KR102246266B1 - 레이블 정보에 대한 피드백을 제공하는 방법 및 시스템 - Google Patents

Abstract

본 개시는 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 레이블 정보에 대한 피드백을 제공하는 방법에 관한 것이다. 이 방법은, 목적 데이터에 대한 레이블 정보를 획득하는 단계, 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델을 학습시키는 단계, 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 단계 및 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하는 단계를 포함할 수 있다.

Description

레이블 정보에 대한 피드백을 제공하는 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING FEEDBACK ON LABEL INFORMATION}

본 개시는 레이블 정보에 대한 피드백을 제공하는 방법 및 시스템에 관한 것이다. 보다 상세하게는, 목적 데이터에 대한 레이블 정보를 획득하고, 획득된 레이블 정보에 대한 피드백을 실시간으로 제공할 수 있는 방법 및 시스템을 제공하는 것이다.

최근 프로세서, 메모리 및 카메라 등의 하드웨어가 급속히 발전됨에 따라, 인공지능(AI) 기술이 발전되고 각광받고 있다. 예를 들어, 이러한 AI 기술을 이미지 처리 분야에 적용하는 연구가 활발히 이루어지고 있다.

지도 학습(supervised learning)이란, 레이블 정보(즉, 정답 정보)가 주어진 데이터 세트를 학습하여, 입력 데이터에 대한 추론을 수행하는 인공신경망 모델을 구축하는 기계학습 방법이다. 학습 데이터 세트를 생성하기 위한, 레이블 정보를 태깅하는 어노테이션 작업은 보통 사람에 의해 수행되며, 대부분의 어노테이션 작업은 시간과 비용이 많이 소모될 뿐만 아니라, 일관성을 유지하며 어노테이션 작업을 하는 것도 불가능에 가깝다.

한편, 목적 데이터에 대한 레이블을 자동으로 생성하기 위한 인공신경망 모델의 학습 데이터를 생성하는 과정에 있어서, 레이블 정보를 이용하여 인공신경망을 학습한 이후에는 어떤 레이블 정보에 노이즈가 많은지 판별할 수 있었다. 또한, 노이즈가 많은 레이블 정보는 학습 데이터 세트로 사용하지 않는 방식으로 모델의 성능을 개선시킬 수 있다. 그러나, 종래의 기계학습 방법에 따르면, 어노테이션 작업 중인 레이블 정보의 노이즈가 실시간으로 확인되고 레이블 정보가 수정될 수 없었다.

본 개시는 상기와 같은 문제점을 해결하기 위한 레이블 정보에 대한 피드백을 제공하는 방법 및 시스템을 제공한다.

본 개시에 따른 방법 및 시스템은, 작성된 레이블 정보를 수신할 때, 해당 레이블이 인공신경망 모델의 성능을 향상시키는 레이블인지 또는 모델의 성능을 저하시키는 레이블인지 실시간으로 판별할 수 있다.

본 개시에 따른 방법 및 시스템은, 판별된 레이블 정보의 성능 변화를 기초로, 실시간으로 레이블 정보에 대한 피드백을 제공할 수 있다.

본 개시에 따른 방법 및 시스템은, 레이블 정보에 대한 피드백을 기초로, 모델의 성능을 향상시키는 레이블을 학습 데이터 세트로 분류하고, 모델의 성능을 저하시키는 레이블은 어노테이터에게 재작업 요청을 송신할 수 있다.

본 개시는 방법, 시스템 또는 명령어들을 저장하는 컴퓨터 판독가능 저장 매체, 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 방법은, 목적 데이터에 대한 레이블 정보를 획득하는 단계, 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델을 학습시키는 단계, 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 단계 및 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하는 단계를 포함한다.

일 실시예에 따르면, 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델을 학습시키는 단계는, 목적 데이터 및 레이블 정보를 이용하여, 기계학습 모델과 연관된 가중치의 업데이트를 처리 속도에 기초하여 결정된 횟수로 수행하는 단계를 포함한다.

일 실시예에 따르면, 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 단계는, 가중치의 업데이트가 결정된 횟수로 수행된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 결정하는 단계를 포함하고, 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하는 단계는, 결정된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 실시간으로 제공하는 단계를 포함한다.

일 실시예에 따르면, 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 단계는, 목적 데이터 및 레이블 정보를 이용한 학습 전의 기계학습 모델의 검증 데이터 세트(validation data set)에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로, 제1 검증 수치를 산출하는 단계, 가중치의 업데이트가 결정된 횟수로 수행된 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로, 제2 검증 수치를 산출하는 단계 및 산출된 제1 검증 수치 및 제2 검증 수치를 비교하는 단계를 포함한다.

일 실시예에 따르면, 산출된 제2 검증 수치와 산출된 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하는 경우, 가중치의 업데이트가 결정된 횟수로 수행된 기계학습 모델의 성능이 향상된다는 것을 나타낸다.

일 실시예에 따르면, 산출된 제2 검증 수치와 산출된 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하지 못하는 경우, 가중치의 업데이트가 결정된 횟수로 수행된 기계학습 모델의 성능이 저하된다는 것을 나타낸다.

일 실시예에 따르면, 가중치의 업데이트가 결정된 횟수로 수행된 기계학습 모델은 목적 데이터 및 레이블 정보를 이용한 학습 전의 기계학습 모델에서 파생되고, 임시로 사용되는 모델이다.

일 실시예에 따르면, 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하는 단계는, 산출된 적어도 하나의 수치가 기계학습 모델의 성능 향상을 나타내는 경우, 레이블 정보가 기계학습 모델의 성능을 향상시킨다는 시각적 표시(visual representation)를 출력하는 단계를 포함한다.

일 실시예에 따르면, 방법은, 기계학습 모델의 성능을 향상시킨다는 시각적 표시에 응답하여, 레이블 정보에 대한 확인(confirmation)을 수신하는 단계 및 확인된 레이블 정보를 기계학습 모델의 학습(training) 세트로 분류하는 단계를 더 포함한다.

일 실시예에 따르면, 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하는 단계는, 산출된 적어도 하나의 수치가 기계학습 모델의 성능 저하를 나타내는 경우, 레이블 정보가 기계학습 모델의 성능을 저하시킨다는 시각적 표시를 출력하는 단계 및 레이블 정보에 대한 수정 요청을 출력하는 단계를 포함한다.

다른 실시예에 따르면, 하나 이상의 인스트럭션(instructions)을 저장하는 메모리, 저장된 하나 이상의 인스트럭션들을 실행함으로써, 목적 데이터에 대한 레이블 정보를 획득하고, 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델을 학습시키고, 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하고, 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하도록 구성된 프로세서를 포함한다.

본 개시의 일부 실시예에 따르면, 어노테이터가 어노테이션 작업을 하면서 실시간으로 현재 작업한 레이블이 인공신경망 모델의 성능에 향상시키는지, 저하시키는지 판별할 수 있다. 이에 따라, 어노테이터의 레이블 작업 실수를 신속히 수정할 수 있고, 어노테이션 작업의 효율성을 향상시킬 수 있다.

본 개시의 일부 실시예에 따르면, 레이블 정보의 수집단계에서부터 더 정확한, 즉, 인공신경망 모델의 성능을 향상시키는 레이블을 획득할 수 있다.

본 개시의 일부 실시예에 따르면, 노동 집약적인 대량의 데이터에 대한 판독 과정을, 자동으로 수행하기 위한 인공신경망 학습용 데이터를 효율적으로 생성할 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시에 속하는 기술 분야에서 통상의 지식을 가진 자(이하, '통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 시스템을 나타내는 예시적인 구성도이다.
도 2는 본 개시의 일 실시예에 따른 목적 데이터로서, 병리 슬라이드 이미지 및 병리 슬라이드 이미지에 포함된 적어도 하나의 패치에 대한 예시도이다.
도 3은 본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 방법을 나타내는 예시적인 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 레이블 정보를 학습 세트로 분류하는 방법을 나타내는 예시적인 흐름도이다.
도 5는 본 개시에서 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 6은 본 개시의 일 실시예에 따른 인공신경망 모델에 사용하는 데이터 세트의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 방법을 나타내는 예시적인 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 향상된 기계학습 모델의 성능이 향상된 경우의 예시도이다.
도 9는 본 개시의 일 실시예에 따른 저하된 기계학습 모델의 성능이 저하된 경우의 예시도이다.
도 10은 본 개시의 일 실시예에 따른 기계학습 모델의 성능 향상에 대한 시각적 표시에 응답하여, 확인을 수신하는 예시를 나타내는 도면이다.
도 11은 본 개시의 다른 실시예에 따른 기계학습 모델의 성능 향상에 대한 시각적 표시에 응답하여, 레이블 정보를 수정하는 예시를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따른 기계학습 모델의 성능 저하를 나타내는 표시에 응답하여, 레이블 정보를 수정하는 예시를 나타내는 도면이다.
도 13은 본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 예시적인 시스템 구성도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

본 개시에서, '목적 데이터'는 기계학습 모델의 학습에 사용될 수 있는 임의의 데이터 또는 데이터 아이템을 지칭할 수 있으며, 예를 들어, 이미지를 나타내는 데이터, 음성 또는 음성 특징을 나타내는 데이터, 특정 정보(제조, 유통, 물류, 금융, 전략/유틸리티, 서비스, 교육, 자동차, 게임 공공산업 및 서비스, 마케팅/광고, 헬스케어, 미디어/통신, 소비재 등과 연관된 정보)를 나타내는 데이터 등을 포함하나, 이에 한정되지 않는다. 본 개시에서는 목적 데이터로서 병리 슬라이드 이미지의 전체 및/또는 병리 슬라이드 이미지에 포함된 적어도 하나의 패치를 이용하여 설명하고 있으나, 이는 한정되지 않으며, 기계 학습 모델의 학습에 사용될 수 있는 임의의 데이터가 목적 데이터에 해당될 수 있다. 또한, 목적 데이터는 어노테이션 작업을 통해 레이블 정보가 태깅될 수 있다.

본 개시에서, '병리 슬라이드 이미지'란, 인체에서 떼어낸 조직 등을 현미경으로 관찰하기 위해 일련의 화학적 처리과정을 거쳐 고정 및 염색된 병리 슬라이드를 촬영한 이미지를 가리킨다. 예를 들어, 병리 슬라이드 이미지는 현미경을 이용하여 촬영된 디지털 이미지를 지칭할 수 있으며, 인체 내의 세포(cell), 조직(tissue) 및/또는 스트럭처(structure)에 대한 정보를 포함할 수 있다. 또한, 병리 슬라이드 이미지는 하나 이상의 패치를 포함할 수 있으며, 하나 이상의 패치에는 어노테이션 작업을 통해 레이블 정보가 태깅될 수 있다.

본 개시에서, '패치'는 병리 슬라이드 이미지 내의 작은 영역을 지칭할 수 있다. 예를 들어, 패치는 병리 슬라이드 이미지에 대해 세그멘테이션을 수행함으로써 추출된 의미론적 객체에 대응하는 영역을 포함할 수 있다. 또 다른 예로서, 패치는 병리 슬라이드 이미지를 분석함으로써 생성된 레이블 정보와 연관된 픽셀들의 조합을 지칭할 수 있다.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 예를 들어, 기계학습 모델은 병리 슬라이드 이미지 및/또는 병리 슬라이드에 포함된 적어도 하나의 패치에 대해 레이블 정보를 추론하도록 학습될 수 있다. 이 경우, 어노테이션 작업을 통해 생성된 레이블 정보가 기계학습 모델을 학습시키는데 이용될 수 있다. 또한, 기계학습 모델은 기계학습 모델에 포함된 복수의 노드와 연관된 가중치를 포함할 수 있다. 여기서, 가중치는 기계학습 모델과 연관된 임의의 파라미터를 포함할 수 있다. 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다.

본 개시에서, '학습'은 적어도 하나의 패치 및 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치를 변경하는 임의의 과정을 지칭할 수 있다. 일 실시예에 따르면, 학습은 적어도 하나의 패치 및 레이블 정보를 이용하여 기계학습 모델을 한번 이상의 순방향 전파(forward propagation) 및 역방향 전자(backward propagation)을 통해 기계학습 모델과 연관된 가중치를 변경하거나 업데이트하는 과정을 지칭할 수 있다. 이에 따라, 적어도 하나의 패치 및 레이블 정보를 이용하여 기계학습 모델의 가중치를 1회만 업데이트한 경우에도 기계학습 모델의 학습으로 지칭될 수 있다.

본 개시에서, '레이블 정보(label information)'란, 데이터 샘플의 정답 정보로써 어노테이션 작업의 결과로 획득된 정보이다. 레이블 또는 레이블 정보는 당해 기술 분야에서 어노테이션(annotation), 태그 등의 용어와 혼용되어 사용될 수 있다.

본 개시에서, '어노테이션(annotation)'이란, 데이터 샘플에 레이블 정보를 태깅하는 작업 또는 태깅된 정보(즉, 주석) 그 자체를 의미한다. 어노테이션은 당해 기술 분야에서 태깅(tagging), 레이블링(labeling) 등의 용어와 혼용되어 사용될 수 있다.

본 개시에서, '실시간으로 제공'은 데이터의 발생과 동일하게 제공하는 것을 지칭할 수 있다. 일 실시예에 따르면, 레이블에 대한 피드백을 실시간으로 제공하는 것은 레이블 정보이 입력되자 마자 레이블 정보에 대한 피드백을 제공하는 것을 지칭할 수 있다. 예를 들어, 어노테이터 단말이 정보 처리 시스템으로부터 레이블 정보에 대한 피드백을 실시간으로 수신하는 것은, 어노테이터 단말에 의해 레이블 정보가 입력되자 마자 정보 처리 시스템에 송신하고, 어노테이터 단말이 정보 처리 시스템으로부터 산출된 레이블 정보에 대한 피드백을 수신하는 것을 지칭할 수 있다. 여기서, 어노테이터 단말이 정보 처리 시스템에 송신할 때 어노테이터 단말의 처리 시간, 정보 처리 시스템에서의 피드백 생성을 위한 처리 시간 및/또는 어노테이터 단말에서 정보 처리 시스템으로 제공되는 통신 지연이 발생될 수 있으나, 이러한 처리 시간 및/또는 임의의 통신 지연 시간 이후에 수신되거나 제공된 레이블 정보에 대한 피드백도 실시간으로 수신되거나 제공된 것으로 볼 수 있다.

본 개시에서, '처리 속도에 기초하여 결정된 횟수'는 목적 데이터 및 목적 데이터에 대한 레이블 정보를 기계학습 모델에 입력하여 기계학습 모델의 가중치의 업데이트를 수행한 횟수를 지칭할 수 있다. 이러한 횟수는 처리 속도에 기초하여 미리 설정되거나 동적으로 결정될 수 있다. 여기서, 기계학습 모델의 가중치의 업데이트 횟수는 많으면 많을수록 기계학습 모델의 학습 및/또는 성능의 변화가 정확하게 판단될 수 있지만, 실시간으로 기계학습 모델의 학습 및/또는 성능의 변화가 산출되기 어렵다. 이에 따라, 정보 처리 시스템이 어노테이터에 의해 수행된 레이블 정보에 대한 피드백을 실시간으로 제공하기 위하여, 기계학습 모델의 가중치의 업데이트 횟수는 기계학습 모델의 손실(loss) 또는 손실의 변화를 산출할 수 있는 최소한의 횟수 또는 그 이상을 지칭할 수 있다. 다만, 이러한 가중치의 업데이트 횟수는 정보 처리 시스템의 성능, 목적 데이터의 수 및/또는 종류, 사용자의 설정 등에 따라 상이하게 결정될 수 있다.

본 개시에서, '유사'는 동일 또는 유사하다는 의미를 모두 포함할 수 있다. 예를 들어, 두 정보가 유사하다는 것은 두 정보가 서로 동일하거나 유사하다는 것을 지칭할 수 있다.

본 개시에서, '검증 수치'는 기계학습 모델과 연관된 학습 및/또는 성능과 연관된 임의의 수치를 지칭할 수 있다. 일 실시예에 따르면, 검증 수치(예: 제1 검증 수치)는 목적 데이터 및 이에 대한 레이블 정보를 이용한 학습 전의 기계학습 모델의 검증 데이터 세트(validation data set)에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로 산출될 수 있다. 다른 실시예에 따르면, 검증 수치(예: 제2 검증 수치)는 가중치의 업데이트가 처리 속도에 기초하여 결정된 횟수로 수행된 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로 산출될 수 있다. 여기서, 검증 수치는 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치 또는 성능과 관련된 수치를 지칭할 수 있다. 이와 달리, 검증 수치는 학습과 관련된 수치 및 성능과 관련된 수치를 반영하여 새로 생성된 수치를 지칭할 수 있다.

본 개시에서, '타겟 메트릭'은 '목적 태스크에 대한 메트릭'을 지칭할 수 있으며, 타겟 메트릭에 대한 수치는 기계학습 모델의 성능과 관련된 수치를 지칭할 수 있으며, 목적 태스크에 따라 상이하게 설정될 수 있다. 여기서, 타겟 메트릭에 대한 수치는 예측 정확도와 연관된 수치를 포함할 수 있는데, 예를 들어, 정확도(ACC(Accuracy, 정확도), AUC(Area Under Curve, 곡선 아래 면적) 민감도, 특이도 등을 나타내거나 특징화하는 수치를 나타낼 수 있다.

본 개시에서, '경사하강법(gradient descent)'이란, 기계학습 분야에서 손실 함수(loss function) 또는 비용 함수(cost function)의 최소값을 찾아, 최적의 가중치 매개변수를 찾아내는 임의의 방법을 지칭할 수 있다. 이러한 경사하강법은 시작점으로부터 다음 지점(예를 들어, 새로 입력된 레이블 정보를 학습시킨 뒤)에서의 손실 함수 곡선의 기울기(gradient)를 산출하는데 사용될 수 있다.

본 개시에서, '인스트럭션(instruction)'이란, 기능을 기준으로 묶인 일련의 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.

도 1은 본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 시스템을 나타내는 예시적인 구성도이다. 도시된 바와 같이, 레이블 정보에 대한 피드백을 제공하는 시스템은 정보 처리 시스템(100), 어노테이터 단말(110) 및 저장 시스템(120)을 포함할 수 있다. 여기서, 정보 처리 시스템(100)은 어노테이터 단말(110) 및 저장 시스템(120)의 각각과 연결되어 통신가능하도록 구성될 수 있다. 도 1에서는 하나의 어노테이터 단말(110)이 도시되어 있으나, 이에 한정되지 않으며, 복수의 어노테이터 단말(110)이 정보 처리 시스템(100)과 연결되어 통신되도록 구성될 수 있다. 또한, 도 1에서는 정보 처리 시스템(100)이 하나의 컴퓨팅 장치로서 도시되어 있으나, 이에 한정되지 않으며, 정보 처리 시스템(100)은 복수의 컴퓨팅 장치를 통해 정보 및/또는 데이터를 분산 처리하도록 구성될 수 있다. 또한, 도 1에서는 저장 시스템(120)이 하나의 장치로서 도시되어 있으나, 이에 한정되지 않으며, 복수의 저장 장치로 구성되거나 클라우드(cloud)를 지원하는 시스템으로 구성될 수 있다. 또한, 도 1에서는 레이블 정보에 대한 피드백을 제공하는 시스템의 각각의 구성요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성 요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다.

정보 처리 시스템(100) 및 어노테이터 단말(110)은 목적 데이터에 대한 레이블 정보를 생성하고, 레이블 정보에 대한 피드백을 제공하는데 이용되는 임의의 컴퓨팅 장치이다. 여기서 컴퓨팅 장치는, 컴퓨팅 기능이 구비된 임의의 종류의 장치를 지칭할 수 있으며, 예를 들어, 노트북, 데스크톱(desktop), 랩탑(laptop), 서버, 클라우드 시스템 등이 될 수 있으나, 이에 한정되지 않는다.

어노테이터 단말(110)은 정보 처리 시스템(100)으로부터 목적 데이터를 수신하고, 수신된 목적 데이터에 대한 레이블 정보를 제공할 수 있다. 일 실시예에 따르면, 어노테이터(130)는 수신된 목적 데이터에 대한 어노테이션 작업을 수행할 수 있다. 이러한 작업을 통해 생성된 레이블 정보는 해당 목적 데이터와 함께 정보 처리 시스템(100)에 제공될 수 있다.

정보 처리 시스템(100)은 수신된 목적 데이터 및 레이블 정보를 이용하여 기계 학습 모델을 학습시키도록 구성될 수 있다. 정보 처리 시스템(100)은 목적 데이터 및 레이블 정보를 이용하여, 기계학습 모델과 연관된 가중치의 업데이트를 처리 속도에 기초하여 결정된 횟수로 수행할 수 있다. 여기서, 처리 속도는 레이블 정보가 업데이트된 기계학습 모델의 성능에 어떤 영향을 미쳤는지에 대한 피드백(예: 성능 향상, 또는 성능 저하)을 실시간으로 제공하기에 적합한 속도를 지칭할 수 있다. 예를 들어, 정보 처리 시스템(100)은 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치의 업데이트를 1회 수행하도록 구성될 수 있다. 다른 실시예에서, 정보 처리 시스템(100)은 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치를 복수 회 업데이트하도록 구성될 수 있다.

정보 처리 시스템(100)은 학습된 기계 학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하도록 구성될 수 있다. 일 실시예에서, 정보 처리 시스템(100)은 가중치의 업데이트가 처리 속도에 기초하여 결정된 횟수로 수행된 기계 학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 결정하도록 구성될 수 있다. 이러한 적어도 하나의 수치를 산출 또는 결정하기 위하여, 기계 학습 모델을 위한 검증 데이터 세트(validation data set)가 사용될 수 있다. 여기서, 검증 데이터 세트는 학습용 데이터 세트와는 상이한 데이터 세트로 구성될 수 있다.

정보 처리 시스템(100)은 기계 학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나를 기초로 검증 수치(예: 제1 검증 수치, 제2 검증 수치)를 산출할 수 있다. 예를 들어, 기계학습 모델의 학습과 관련된 수치는 손실(loss), 예측(prediction)에 대한 엔트로피 또는 예측값의 분포 등을 포함할 수 있다. 다른 예로서, 기계학습 모델의 성능과 관련된 수치는 예측 정확도(ACC(Accuracy, 정확도), AUC(Area Under Curve, 곡선 아래 면적) 등), 민감도, 특이도 등을 포함할 수 있으나, 이에 제한되지 않는다.

여기서, 정보 처리 시스템(100)은 레이블 정보에 입력에 따른 검증 수치의 변화가 미리 결정된 기준을 만족하는지 여부를 판정할 수 있다. 일 실시예에 따르면, 예측 정확도(ACC, AUC 등), 민감도, 특이도 등을 포함하는 기계학습 모델의 성능과 관련된 수치는 값이 커질수록, 미리 결정된 기준을 만족시킨다고 판정될 수 있고, 그에 따라 기계학습 모델의 성능이 향상됨을 나타낼 수 있다. 다른 실시예에서, 손실, 예측 등에 대한 엔트로피 또는 예측값의 분포 등을 포함하는 기계학습 모델의 학습과 관련된 수치는 값이 작아질수록 미리 결정된 기준을 만족시킨다고 판정될 수 있고, 그에 따라 기계학습 모델의 성능이 향상됨을 나타낼 수 있다.

또 다른 실시예에서, 기계학습 모델의 학습과 연관된 수치 및 성능과 연관된 수치의 변화가 나타내는 기계학습 모델의 성능 변화가 상충될 경우, 비교를 위해 산출된 수치 중 일부를 선택하여 가중치를 부여함으로써, 기계학습 모델의 성능이 결정될 수 있다.

정보 처리 시스템(100)은 기계 학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 제공하도록 구성될 수 있다. 이러한 피드백은 어노테이터 단말(110)에 제공될 수 있으며, 어노테이터(130)는 어노테이터 단말(110)을 통해 자신이 어노테이션 작업을 통해 생성한 레이블 정보에 대한 피드백을 확인할 수 있다. 일 실시예에 따르면, 정보 처리 시스템(100)은 가중치의 업데이트가 처리 속도에 기초하여 결정된 횟수로 수행된 기계 학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백을 실시간으로 제공할 수 있다. 어노테이터(130)는 이렇게 피드백을 실시간으로 제공받음으로써, 자신이 작업한 레이블 정보가 기계학습 모델의 학습 및/또는 성능에 도움되는지 여부를 즉시 확인할 수 있다. 그리고 나서, 어노테이터(130)는 주어진 레이블 정보를 실시간으로 수정하여, 학습 데이터에 대한 노이즈를 감소시키거나 제거함으로써, 기계학습 모델의 정확도를 더욱 향상시킬 수 있다.

저장 시스템(120)은 레이블 정보에 대한 피드백을 제공하기 위한 기계학습 모델과 연관된 각종 데이터를 저장하고 관리하는 장치 또는 클라우드 시스템이다. 데이터의 효율적인 관리를 위해, 저장 시스템(120)은, 데이터베이스를 이용하여 각종 데이터를 저장하고 관리할 수 있다. 여기서, 각종 데이터는 기계학습 모델과 연관된 임의의 데이터를 포함할 수 있으며, 예를 들어, 목적 데이터의 파일, 목적 데이터의 메타 정보, 어노테이션 작업 결과물인 목적 데이터에 대한 레이블 정보, 어노테이션 작업에 관한 데이터, 기계학습 모델 등을 포함할 수 있으나, 이에 한정되지 않는다. 도 1에서는 정보 처리 시스템(100)과 저장 시스템(120)이 별도의 시스템으로 도시되어 있으나, 이에 한정되지 않으며, 하나의 시스템으로 통합되어 구성될 수 있다.

도 2는 본 개시의 일 실시예에 따른 목적 데이터로서, 병리 슬라이드 이미지 및 병리 슬라이드 이미지에 포함된 적어도 하나의 패치에 대한 예시도이다. 도시된 바와 같이, 병리 슬라이드 이미지(210)는 인체로부터 떼어낸 조직의 적어도 일부에 대한 일련의 화학적 처리 과정을 거쳐 염색 및/또는 고정된 병리 슬라이드를 슬라이드 스캐너, 현미경 및 카메라 중 적어도 하나를 통해 촬영함으로써 생성된 디지털 이미지를 지칭할 수 있다. 도 2에서는 병리 슬라이드 이미지(210)가 H&E 염색(hematoxylin and eosin stain) 기법으로 염색된 것으로 도시되어 있으나, 이에 제한되지 않고, 이미 알려진 상이한 염색 기법으로 염색한 병리 슬라이드를 슬라이드 스캐너, 현미경 및 카메라 중 적어도 하나를 통해 촬영함으로써 생성된 이미지를 포함할 수 있다. 여기서 슬라이드 스캐너는 디지털 병리 슬라이드 스캐너를 포함할 수 있다.

병리 슬라이드 이미지(220)는, 이미지에 포함된 적어도 하나의 패치에 대한 레이블 정보를 포함할 수 있다. 일 실시예에 따르면, 레이블 정보는 사람(예: 어노테이터(130))에 의해 적어도 하나의 패치에 대한 어노테이션 작업이 수행됨으로써 생성될 수 있다. 다른 실시예에 따르면, 정보 처리 시스템(예: 정보 처리 시스템(100))이 병리 슬라이드 이미지(210)를 기계학습 모델을 이용하여 분석함(예: 추론)으로써, 병리 슬라이드 이미지에 포함된 적어도 하나의 패치에 대한 레이블 정보를 생성할 수 있다.

레이블 정보는 병리 판단을 하기 위해 병리 슬라이드 및/또는 패치에 포함된 대상을 구분할 수 있는 정보를 포함할 수 있다. 병리 슬라이드 이미지(220)는 특정 영역에 대한 레이블 정보를 포함할 수 있다. 일 실시예에 따르면, 병리 슬라이드 이미지(220) 내의 제1 영역(222)은 암 기질(cancer stroma)이라는 레이블 정보가 태깅될 수 있고, 제2 영역(224)은 암 상피(cancer epithelium)라는 레이블 정보가 태깅될 수 있다. 예를 들어, 도시된 바와 같이, 암 기질 영역에 해당하는 제1 영역(222)은 자주색으로 채색되고, 암 상피 영역에 해당하는 제2 영역(224)은 하늘색으로 채색되어 있으나, 이에 제한되지 않고, 레이블 정보는 영역, 도형, 다른 색 또는 텍스트 등의 다양한 시각적 표시로 표현될 수 있다. 또한, 채색된 영역의 전부 또는 적어도 일부는 하나 이상의 패치와 대응될 수 있다.

정보 처리 시스템은 어노테이션 단말의 요청에 의해 병리 슬라이드 이미지(220) 중 적어도 일부 영역(예: 패치)에 대한 확대된 이미지를 제공할 수 있다. 일 실시예에 따르면, 어노테이션 단말은 어노테이터의 입력을 통해 병리 슬라이드 이미지(220) 내의 일부 영역을 제1 패치(226)로서 선택할 수 있다. 이에 응답하여, 어노테이션 단말은 선택된 제1 패치(226)에 대한 확대된 이미지(230)를 획득할 수 있다. 예를 들어, 병리 슬라이드 이미지(220)는 슬라이드 스캐너로 획득된 원본 이미지의 압축된 형태로 제공될 수 있으며, 압축된 이미지의 일부 영역이 패치로서 선택되면 패치에 대응하는 압축 해제한 이미지가 어노테이션 단말을 통해 어노테이터에게 제공될 수 있다. 이와 마찬가지로, 제1 패치에 대응하는 이미지(230)에 포함된 제2 패치(232)에 대한 확대된 이미지(240)가 획득될 수 있다. 도 2에서는, 제1 패치(226)에 대응하는 이미지(230) 및 제2 패치(232)에 대응하는 이미지(240)가 특정 배율로 확대되어 있으나, 이에 제한되지 않고, 병리 슬라이드 이미지 및/또는 이에 포함된 패치에 대응하는 이미지는 다양한 배율로 확대되거나 축소될 수 있다.

일 실시예에서, 림프구(242)가 병리 슬라이드 이미지 내의 패치에 레이블 정보로서 태깅될 수 있다. 병리 슬라이드 이미지(220)가 제2 패치(232)와 유사한 배율로 확대될 경우, 병리 슬라이드에 포함된 림프구(242)(예를 들어, 보조 T 세포(helper T cell), 세포독성 T 세포(killer T cell), 자연 살해 T 세포(natural killer T cell), 기억 T 세포(memory T cell), 조절 T 세포(suppressor T cell) 및 B 세포(B cell) 등)가 식별될 수 있으나, 이에 제한되지 않고, 정보 처리 시스템(100)은 낮은 배율의 이미지에 특정 레이블 정보에 해당하는 영역에 시각적 표시를 할 수도 있다. 또한, 레이블 정보에 림프구(242) 외의 호중구, 호산구, 호염기구, 단핵구, 적혈구, 혈소판 등의 병리 슬라이드의 대상물 내부에 포함되는 다양한 세포들도 포함될 수 있다.

도 3은 본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 방법을 나타내는 예시적인 흐름도이다. 일 실시예에 따르면, 레이블 정보에 대한 피드백을 제공하는 방법(300)은 정보 처리 시스템(예: 정보 처리 시스템(100))에 의해 수행될 수 있다. 추가적으로 또는 대안적으로, 방법(300)은 어노테이터 단말(예: 어노테이터 단말(110))에 의해 수행될 수 있다. 도시된 바와 같이, 방법(300)은 목적 데이터(예: 병리 슬라이드 이미지에 포함된 적어도 하나의 패치 등)에 대한 레이블 정보를 획득하는 단계(S310)로 개시될 수 있다. 예를 들어, 정보 처리 시스템은 어노테이터(예: 어노테이터(130))가 어노테이터 단말을 통해 입력한 목적 데이터에 대한 레이블 정보를 수신할 수 있다.

그리고 나서, 단계(S320)에서, 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델이 학습될 수 있다. 단계(S320)에서 학습된 기계학습 모델은, 목적 데이터 및 레이블 정보를 이용하여 학습하기 전의 기계학습 모델에서 파생되고 임시로 사용되는 모델을 지칭할 수 있다.

다음으로, 단계(S330)에서, 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치가 산출될 수 있다. 예를 들어, 정보 처리 시스템은 단계(S320)에서 학습시킨 기계학습 모델의 성능이 향상되었는지 저하되었는지를 나타낼 수 있는, 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출할 수 있다.

마지막으로, 단계(S340)에서, 산출된 적어도 하나의 수치를 기초로 레이블 정보에 대한 피드백이 제공될 수 있다. 예를 들어, 정보 처리 시스템은 기계학습 모델의 성능 변화를 기초로, 어노테이터 단말에게 레이블 정보에 대한 피드백을 제공할 수 있다. 어노테이션 단말로부터 수신한 레이블 정보가 기계학습 모델의 성능을 저하시킨다고 판정된 경우, 레이블 정보에 대한 수정 요청이 어노테이션 단말에 제공될 수 있다. 또한, 수신된 레이블 정보가 기계학습 모델의 성능을 향상시킨다고 판정한 경우, 정보 처리 시스템은 레이블 정보를 기계학습 모델에 대한 학습 세트(training set)로 분류할 수 있다.

도 4는 본 개시의 일 실시예에 따른 레이블 정보를 학습 세트로 분류하는 방법을 나타내는 예시적인 흐름도이다. 레이블 정보를 학습 세트로 분류하는 방법(400)은 정보 처리 시스템(100)에 의해 수행될 수 있다. 이 때, 정보 처리 시스템(100)은 이러한 방법(400)을 수행하기 위하여 어노테이터 단말(110)과 통신하도록 구성될 수 있다. 도시된 바와 같이, 레이블 정보를 학습 세트로 분류하는 방법(400)은 어노테이터 단말(110)이 정보 처리 시스템(100)에게 목적 데이터에 대한 레이블 정보를 송신하는 단계(S410)로 개시될 수 있다. 이를 위해, 어노테이터 단말(110)을 사용하는 어노테이터(예: 어노테이터(130))는 목적 데이터에 대한 어노테이션 작업을 수행하고, 어노테이션 작업을 통해 생성된 레이블 정보 및 목적 데이터는 정보 처리 시스템(100)에 제공될 수 있다.

단계(S420)에서, 정보 처리 시스템(100)은 어노테이터 단말(110)로부터 수신한 목적 데이터 및 레이블 정보를 기계학습 모델에 입력하여 기계학습 모델을 학습시킬 수 있다. 다음으로, 정보 처리 시스템(100)은 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출할 수 있다(S430). 이 경우, 정보 처리 시스템(100)은 기계학습 모델에 할당된 검증 데이터 세트를 기초로, 수신된 목적 데이터 및 레이블 정보를 이용하여 학습된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출할 수 있다.

일 실시예에서, 기계학습 모델의 성능과 관련된 수치는 타겟 메트릭에 대한 수치를 포함할 수 있다. 여기서, 타겟 메트릭에 대한 수치는 목적 테스크에 따라 다양한 종류의 수치를 포함할 수 있다. 예를 들어, 타겟 메트릭에 대한 수치는 ACC, AUC 등과 같은 예측 정확도, 민감도, 특이도 등을 포함할 수 있으나, 이에 제한되지 않는다.

일 실시예에서, ACC는, 기계학습 모델의 성능과 관련된 수치로서, ACC=(TP+TN)/P+N으로 나타낼 수 있다. 여기서, TP(True Positive)는, 데이터가 양성(positive)인데, 기계학습 모델의 추론 결과가 양성으로 잘 검출됨(true)을 의미하고, TN(True Negative)은, 데이터가 음성(negative)인데, 기계학습 모델의 추론 결과가 음성으로 잘 검출됨(true)을 지칭할 수 있다. 또한, FP(False Positive)는, 데이터가 음성인데, 기계학습 모델의 추론 결과가 양성으로 잘못 검출됨(false)을 의미하고, FN(False Negative)은, 데이터가 양성인데, 기계학습 모델의 추론 결과가 음성으로 잘못 검출됨(false)을 지칭할 수 있다. 즉, P는 데이터의 값이 양성인 것을 의미하며 P=TP+FN이고, N은 데이터의 값이 음성인 것을 의미하며 N=FP+TN일 수 있다. 또한, P+N은 전체 데이터를 지칭할 수 있다. 예를 들어, TP는, 병리 슬라이드 내에 포함된 림프구 영역이, 기계학습 모델의 추론 결과 역시 림프구 영역으로 추론한 경우를 포함하거나 나타낼 수 있다.

일 실시예에서 AUC는, ROC(Receiver Operating Characteristics), Precision Recall Plot, F-Score 등의 기계학습 모델의 성능과 관련된 수치를 나타내는 그래프의 면적 값을 지칭할 수 있다. 예를 들어, ROC의 AUC 값은 ROC 그래프의 면적으로, ROC 그래프는 가로축을 TN/N 값의 비율(예: 최대값 1)로 하고, 세로축을 TP/P 값의 비율(예: 최대값 1)로 하여 시각화한 그래프를 의미할 수 있다. ROC 그래프의 최대값은 1이며, 값이 낮아질수록 기계학습 모델의 성능과 관련된 수치가 떨어짐을 의미할 수 있다. 예를 들어, 기존의 학습 데이터를 이용해 학습된 기계학습 모델(예: 제1 기계학습 모델)의 ROC의 AUC 값보다 레이블 정보가 성능에 어떠한 영향을 미치는지 판단하기 위해 임시로 생성된 기계학습 모델(예: 제2 기계학습 모델)의 ROC의 AUC 값이 떨어질 경우, 해당 레이블 정보가 기계학습 모델의 성능과 관련된 수치를 떨어뜨림을 의미할 수 있다.

일 실시예에서, 기계학습 모델의 학습과 관련된 수치는 손실, 예측에 대한 엔트로피, 예측값의 분포 등을 포함할 수 있다. 예를 들어, 손실 함수(loss function)(또는 비용 함수(cost function))는, 평균 제곱 오차(MES, Mean Squared Error), 교차 엔트로피 오차(CEE, Cross Entropy Error) 등을 이용해 산출될 수 있으나, 이에 제한되지 않는다. 손실은 기계학습 모델의 출력값과 사용자가 원하는 출력값 사이의 차이, 즉 출력값의 오차를 의미할 수 있다. 여기서, 기계학습 모델이 손실 함수의 값이 최소화되도록 하는 가중치 및/또는 편향을 찾는 것이 학습(training)이므로, 기계학습 모델의 학습과 관련된 수치인 손실이 작아질수록 기계학습 모델의 성능이 향상될 수 있다.

일 실시예에서, 정보 처리 시스템(100)은 기계학습 모델의 학습과 관련된 수치 및/또는 성능과 관련된 수치를 기초로 검증 수치(예: 제1 검증 수치, 제2 검증 수치)를 산출할 수 있다. 검증 수치는 기계학습 모델의 학습과 관련된 수치만을 포함하거나, 기계학습 모델의 성능과 관련된 수치만을 포함할 수 있으나, 이에 제한되지 않고, 기계학습 모델의 학습과 관련된 수치 및 기계학습 모델의 성능과 관련된 수치를 기초로 산출된 수치를 포함할 수 있다. 예를 들어, 정보 처리 시스템(100)은 기계학습 모델의 성능이 향상 또는 저하됨을 종합적으로 판단할 수 있도록 기계학습 모델의 학습과 관련된 수치 및 성능과 관련된 수치의 각각에 가중치를 부여할 수 있다. 가중치는 기계학습 모델의 성능 또는 학습에 미치는 영향 정도에 따라 미리 결정될 수 있다. 가중치가 부여된 학습 및 성능과 관련된 수치를 이용하여 검증 수치가 산출될 수 있다.

다음으로, 단계(S440)에서, 정보 처리 시스템(100)은 기계학습 모델의 성능 표시를 레이블 정보에 대한 피드백으로서 어노테이터 단말(110)에 송신할 수 있다. 어노테이터 단말(110)은 정보 처리 시스템(100)으로부터 수신한 기계학습 모델에 대한 성능 표시를 출력할 수 있다(S450). 일 실시예에 따르면, 이러한 성능 표시는 기계학습 모델의 성능 변화에 대한 정도(level)를 표시하는 수치가 포함될 수 있다. 다른 실시예에 따르면, 어노테이터 단말(110)은 이러한 피드백을 목적 데이터(예: 병리 슬라이드 이미지에 포함된 적어도 하나의 패치 등)와 연관되어 출력할 수 있다. 예를 들어, 어노테이터 단말(110)은 적어도 하나의 패치에 대한 색상을 변경시켜서 적어도 하나의 패치에 대한 레이블 정보에 따른 기계학습 모델의 성능 변화를 나타낼 수 있다.

그리고 나서, 단계(S460)에서, 어노테이터 단말(110)은 어노테이터로부터 입력된 레이블 정보에 대한 재작업 필요 여부를 수신할 수 있다. 레이블 정보의 재작업이 필요할 경우, 어노테이터 단말(110)은 어노테이터로부터 재작업된 레이블 정보를 수신하고, 단계(S410)로 돌아갈 수 있다. 예를 들어, 레이블 정보가 기계학습 모델의 성능을 저하시킨다는 피드백을 수신한 경우, 어노테이터는 해당 패치에 대한 어노테이션 작업을 다시 수행할 수 있다. 또 다른 예로서, 레이블 정보가 기계학습 모델의 성능을 향상시킨다는 피드백을 수신하더라도, 어노테이터는 해당 레이블 정보에 대한 성능 향상에 만족하지 않고, 다시 어노테이션 작업을 수행하여 새로운 레이블 정보를 생성할 수 있다.

단계(S460)에서 레이블 정보의 재작업이 필요하지 않을 경우, 단계(S470)로 진행할 수 있다. 예를 들어, 레이블 정보가 기계학습 모델 성능을 향상시켰다고 표시되는 경우, 어노테이터는 레이블 정보의 재작업이 필요 없다고 판정할 수 있고, 이에 따라, 어노테이터 단말(110)을 통해 확인(confirmation)을 정보 처리 시스템(100)에 제공할 수 있다. 단계(S470)에서, 정보 처리 시스템(100)은 해당 레이블 정보를 기계학습 모델의 학습 세트로 분류할 수 있다.

일 실시예에 따르면, 정보 처리 시스템(100)은 레이블 정보의 재작업이 필요하지 않을 경우, 어노테이터 단말(110)을 통한 확인(confirmation)을 획득하지 않더라도 해당 레이블 정보를 기계학습 모델의 학습 세트로 분류할 수 있다.

도 5는 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다. 인공신경망 모델(500)은, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.

일 실시예에 따르면, 인공신경망 모델(500)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(500)은 기계 학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.

일 실시예에 따르면, 인공신경망 모델(500)은 목적 데이터를 입력하여 레이블 정보를 출력하도록 구성된 인공신경망 모델을 포함할 수 있다. 이 경우, 어노테이션 작업을 통해 생성된 레이블 정보를 이용하여 인공신경망 모델(500)을 학습할 시에 인공신경망 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치가 산출될 수 있다. 이렇게 산출된 수치는 레이블 정보에 대한 피드백을 어노테이터에게 제공하는데 사용될 수 있다.

인공신경망 모델(500)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(500)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 5에 도시된 바와 같이, 인공신경망 모델(500)은, 외부로부터 입력 신호 또는 데이터(510)를 수신하는 입력층(520), 입력 데이터에 대응한 출력 신호 또는 데이터(550)를 출력하는 출력층(540), 입력층(520)과 출력층(540) 사이에 위치하며 입력층(520)으로부터 신호를 받아 특성을 추출하여 출력층(540)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(530_1 내지 530_n)으로 구성된다. 여기서, 출력층(540)은 은닉층(530_1 내지 530_n)으로부터 신호를 받아 외부로 출력한다.

인공신경망 모델(500)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 정보 처리 시스템은 목적 데이터를 이용해 목적 데이터에 대한 레이블 정보를 출력하기 위하여 지도 학습(Supervised Learning)을 이용하여 입력 이미지에 대한 분석을 수행하고, 목적 데이터에 대응하는 레이블 정보가 추론될 수 있도록 인공신경망 모델(500)을 학습시킬 수 있다. 이 경우, 정보 처리 시스템은 어노테이터로부터 목적 데이터에 대한 레이블 정보를 이용하여 기계학습 모델의 지도학습을 수행할 수 있다.

이렇게 학습된 인공신경망 모델(500)은 저장 시스템(예: 저장 시스템(120))에 저장될 수 있으며, 통신 인터페이스 및/또는 어노테이터 단말(예: 어노테이터 단말(110)) 또는, 저장 시스템으로부터 수신된 목적 데이터의 입력에 응답하여 레이블 정보를 출력할 수 있다.

일 실시예에 따르면, 도 5에 도시된 바와 같이, 레이블 정보를 추출할 수 있는 인공신경망 모델(500)의 입력변수는, 목적 데이터(예: 병리 슬라이드 이미지 또는 병리 슬라이드 이미지에 포함된 적어도 하나의 패치 등)가 될 수 있다. 예를 들어, 인공신경망 모델(500)의 입력층(520)에 입력되는 입력변수는, 학습 이미지를 하나의 벡터 데이터 요소로 구성한, 이미지 벡터(510)가 될 수 있다. 병리 슬라이드 이미지의 적어도 일부를 포함한 학습 이미지의 입력에 응답하여, 인공신경망 모델(500)의 출력층(540)에서 출력되는 출력변수는 레이블 정보를 나타내거나 특징화하는 벡터(550)가 될 수 있다. 이에 더하여, 인공신경망 모델(500)의 출력층(540)은 출력된 레이블 정보에 대한 신뢰도 및/또는 정확도를 나타내는 벡터를 출력하도록 구성될 수 있다. 예를 들어, 이러한 출력에 대한 신뢰도 또는 정확도를 나타내는 벡터는 스코어(score)로서 해석되거나 표시될 수 있다. 본 개시에 있어서 인공신경망 모델(500)의 출력변수는, 이상에서 설명된 유형에 한정되지 않으며, 레이블 정보를 나타내는 임의의 정보/데이터를 포함할 수 있다.

이와 같이 인공신경망 모델(500)의 입력층(520)과 출력층(540)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(520), 은닉층(530_1 내지 530_n) 및 출력층(540)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(500)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(500)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 이렇게 학습된 인공신경망 모델(500)을 이용하여, 입력된 목적 데이터(예: 병리 슬라이드 이미지 또는 병리 슬라이드 이미지에 포함된 적어도 하나의 패치 등)에 응답하여, 목적 데이터에 대응하는 레이블 정보가 출력될 수 있다.

일 실시예에 따르면, 인공신경망 모델(500)은 어노테이션 작업을 통해 획득된 레이블 정보를 이용하여 레이블 정보와 연관된 목적 데이터를 인공신경망 모델(500)에 입력하여, 인공신경망 모델(500)의 가중치의 업데이트를 처리 속도에 기초하여 결정된 횟수로 수행할 수 있다. 여기서, 처리 속도는 레이블 정보에 대한 기계학습의 성능 향상/저하에 대한 피드백을 실시간으로 제공하기 위해 요구되는 최소한의 처리 속도를 지칭할 수 있다. 예를 들어, 이러한 가중치의 업데이트 n회(여기서, n은 1 이상의 자연수)를 수행한다는 것은 인공신경망 모델(500)의 순방향 전파(forward propagation) 및 역방향 전자(backward propagation)을 n회 수행함으로써 기계학습 모델과 연관된 가중치를 변경하거나 업데이트하는 과정을 지칭할 수 있다. 그리고 나서, n회 업데이트가 수행된 가중치를 포함한 인공신경망 모델(500)의 입력변수는, 검증 데이터 세트로 분류된 데이터(예: 병리 슬라이드 이미지 또는 그러한 병리 슬라이드 이미지에 포함된 적어도 하나의 패치 등)에 대한 벡터가 될 수 있다. 이러한 입력 변수에 응답하여, 인공신경망 모델(500)의 출력층(540)은 레이블 정보에 대한 벡터가 될 수 있다. 여기서, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 입력층(520), 은닉층(530_1 내지 530_n) 및 출력층(540)에 포함된 노드들 사이의 가중치 값이 조정될 수 있으며, 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치가 산출되거나 결정될 수 있다. 이렇게 산출된 인공신경망 모델의 성능을 나타내는 수치를 기초로, 정보처리 시스템은 어노테이션 작업을 통해 획득된 레이블 정보에 대한 피드백을 어노테이션 작업을 수행한 단말 및/또는 어노테이터에게 제공할 수 있다.

도 6은 본 개시의 일 실시예에 따른 인공신경망 모델에 사용하는 데이터 세트의 예시를 나타내는 도면이다. 도시된 바와 같이 기계학습 모델(예: 인공신경망 모델)에 사용하는 데이터 세트(600)는 학습(training) 데이터 세트(610), 검증(validation) 데이터 세트(620) 및 테스트(testing) 데이터 세트(630)를 포함할 수 있다. 여기서, 학습 데이터 세트(610) 및 검증 데이터 세트(620)는 학습 데이터 세트로 분류될 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 학습 데이터 세트(610)를 이용하여 인공신경망 모델을 학습할 수 있다. 그리고 나서, 정보 처리 시스템은 테스트 데이터 세트(630)를 학습된 인공신경망 모델에 입력하여 테스트 데이터 세트에 대한 결과값(예: 레이블 정보)을 추론할 수 있다. 여기서, 어노테이터로부터 획득된 목적 데이터에 대한 레이블 정보를 수신하면, 정보 처리 시스템은 수신된 목적 데이터 및 레이블 정보를 학습 데이터 세트(610)로 분류할 수 있다. 예를 들어, 어노테이터 단말로부터 레이블 정보에 대한 피드백에 대한 확인을 수신한 경우, 정보 처리 시스템은 확인 수행된 레이블 정보 및 이와 연관된 목적 데이터를 학습 데이터 세트(610)으로 분류할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 학습 데이터 세트를 이용한 인공신경망 모델을 학습하는 과정에서 검증 데이터 세트(620)를 이용하여 인공신경망 모델이 적절히 학습되고 있는지 검증할 수 있다. 예를 들어, 정보 처리 시스템은 어노테이터로부터 획득된 목적 데이터 및 이에 대한 레이블 정보를 이용하여 인공신경망 모델과 연관된 가중치에 대한 n 회(여기서, n은 1 이상의 자연수) 업데이트를 수행하고, 검증 데이터 세트(620)를 이용하여 가중치가 n 회 업데이트된 인공신경망 모델의 성능을 나타내는 수치를 산출할 수 있다. 이렇게 산출된 수치를 기초로, 획득된 레이블 정보에 대한 피드백이 결정되어 어노테이터 단말에 제공될 수 있다.

도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 방법을 나타내는 예시적인 흐름도이다. 일 실시예에 따르면, 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 산출하는 방법(700)은 정보 처리 시스템(예: 정보 처리 시스템(100))에 의해 수행될 수 있다. 추가적으로 또는 대안적으로, 방법(700)은 어노테이터 단말(예: 어노테이터 단말(110))에 의해 수행될 수 있다. 도시된 바와 같이, 방법(700)은, 기계학습 모델에 대한 검증 데이터 세트(예: 검증 데이터 세트(620))를 이용한 제1 기계학습 모델의 제1 검증 수치를 산출하는 단계(S710)로 개시될 수 있다. 여기서, 제1 기계학습 모델은 기존의 학습 데이터(예: 학습 데이터 세트(610))를 이용하여 학습되고, 수신된 목적 데이터 및 이에 대한 목적 데이터를 이용하여 학습되기 전의 기계학습 모델을 지칭할 수 있다.

그리고 나서, 단계(S720)에서, 검증 데이터 세트를 이용한 제2 기계학습 모델에 대한 제2 검증 수치가 산출될 수 있다. 여기서, 제2 기계학습 모델에 대한 제2 검증 수치를 산출하는데 이용되는 검증 데이터 세트는 제1 기계학습 모델에 대한 제1 검증 수치를 산출하는데 이용되는 검증 데이터 세트와 동일할 수 있다. 또한, 제2 기계학습 모델은 목적 데이터 및 이에 대한 레이블 정보를 이용하여 가중치의 업데이트가 처리 속도에 기초하여 결정된 횟수로 수행된 기계학습 모델을 지칭할 수 있다. 또한, 제2 기계학습 모델은 레이블 정보가 제1 기계학습 모델의 성능에 어떠한 영향을 미치는지 판단하기 위해 임시로 생성된 기계학습 모델을 나타낼 수 있다. 이 때, 목적 데이터 및 이에 대한 레이블 정보를 이용하여 기계학습 모델의 가중치를 업데이트하는 것은 기계학습 모델의 순방향 전파(forward propagation) 및 역방향 전자(backward propagation)을 처리 속도에 기초하여 결정된 횟수로 기계학습 모델과 연관된 가중치를 업데이트하는 것을 의미할 수 있다.

다음으로, 단계(S730)에서, 산출된 제2 검증 수치와 산출된 제1 검증 수치를 비교함으로써, 제2 검증 수치와 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하는지 판정될 수 있다. 여기서, 제2 검증 수치와 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하는 경우, 단계(S740)로 진행할 수 있다. 단계(S740)에서, 정보 처리 시스템은, 레이블 정보를 이용하여 학습된 제2 기계학습 모델 성능이 향상되었다고 판정할 수 있다.

이와 달리, 제2 검증 수치와 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하지 못하는 경우, 단계(S750)로 진행할 수 있다. 단계(S750)에서, 정보 처리 시스템은, 레이블 정보를 이용하여 학습된 제2 기계학습 모델 성능이 저하되었다고 판정할 수 있다.

다른 실시예에서, 단계(S750)에서, 정보 처리 시스템은, 산출된 제2 검증 수치와 제1 검증 수치가 동일한 경우, 기계학습 모델의 손실, 비용 또는 예측 정확도 등이 변화하지 않음에 따라, 기계학습 모델의 성능이 변화가 없다고 판정할 수 있다. 이 경우, 정보 처리 시스템은 어노테이터에게 제2 검증 수치와 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하지 못하는 경우와 유사한 피드백을 제공할 수 있다.

도 8은 본 개시의 일 실시예에 따른 기계학습 모델의 성능이 향상된 경우의 예시도이다. 일 실시예에 따르면, 기계학습 모델의 학습이 적절히 이루어졌는지 검증하기 위해, 정보 처리 시스템은 목적 데이터 및 이에 대한 레이블 정보를 이용하여 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치가 최소화되거나 성능과 관련된 수치가 최대화될 때까지 기계학습 모델과 연관된 가중치의 업데이트를 수행할 수 있다. 예를 들어, 기계학습 모델과 연관된 손실 함수(loss function) 또는 비용 함수(cost function)가 최소화되거나, 기계학습 모델과 연관된 예측 정확도가 최대화될 때까지 기계학습 모델과 연관된 가중치의 업데이트를 수행할 수 있다. 그러나, 기계학습 모델의 손실 함수 또는 비용함수가 최소화되거나 기계학습 모델의 예측 정확도가 최대화될 때까지 가중치의 업데이트를 수행하면, 이러한 기계학습 모델의 학습 시간이 요구되므로, 정보 처리 시스템(100)은 레이블 정보에 대한 피드백을 어노테이터 단말에 실시간으로 제공하기 어려울 수 있다.

일 실시예에서, 정보 처리 시스템(예: 정보 처리 시스템(100))은 획득된 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치의 업데이트를 1회 수행할 수 있다. 이렇게 가중치가 1회 업데이트된 기계학습 모델의 학습과 관련된 수치 또는 성능과 연관된 수치 중 적어도 하나의 수치를 산출함으로써, 정보 처리 시스템은 어노테이터 단말(예: 어노테이터 단말(110))에 획득된 레이블 정보에 대한 피드백을 실시간으로 제공할 수 있다. 예를 들어, 정보 처리 시스템은 기계학습 모델(810)의 가중치를 1회 업데이트하는 과정에서, 기계학습 모델의 경사도를 산출할 수 있다. 산출된 기계학습 모델의 경사도를 기초로, 기계학습 모델(810)의 가중치가 산출될 수 있다. 도시된 바와 같이, 경사도의 방향에 따라 기계학습 모델(810)의 가중치가 1회 업데이트될 수 있다. 이렇게 기계학습 모델(810)의 가중치가 1회 업데이트된 기계학습 모델(820)이 임시로 생성될 수 있고, 성능 향상 여부가 결정된 이후에는 기계학습 모델(820)은 더 이상 사용되지 않을 수 있다. 그리고 나서, 기계학습 모델에 대한 검증 데이터 세트를 이용하여 기계학습 모델(810) 및 기계학습 모델(820)의 각각에 대한 검증 수치가 산출될 수 있다. 기계학습 모델(820)과 연관된 검증 수치와 기계학습 모델(810)과 연관된 검증 수치 사이의 차이가 미리 결정된 기준을 만족시키면, 획득된 레이블 정보를 이용하여 가중치가 1회 업데이트된 기계학습 모델의 성능이 향상되었다고 판정될 수 있다.

도 9는 본 개시의 일 실시예에 따른 기계학습 모델의 성능이 저하된 경우의 예시도이다. 도 8과 마찬가지로, 정보 처리 시스템(예: 정보 처리 시스템(100))은 목적 데이터 및 목적 데이터에 대한 레이블 정보를 이용하여, 기계학습 모델(910)과 연관된 가중치의 업데이트를 1회 수행함으로써, 기계학습 모델(920)을 생성할 수 있다. 여기서, 기계학습 모델(920)은 어노테이터 단말(예: 어노테이터 단말(110))로부터 수신된 레이블 정보에 대한 모델 성능의 변화를 산출하기 위해 임시적으로 생성되는 모델로서, 기계학습 모델(910)과 구분될 수 있다. 기계학습 모델(920)은 기계학습 모델(820)과 마찬가지로, 성능 향상 여부가 결정된 이후 더 이상 사용되지 않을 수 있다. 여기서, 정보 처리 시스템은 기계학습 모델(910)의 경사도를 산출함으로써, 기계학습 모델(910)의 가중치를 산출할 수 있다. 예를 들어, 도시된 바와 같이, 기계학습 모델(910)의 경사도 방향에 따라 기계학습 모델(910)의 가중치 1회 업데이트될 수 있다. 그리고 나서, 기계학습 모델에 대한 검증 데이터 세트를 이용하여 기계학습 모델(910) 및 기계학습 모델(920)의 각각에 대한 검증 수치가 산출될 수 있다. 기계학습 모델(920)과 연관된 검증 수치와 기계학습 모델(910)과 연관된 검증 수치 사이의 차이가 미리 결정된 기준을 만족하지 못하면, 획득된 레이블 정보를 이용하여 가중치가 1회 업데이트된 기계학습 모델의 성능이 저하되었다고 판정될 수 있다.

또한, 도 8 및 도 9에서는 정보 처리 시스템이 목적 데이터 및 목적 데이터에 대한 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치의 업데이트를 1회 수행한다고 설명하였으나, 이에 한정되지 않고, 가중치를 업데이트한 이후의 기계학습 모델의 성능(예: 손실, 비용, 예측 정확도 등)이 기존 기계학습 모델의 성능과의 차이가 분명히 나타날 수 있도록, 목적 데이터 및 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치의 업데이트가 임의의 횟수(2번 이상)로 수행될 수 있다.

도 10은 본 개시의 일 실시예에 따른 기계학습 모델의 성능 향상에 대한 시각적 표시에 응답하여, 확인을 수신하는 예시를 나타내는 도면이다. 일 실시예에서, 정보 처리 시스템(예: 정보 처리 시스템(100))은, 획득된 레이블 정보에 대해 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치(예: 검증 수치)가 기계학습 모델의 성능 향상을 나타내는 경우, 획득된 레이블 정보가 기계학습 모델의 성능을 향상시킨다는 시각적 표시(1020)를 어노테이터 단말(110)에 출력할 수 있다. 예를 들어, 시각적 표시(1020)는, 도시된 바와 같이, 목적 데이터인 패치(1010)에 포함된 다른 레이블 정보들과는 다른 색(예: 흰색)으로 표시될 수 있으나, 이에 제한되지 않고, 패치(1010)에 팝업창 또는 텍스트 등의 다양한 시각적 표시로 표현될 수 있다.

일 실시예에서, 어노테이터(130)는 기계학습 모델의 성능을 향상시킨다는 시각적 표시(1020)에 응답하여, 레이블 정보에 대한 확인(confirmation)을 입력할 수 있다. 이 경우, 확인된 적어도 하나의 패치 및 이에 대한 레이블 정보는 정보 처리 시스템에 제공될 수 있으며. 기계학습 모델의 학습(training) 세트로 분류될 수 있다. 예를 들어, 어노테이터(130)가 작업한 레이블 정보에 대한 피드백으로 성능 향상이 확인되면, 어노테이터(130)가 레이블 정보에 대한 성능 향상을 확인함으로써, 해당 레이블 정보는 병리 슬라이드 이미지를 자동으로 어노테이션하는 기계학습 모델의 학습 데이터로 분류될 수 있다.

도 11은 본 개시의 다른 실시예에 따른 기계학습 모델의 성능 향상에 대한 시각적 표시에 응답하여, 레이블 정보를 수정하는 예시를 나타내는 도면이다. 정보 처리 시스템(예: 정보 처리 시스템(100))은, 도 10과 마찬가지로, 산출된 적어도 하나의 수치(예: 검증 수치)가 기계학습 모델의 성능 향상을 나타내는 경우, 어노테이터 단말(예: 어노테이터 단말(110))에게 레이블 정보가 기계학습 모델의 성능을 향상시킨다는 시각적 표시(1120)를 출력할 수 있다. 예를 들어, 시각적 표시(1120)는, 목적 데이터인 패치(1110)에 포함된 다른 레이블 정보들과는 다른 색(예: 흰색)으로 표시될 수 있으나, 이에 제한되지 않고, 패치(1110)에 팝업창 또는 텍스트 등의 다양한 시각적 표시로 표현될 수 있다.

일 실시예에서, 어노테이터(130)는 기계학습 모델의 성능을 향상시킨다는 시각적 표시(1120)에 응답하여, 레이블 정보에 대한 확인을 입력하는 대신에, 해당 패치에 대한 새로운 레이블 정보를 어노테이터 단말(110)을 통해 재입력할 수 있다. 재입력된 레이블 정보는 정보 처리 시스템에 제공될 수 있으며, 어노테이터 단말(110)은 정보 처리 시스템으로부터 재입력된 레이블 정보에 대한 기계학습 모델의 성능 변화를 나타내는 표시를 수신할 수 있다. 그리고 나서, 어노테이터(130)는 새로운 레이블 정보에 대응하는 모델의 성능 변화를 나타내는 시각적 표시에 대한 응답을 입력할 수 있다. 예를 들어, 새로운 레이블 정보에 대응하는 모델의 성능 변화가 성능 향상을 지칭하는 경우, 어노테이터(130)는 어노테이터 단말(110)을 통해 새로운 레이블 정보에 대한 확인을 입력할 수 있고, 새로운 레이블 정보 및 이와 연관된 적어도 하나의 패치는 기계학습 모델의 학습 데이터 세트로 분류될 수 있다. 이와 달리, 새로운 레이블 정보에 대응하는 모델의 성능 변화가 성능 저하를 지칭하는 경우, 어노테이터(130)는 적어도 하나의 패치에 대한 또 다른 레이블 정보를 입력받도록 요청받을 수 있다.

도 12는 본 개시의 일 실시예에 따른 기계학습 모델의 성능 저하를 나타내는 표시에 응답하여, 레이블 정보를 수정하는 예시를 나타내는 도면이다. 일 실시예에서, 정보 처리 시스템(예: 정보 처리 시스템(100))은, 획득된 레이블 정보에 대해 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치(예: 검증 수치)가 기계학습 모델의 성능 저하를 나타내는 경우, 획득된 레이블 정보가 기계학습 모델의 성능을 저하시킨다는 시각적 표시(1220)를 어노테이터 단말(110)에 출력할 수 있다. 예를 들어, 시각적 표시(1220)는, 도시된 바와 같이, 목적 데이터인 패치(1010)에 포함된 다른 레이블 정보들과는 상이한 색(예: 빨간색)으로 표시될 수 있으나, 이에 제한되지 않고, 패치(1210)에 팝업창 또는 텍스트 등의 다양한 시각적 표시로 표현될 수 있다.

일 실시예에 따르면, 어노테이터 단말(110)은 정보 처리 시스템으로부터 획득된 레이블 정보가 기계학습 모델의 성능을 저하시킨다는 시각적 표시(1220)뿐만 아니라, 레이블 정보에 대한 수정 요청을 수신할 수 있다. 이에 응답하여, 어노테이터(130)는 어노테이터 단말(110)을 통해 레이블 정보와 연관된 적어도 하나의 패치에 대한 새로운 레이블 정보를 입력함으로써, 레이블 정보에 대한 수정을 수행할 수 있다. 이에 따라, 어노테이터 단말(110)은 수정된 레이블 정보를 정보 처리 시스템에 제공할 수 있으며, 수정된 레이블 정보가 기계학습 모델의 성능에 어떤 영향을 미치는지에 대한 표시를 수신할 수 있다.

도 13은 본 개시의 일 실시예에 따른 레이블 정보에 대한 피드백을 제공하는 예시적인 시스템 구성도이다. 도시된 바와 같이, 정보 처리 시스템(100)은 하나 이상의 프로세서(1310), 버스(1330), 통신 인터페이스(1340), 프로세서(1310)에 의해 수행되는 컴퓨터 프로그램(1360)을 로드(load)하는 메모리(1320) 및 컴퓨터 프로그램(1360)을 저장하는 저장 모듈(1350)을 포함할 수 있다. 다만, 도 13에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 13에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(1310)는 정보 처리 시스템(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(1310)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(1310)는 본 개시의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 정보 처리 시스템(100)은 하나 이상의 프로세서를 구비할 수 있다.

메모리(1320)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(1320)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 저장 모듈(1350)로부터 하나 이상의 컴퓨터 프로그램(1360)을 로드할 수 있다. 메모리(1320)는 RAM과 같은 휘발성 메모리로 구현될 수 있으나, 본 개시의 기술적 범위는 이에 한정되지 아니한다.

버스(1330)는 정보 처리 시스템(100)의 구성 요소 간 통신 기능을 제공할 수 있다. 버스(1330)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(1340)는 정보 처리 시스템(100)의 유무선 인터넷 통신을 지원할 수 있다. 또한, 통신 인터페이스(1340)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(1340)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

저장 모듈(1350)은 하나 이상의 컴퓨터 프로그램(1360)을 비임시적으로 저장할 수 있다. 저장 모듈(1350)은 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(1360)은 메모리(1320)에 로드될 때 프로세서(1310)로 하여금 본 개시의 다양한 실시예들에 따른 동작/방법을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(1310)는 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예들에 따른 동작/방법들을 수행할 수 있다.

예를 들어, 컴퓨터 프로그램(1360)은 목적 데이터에 대한 정보를 얻는 동작, 목적 데이터에 대한 레이블 정보를 얻는 동작, 목적 데이터에 대한 결과값(예: 레이블 정보)을 추론하도록 기계학습 모델을 학습하는 동작, 학습된 기계학습 모델을 통해 목적 데이터에 대한 레이블 정보를 추론하는 동작, 레이블 정보에 대한 피드백을 제공하는 동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 정보 처리 시스템(100)을 통해 본 개시의 몇몇 실시예들에 따른 레이블 정보에 대한 피드백 제공 시스템이 구현될 수 있다.

본 개시의 앞선 설명은 통상의 기술자들이 본 개시를 행하거나 이용하는 것을 가능하게 하기 위해 제공된다. 본 개시의 다양한 수정예들이 통상의 기술자들에게 쉽게 자명할 것이고, 본원에 정의된 일반적인 원리들은 본 개시의 취지 또는 범위를 벗어나지 않으면서 다양한 변형예들에 적용될 수도 있다. 따라서, 본 개시는 본원에 설명된 예들에 제한되도록 의도된 것이 아니고, 본원에 개시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위가 부여되도록 의도된다.

비록 예시적인 구현예들이 하나 이상의 독립형 컴퓨터 시스템의 맥락에서 현재 개시된 주제의 양태들을 활용하는 것을 언급할 수도 있으나, 본 주제는 그렇게 제한되지 않고, 오히려 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 현재 개시된 주제의 양상들은 복수의 프로세싱 칩들이나 디바이스들에서 또는 그들에 걸쳐 구현될 수도 있고, 스토리지는 복수의 디바이스들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 디바이스들은 PC들, 네트워크 서버들, 및 핸드헬드 디바이스들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 변형 및 변경은 본 명세서에서 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

100: 정보 처리 시스템
110: 어노테이터 단말
120: 저장 시스템
130: 어노테이터
1310: 프로세서:
1320: 메모리
1330: 버스
1340: 통신 인터페이스
1350: 저장 모듈
1360: 컴퓨터 프로그램

Claims (20)

1. 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 레이블 정보에 대한 피드백을 제공하는 방법에 있어서,
   어노테이터 단말로부터 목적 데이터에 대한 레이블 정보를 수신하는 단계;
   상기 목적 데이터 및 상기 수신된 레이블 정보를 이용하여, 기계학습 모델과 연관된 가중치의 업데이트를 결정된 횟수로 수행함으로써, 상기 기계학습 모델을 학습시키는 단계;
   상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 결정하는 단계: 및
   상기 결정된 적어도 하나의 수치를 기초로 상기 수신된 레이블 정보에 대한 피드백을 실시간으로 상기 어노테이터 단말에 제공하는 단계를 포함하고,
   상기 수신된 레이블 정보에 대한 피드백은, 상기 수신된 레이블 정보를 이용한 상기 기계학습 모델의 학습 시, 상기 기계학습 모델의 성능이 향상되는지 또는 저하되는지 여부에 대한 정보를 포함하는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
2. 제1항에 있어서,
   상기 목적 데이터 및 상기 수신된 레이블 정보를 이용하여, 기계학습 모델과 연관된 가중치의 업데이트를 결정된 횟수로 수행함으로써, 상기 기계학습 모델을 학습시키는 단계는,
   상기 목적 데이터 및 상기 수신된 레이블 정보를 이용하여, 상기 기계학습 모델과 연관된 가중치의 업데이트를 처리 속도에 기초하여 결정된 횟수로 수행하는 단계
   를 포함하는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
3. 삭제
4. 제1항에 있어서,
   상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 결정하는 단계는,
   상기 목적 데이터 및 상기 수신된 레이블 정보를 이용한 학습 전의 기계학습 모델의 검증 데이터 세트(validation data set)에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로, 제1 검증 수치를 산출하는 단계;
   상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로, 제2 검증 수치를 산출하는 단계; 및
   상기 산출된 제1 검증 수치 및 상기 산출된 제2 검증 수치를 비교하는 단계
   를 포함하는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
5. 제4항에 있어서,
   상기 산출된 제2 검증 수치와 상기 산출된 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하는 경우, 상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 성능이 향상된다는 것을 나타내는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
6. 제4항에 있어서,
   상기 산출된 제2 검증 수치와 상기 산출된 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하지 못하는 경우, 상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 성능이 저하된다는 것을 나타내는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
7. 제4항에 있어서,
   상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델은 상기 목적 데이터 및 상기 수신된 레이블 정보를 이용한 학습 전의 기계학습 모델에서 파생되고, 임시로 사용되는 모델인, 레이블 정보에 대한 피드백을 제공하는 방법.
   
8. 제1항에 있어서,
   상기 결정된 적어도 하나의 수치를 기초로 상기 수신된 레이블 정보에 대한 피드백을 실시간으로 상기 어노테이터 단말에 제공하는 단계는,
   상기 결정된 적어도 하나의 수치가 상기 기계학습 모델의 성능 향상을 나타내는 경우, 상기 수신된 레이블 정보가 상기 기계학습 모델의 성능을 향상시킨다는 시각적 표시(visual representation)를 출력하는 단계
   를 포함하는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
9. 제8항에 있어서,
   상기 기계학습 모델의 성능을 향상시킨다는 시각적 표시에 응답하여, 상기 수신된 레이블 정보에 대한 확인(confirmation)을 수신하는 단계; 및
   상기 확인된 레이블 정보를 상기 기계학습 모델의 학습(training) 세트로 분류하는 단계
   를 더 포함하는, 레이블 정보에 대한 피드백을 제공하는 방법.
   
10. 제1항에 있어서,
    상기 결정된 적어도 하나의 수치를 기초로 상기 수신된 레이블 정보에 대한 피드백을 실시간으로 상기 어노테이터 단말에 제공하는 단계는,
    상기 결정된 적어도 하나의 수치가 상기 기계학습 모델의 성능 저하를 나타내는 경우, 상기 수신된 레이블 정보가 상기 기계학습 모델의 성능을 저하시킨다는 시각적 표시를 출력하는 단계; 및
    상기 수신된 레이블 정보에 대한 수정 요청을 출력하는 단계
    를 포함하는, 레이블 정보에 대한 피드백을 제공하는 방법.
    
11. 정보 처리 시스템에 있어서,
    하나 이상의 인스트럭션(instructions)을 저장하는 메모리; 및
    상기 저장된 하나 이상의 인스트럭션들을 실행함으로써,
    어노테이터 단말로부터 목적 데이터에 대한 레이블 정보를 수신하고, 상기 목적 데이터 및 상기 수신된 레이블 정보를 이용하여 기계학습 모델과 연관된 가중치의 업데이트를 결정된 횟수로 수행함으로써, 상기 기계학습 모델을 학습시키고, 상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 결정하고, 상기 결정된 적어도 하나의 수치를 기초로 상기 수신된 레이블 정보에 대한 피드백을 실시간으로 상기 어노테이터 단말에 제공하도록 구성된 프로세서를 포함하고,
    상기 수신된 레이블 정보에 대한 피드백은, 상기 수신된 레이블 정보를 이용한 상기 기계학습 모델의 학습 시, 상기 기계학습 모델의 성능이 향상되는지 또는 저하되는지 여부에 대한 정보를 포함하는,
    정보 처리 시스템.
    
12. 제11항에 있어서,
    상기 프로세서는,
    상기 목적 데이터 및 상기 수신된 레이블 정보를 이용하여, 상기 기계학습 모델과 연관된 가중치의 업데이트를 처리 속도에 기초하여 결정된 횟수로 수행하도록 더 구성되는,
    정보 처리 시스템.
    
13. 삭제
14. 제11항에 있어서,
    상기 프로세서는,
    상기 목적 데이터 및 상기 수신된 레이블 정보를 이용한 학습 전의 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로, 제1 검증 수치를 산출하고, 상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 검증 데이터 세트에 대한 학습과 관련된 수치 또는 성능과 관련된 수치 중 적어도 하나의 수치를 기초로, 제2 검증 수치를 산출하고, 상기 산출된 제1 검증 수치 및 상기 산출된 제2 검증 수치를 비교하도록 더 구성되는,
    정보 처리 시스템.
    
15. 제14항에 있어서,
    상기 산출된 제2 검증 수치와 상기 산출된 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하는 경우, 상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 성능이 향상된다는 것을 나타내는,
    정보 처리 시스템.
    
16. 제14항에 있어서,
    상기 산출된 제2 검증 수치와 상기 산출된 제1 검증 수치 사이의 차이가 미리 결정된 기준을 만족하지 못하는 경우, 상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델의 성능이 저하된다는 것을 나타내는,
    정보 처리 시스템.
    
17. 제14항에 있어서,
    상기 가중치의 업데이트가 상기 결정된 횟수로 수행된 기계학습 모델은 상기 목적 데이터 및 상기 수신된 레이블 정보를 이용한 학습 전의 기계학습 모델에서 파생되고, 임시로 사용되는 모델인,
    정보 처리 시스템.
    
18. 제11항에 있어서,
    상기 프로세서는,
    상기 결정된 적어도 하나의 수치가 상기 기계학습 모델의 성능 향상을 나타내는 경우, 상기 수신된 레이블 정보가 상기 기계학습 모델의 성능을 향상시킨다는 시각적 표시(visual representation)를 출력하도록 더 구성되는,
    정보 처리 시스템.
    
19. 제18항에 있어서,
    상기 프로세서는,
    상기 기계학습 모델의 성능을 향상시킨다는 시각적 표시에 응답하여, 상기 수신된 레이블 정보에 대한 확인을 수신하고, 상기 확인된 레이블 정보를 상기 기계학습 모델의 학습 세트로 분류하도록 더 구성되는,
    정보 처리 시스템.
    
20. 제11항에 있어서,
    상기 프로세서는,
    상기 결정된 적어도 하나의 수치가 상기 기계학습 모델의 성능 저하를 나타내는 경우, 상기 수신된 레이블 정보가 상기 기계학습 모델의 성능을 저하시킨다는 시각적 표시를 출력하고, 상기 수신된 레이블 정보에 대한 수정 요청을 출력하도록 더 구성되는,
    정보 처리 시스템.
    

Images