계학습 분류기(400)를 이용하여 환자의 질환을 판별하는 과정을 구체적으로 설명하기 위한 흐름도이다. 단계 (d1)에서는 환자 검사 정보 및 예비진단 정보를 입력한다. 단계 (d2)에서는 상기 (d1) 단계에서 입력받은 환자 검사 정보를 입력으로 진단기 내의 질환 판별기에서 상기 (a) 단계에서 훈련된 각 질환별 기계학습기로 구성된 기계학습 분류기를 이용하여 질환을 판별한다. 각 질환별 기계학습기의 판별 값(해당 질병에 대한 클래스 적합도)은 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 판별 값을 NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도로 가중 평균하여 얻어지며, 각 질환별 기계학습기의 판별 값을 서로 비교하여 가장 높은 값을 가지는 기계학습기에 대응하는 질환을 최종 질환으로 판별하게 된다. NNDT 기계학습기와 랜덤 포레스트 기계학습기의 정확도는 상기 단계 (b2)에서 계산된 값을 사용한다.

다음 (d3) 단계는 상기 (d1) 단계에서 입력받은 예비진단 정보를 바탕으로 질환별 중요 검사 항목 데이터베이스(600)로부터 환자의 예비진단에 대한 검사 항목을 추 출한다.

상기 전체적인 단계들의 동작에 대한 이해를 돕기 위하여, 실제 환자의 정보를 바탕으로 본 발명을 통한 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 과정을 설명한다. 먼저 간암 환자 100명과 간염 환자 100명의 임상 정보를 환자사례 데이터베이스에 입력하여 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템을 이용한 프로그램으로 실행하였다.

사용한 환자 임상 정보는 PT, AST, ALT, AFP, HBsAg, ABeAg, Anti-HBe 항체, Serum, HBeAb, PIVKA-II, APTT, Anti-HBs 항체, Anti-HCV 항체, Anti-HIV 항체, Anti-HCB 항체, HBsAb, HBcAbIgG, HBV DNA 등의 검사 항목을 검사한 결과를 포함하고 있다.

간암 환자 100명과 간염 환자 100명의 임상 정보가 입력된 환자사례 데이터베이스를 이용하여 (a) 단계에서는 기계학습 훈련기에서 기계학습기를 훈련하게 된다.

다음으로 (b) 단계에서는 상기 훈련된 기계학습기를 테스트하여 기계학습기의 정확도를 추출한다. 입력된 환자사례 데이터베이스를 사용하여 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템을 이용한 프로그램을 실행한 결과 NNDT 기계학습기의 정확도는 83%였으며, 랜덤 포레스트 기계 학습기의 정확도는 85%였다. 참고로 기존에 주로 사용되었던 기계학습기와 NNDT 기계학습기의 객관적인 정확도 비교를 위하여 UCI 기계 학습 저장소(UCI Machine Learning Repository)에서 제공하는 임상 정보 집합(Medical Dataset) 내의 클리블랜드 심장병 정보 집합(Cleveland Heart Disease Dataset)을 이용하여 정확도를 테스트 해본 결과, 의사결정나무 만을 이용한 기계학습기의 정확도는 77.1%로 측정되었으며, 인공신경망 만을 이용한 기계학습기의 정확도는 81.8%로 측정되었으나, NNDT 기계학습기의 정확도는 83.1%로 측정되어 질환 판별기에 사용된 NNDT 기계학습 분류기의 객관적인 정확도 우수성을 확인하였다.

다음으로 (c) 단계에서는 상기 기계학습 훈련기에서 질환별 중요 검사 항목을 결정한다. 입력된 환자사례 데이터베이스를 사용하여 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템을 이용한 프로그램을 실행한 결과 최종적으로 선정된 중요 검사 항목에는 HBsAg, HBeAg, HBV DNA, AFP 등이 있었다. 선정된 중요 검사 항목은 실제 임상에서 중요 간염 표지자와 간암 표지자이며, 이는 본 발명에서 제안하는 기계학습기의 정확성을 보여준다.

다음으로 (d) 단계에서는 진단기에서 환자 검사 정보를 입력으로 상기 훈련된 기계학습기를 이용하여 환자의 질환을 판별한다. 단계 (d1)에서는 환자 검사 정보 및 예비진단 정보를 입력한다. 표 1은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템 중 (d1) 단계에서 입력된 환자의 검사 정보 중 일부이다. 각 검사 항목은 연속적인 수치로 나타나는 항목과 양성(Positive) 또는 음성(Negative)으로 나타나는 항목으로 나누어진다. 양성 또는 음성으로 나타나는 항목의 경우 양성은 1, 음성은 0으로 치환하여 기계학습기에 적용하였다.

다음으로 (d2) 단계에서는 상기 (d1) 단계에서 입력받은 환자 검사 정보를 상기 훈련된 기계학습을 이용하여 질환을 판별한다. 판별된 질환은 간염이며, 검사 정보가 입력된 환자는 실제 간염 환자이다.

간암 환자 100명과 간염 환자 100명의 임상 정보를 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템을 이용한 프로그램을 실행하여 도출된 결과를 분석한 결과 올바른 질환 판별을 한 비율은 약 86% 로 측정되었으며, 통계적으로 유의한 보다 많은 수의 임상 정보를 사용하여 사례 기반 기계학습 추론을 수행할수록 더 높은 정확도를 가질 수 있다.

도 1은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템을 전체적으로 설명하기 위한 구조도,

도 2는 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법을 전체적으로 설명하기 위한 흐름도,

도 3은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 기계학습 훈련기에서 사례에 기반하여 각각의 질환별 기계학습기에 대해 NNDT 기계학습기를 훈련하는 과정을 구체적으로 설명하기 위한 흐름도,

도 4는 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 시스템 중 NNDT 기계학습기를 구체적으로 설명하기 위한 구조도,

도 5는 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 기계학습 훈련기에서 각 질환별 기계학습기에 대하여 사례에 기반하여 랜덤 포레스트 기계학습기를 훈련하는 과정을 구체적으로 설명하기 위한 흐름도,

도 6은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 상기 훈련된 각 질환별 기계학습기를 테스트하여 기계학습기의 정확도를 추출하는 과정을 구체적으로 설명하기 위한 흐름도,

도 7은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 상기 기계학습 훈련기의 검사 항목 중요도 판별기에서 질환별 중요 검사 항목을 결정하는 과정을 구체적으로 설명하기 위한 흐름도,

도 8은 본 발명의 바람직한 일 실시예에 따른 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목 선정 방법 중 진단기에서 환자 검사 정보를 입력으로 상기 훈련된 질환별 기계학습기로 구성된 기계학습 분류기를 이용하여 환자의 질환을 판별하는 과정을 구체적으로 설명하기 위한 흐름도이다.