KR102616302B1 - 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템 - Google Patents

기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR102616302B1
KR102616302B1 KR1020230105911A KR20230105911A KR102616302B1 KR 102616302 B1 KR102616302 B1 KR 102616302B1 KR 1020230105911 A KR1020230105911 A KR 1020230105911A KR 20230105911 A KR20230105911 A KR 20230105911A KR 102616302 B1 KR102616302 B1 KR 102616302B1
Authority
KR
South Korea
Prior art keywords
artificial neural
neural network
node
learning
nodes
Prior art date
Application number
KR1020230105911A
Other languages
English (en)
Inventor
성시백
Original Assignee
주식회사 휴이노에임
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 주식회사 휴이노에임 filed Critical 주식회사 휴이노에임
Priority to KR1020230105911A priority Critical patent/KR102616302B1/ko
Application granted granted Critical
Publication of KR102616302B1 publication Critical patent/KR102616302B1/ko

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명의 일 태양에 따르면, 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 방법으로서, 인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하는 단계, 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에서 제외된 상태에서, 상기 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하는 단계, 및 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에 포함된 상태에서, 상기 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 단계를 포함하는 방법이 제공된다.

Description

기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 방법 및 시스템{METHOD AND SYSTEM FOR MANAGING ARTIFICIAL NEURAL NETWORKS TO ESTIMATE ADDITIONAL DISEASES NOT PREVIOUSLY TRAINED ON}
본 발명은 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 방법 및 시스템에 관한 것이다.
어떠한 질환을 인공 신경망을 이용하여 추정(또는 예측)하기 위해서는 해당 인공 신경망을 학습시키기에 충분한 데이터가 필요하다. 그러나, 특정한 질환은 해당 질환을 추정하는 인공 신경망을 학습시키기에 데이터 샘플이 충분하지 않은 유병률이 적은 질환이 있을 수 있다. 따라서, 이러한 질환을 추정하는 인공 신경망을 학습시키기 위해 해당 질환의 데이터 외에 유병률이 높아, 충분한 케이스를 가진 다른 질환의 데이터를 추가적으로 활용할 수 있도록 하는 기술을 개발하는 것이 필요하다.
또한, 서로 다른 질환을 추정하기 위해 각 질환을 추정하는 인공 신경망을 별개로 구성할 경우 소요 비용이 증가하고 운영 효율성이 저하되는 문제가 발생할 수 있다. 따라서, 단일의 인공 신경망이 복수의 질환을 모두 추정할 수 있도록 하는 기술을 개발하는 것도 필요하다.
상술한 기술들은 임상 의사 결정 지원 시스템(CDSS; Clinical Decision Support System)의 기능 확대를 위해 반드시 구축되어야 하는 핵심 기술에 해당한다.
본 발명은 전술한 종래 기술의 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 서로 다른 질환을 예측할 수 있는 데이터를 포함하는 하나의 데이터(또는 동일 속성을 갖는 데이터)가 단일의 인공 신경망에 입력되도록 하고, 해당 인공 신경망이 위 데이터를 입력받아 학습을 수행하는 과정에서 해당 인공 신경망을 구성하는 노드가 각 질환에 관한 과제별로 상이하게 구성되도록 하는 새로운 유형의 학습 기법을 제안하는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 방법으로서, 인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하는 단계, 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에서 제외된 상태에서, 상기 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하는 단계, 및 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에 포함된 상태에서, 상기 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 시스템으로서, 인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하는 선정부, 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에서 제외된 상태에서, 상기 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하는 제1 학습 관리부, 및 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에 포함된 상태에서, 상기 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 제2 학습 관리부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 서로 다른 질환을 예측할 수 있는 데이터를 포함하는 하나의 데이터(또는 동일 속성을 갖는 데이터)가 단일의 인공 신경망에 입력되도록 하고, 해당 인공 신경망이 위 데이터를 입력받아 학습을 수행하는 과정에서 해당 인공 신경망을 구성하는 노드가 각 질환에 관한 과제별로 상이하게 구성되도록 하는 새로운 유형의 학습 기법을 구현할 수 있다.
도 1은 본 발명의 일 실시예에 따라 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 관리 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3 내지 도 5는 본 발명의 일 실시예에 따라 인공 신경망이 학습되는 과정을 예시적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
본 명세서에서 말하는 질환이란, 심정지, 사망 등과 같은 병적 상태를 의미할 뿐만 아니라, 중환자실 전실 등과 같이 임상적으로 발생할 수 있는 다양한 이벤트를 포괄하는 최광의의 의미로 이해되어야 한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따라 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 관리 시스템(200) 및 디바이스(300)를 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 공지의 인터넷 또는 월드 와이드 웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE; Long Term Evolution) 통신, 5G 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 통신 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 관리 시스템(200)은 통신망(100)을 통하여 후술할 디바이스(300)와의 통신을 수행할 수 있다. 또한, 본 발명의 일 실시예에 따른 관리 시스템(200)은, 인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하고, 선정된 적어도 하나의 노드가 인공 신경망에서 제외된 상태에서 해당 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하며, 위의 선정된 적어도 하나의 노드가 인공 신경망에 포함된 상태에서 해당 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 기능을 수행할 수 있다. 한편, 이러한 관리 시스템(200)은 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기일 수 있으며, 예를 들어 통신망(100)상에서 운영되는 서버 시스템일 수도 있다.
본 발명의 일 실시예에 따른 관리 시스템(200)의 구성과 기능에 관하여는 이하의 상세한 설명을 통하여 자세하게 알아보기로 한다.
다음으로, 본 발명의 일 실시예에 따른 디바이스(300)는 관리 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 스마트폰, 태블릿, 스마트 워치, 스마트 밴드, 스마트 글래스, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다.
또한, 본 발명의 일 실시예에 따르면, 디바이스(300)에는 본 발명에 따른 기능을 수행하기 위한 애플리케이션 프로그램이 더 포함되어 있을 수 있다. 이러한 애플리케이션은 해당 디바이스(300) 내에서 프로그램 모듈의 형태로 존재할 수 있다. 이러한 프로그램 모듈의 성격은 후술할 바와 같은 관리 시스템(200)의 선정부(210), 제1 학습 관리부(220), 제2 학습 관리부(230), 결정부(240), 통신부(250) 및 제어부(260)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
관리 시스템의 구성
이하에서는, 도 2를 참조하여 관리 시스템(200)의 내부 구성을 살펴보고, 도 3 내지 도 5를 참조하여 관리 시스템(200)의 기능이 실현됨에 따라 인공 신경망이 학습되는 과정을 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 관리 시스템(200)의 내부 구성을 상세하게 도시하는 도면이다. 또한, 도 3 내지 도 5는 본 발명의 일 실시예에 따라 인공 신경망이 학습되는 과정을 예시적으로 나타내는 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 관리 시스템(200)은 선정부(210), 제1 학습 관리부(220), 제2 학습 관리부(230), 결정부(240), 통신부(250) 및 제어부(260)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 관리 시스템(200)의 선정부(210), 제1 학습 관리부(220), 제2 학습 관리부(230), 결정부(240), 통신부(250) 및 제어부(260)는 그 중 적어도 일부가 외부의 시스템(미도시됨)과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 관리 시스템(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 관리 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 관리 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 관리 시스템(200)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 디바이스(300) 또는 서버(미도시됨) 내에서 실현되거나 외부 시스템(미도시됨) 내에 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따른 선정부(210)는, 인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하는 기능을 수행할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 선정부(210)는, 인공 신경망을 구성하는 복수의 노드 중에서 소정의 비율에 해당하는 임의의 노드를 위의 적어도 하나의 노드로 선정할 수 있다. 여기서, 본 발명의 일 실시예에 따르면, 적어도 하나의 노드를 선정하기 위한 기준으로 노드의 가중치에 대한 역치(threshold)가 설정될 수 있다.
도 3의 (a) 및 (b)는 선정부(210)에 의해 과제마다 적어도 하나의 노드가 선정된 결과를 예시적으로 도시한다. 도 3의 (a) 및 (b)를 구체적으로 살펴보면, 도 3의 (a)는 제1 질환에 관한 과제(Task #1)을 위해서 인공 신경망의 제N 레이어(Layer N)에서는 첫 번째 노드(또는 제1 노드)(n1)와 세 번째 노드(또는 제3 노드)(n3)가 선정되었고, 인공 신경망의 제N+1 레이어(Layer N+1)에서는 두 번째 노드(또는 제6 노드)(n6)와 세 번째 노드(또는 제7 노드)(n7)가 선정되었다. 반대로 도 3의 (b)에서는 제2 질환에 관한 과제(Task #2)을 위해서 인공 신경망의 제N 레이어(Layer N)에서는 두 번째 노드(또는 제2 노드)(n2)와 네 번째 노드(또는 제4 노드)(n4)가 선정되었고, 인공 신경망의 제N+1 레이어(Layer N+1)에서는 첫 번째 노드(또는 제5 노드)(n5)가 선정되었다. 상술한 바와 같이 선정부(210)에 의해 적어도 하나의 노드가 과제마다 선정될 수 있지만, 이하에서는 제2 질환에 관한 과제(Task #2)를 위해 선정된 노드를 기준으로 본 발명의 학습 과정을 설명하기로 한다.
다음으로, 본 발명의 일 실시예에 따른 제1 학습 관리부(220)는, 선정부(210)에 의해 선정된 적어도 하나의 노드(즉, 제2 질환에 관한 과제(Task #2)를 위해 선정된 노드)가 인공 신경망에서 제외된 상태에서, 해당 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하는 기능을 수행할 수 있다.
예를 들어, 다시 도 3의 (a)를 참조하면, 제1 학습 관리부(220)는 선정부(210)에 의해 선정된 노드, 즉 제N 레이어(Layer N)의 제2 노드(n2) 및 제4 노드(n4), 그리고 제N+1 레이어(Layer N+1)의 제5 노드(n5)를 인공 신경망에서 제외할 수 있다. 도 3의 (a)에서, 선정부(210)에 의해 선정된 노드는 비활성화(Deactivated) 상태인 것으로 도시되었다. 즉, 본 발명의 일 실시예에 따르면, 어떠한 노드가 인공 신경망에서 제외되었다는 것은 해당 노드가 인공 신경망에서 비활성화되었다는 것을 의미할 수 있다. 그 다음에, 제1 학습 관리부(220)는 선정부(210)에 의해 선정된 노드가 인공 신경망에서 제외된 상태에서, 인공 신경망이 제1 질환에 관한 과제(Task #1)에 대해 학습을 수행하도록 할 수 있다. 여기서, 제1 질환에 관한 과제(Task #1)란 제1 질환의 위험도를 추정하는 것을 의미할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 인공 신경망이 제1 질환에 관한 과제를 학습하는 과정에서, 전자의무기록(EMR; Electronic Medical Record)에 기록된 데이터가 학습 데이터로서 인공 신경망에 입력될 수 있다. 본 발명의 일 실시예에 따르면, 전자의무기록(EMR)에는 심박 주기(HR; Heart Rate), 호흡 주기(RR; Respiratory Rate), 체온(BT; Body Temperature), 혈압(BP; Blood Pressure) 등의 다양한 생체 신호가 기록될 수 있고, 인공 신경망이 제1 질환에 관한 과제를 학습하기 위해 요구되는 데이터에는 이러한 전자의무기록(EMR)에 기록된 생체 신호 중 적어도 일부가 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 제2 학습 관리부(230)는, 선정부(210)에 의해 선정된 적어도 하나의 노드(즉, 제2 질환에 관한 과제(Task #2)를 위해 선정된 노드)가 인공 신경망에 포함된 상태에서, 해당 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 기능을 수행할 수 있다.
예를 들어, 다시 도 3의 (b)를 참조하면, 제2 학습 관리부(230)는 제N 레이어(Layer N)와 제N+1 레이어(Layer N+1)에 포함되는 복수의 노드(n1 내지 n7) 중에서 제1 노드(n1), 제3 노드(n3), 제6 노드(n6) 및 제7 노드(n7)는 인공 신경망에서 제외하고, 선정부(210)에 의해 선정된 노드, 즉 제2 노드(n2), 제4 노드(n4) 및 제5 노드(n5)는 인공 신경망에 포함되도록 할 수 있다. 도 3의 (b)에서, 선정부(210)에 의해 선정된 노드는 활성화(Activated) 상태인 것으로 도시되었다. 즉, 본 발명의 일 실시예에 따르면, 어떠한 노드가 인공 신경망에서 포함되었다는 것은 해당 노드가 인공 신경망에서 활성화되었다는 것을 의미할 수 있다. 그 다음에, 제2 학습 관리부(230)는 선정부(210)에 의해 선정된 노드가 인공 신경망에 포함된 상태에서, 인공 신경망이 제2 질환에 관한 과제(Task #2)에 대해 학습을 수행하도록 할 수 있다. 여기서, 제2 질환에 관한 과제(Task #2)란 제2 질환의 위험도를 추정하는 것을 의미할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 인공 신경망이 제2 질환에 관한 과제를 학습하는 과정에서 인공 신경망에 입력되는 학습 데이터는, 제1 질환에 관한 과제를 학습하는 과정과 마찬가지로, 전자의무기록(EMR)에 기록된 데이터일 수 있다. 본 발명의 일 실시예에 따르면, 인공 신경망이 제2 질환에 관한 과제를 학습하기 위해 요구되는 데이터에는 이러한 전자의무기록(EMR)에 기록된 생체 신호 중 적어도 일부가 포함될 수 있다. 즉, 본 발명의 일 실시예에 따르면, 전자의무기록(EMR)에는 인공 신경망이 제1 질환에 관한 과제를 학습하기 위해 요구되는 데이터와 제2 질환에 관한 과제를 학습하기 위해 요구되는 데이터가 모두 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 결정부(240)는, 인공 신경망이 학습을 수행한 결과에 기초하여, 인공 신경망을 구성하는 복수의 레이어 중에서 추가 노드가 배치될 확장 레이어를 결정하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 결정부(240)는, 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행한 결과가 소정의 기준(예컨대 정확도에 관한 기준)을 충족시키지 못하는 경우, 확장 레이어에 추가 노드를 배치하여 해당 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 재수행하도록 할 수 있다.
여기서, 본 발명의 일 실시예에 따른 결정부(240)는, 선정부(210)에 의해 선정된 적어도 하나의 노드를 포함하는 레이어를 대상으로 하여 확장 레이어를 결정할 수 있다. 또한, 본 발명의 일 실시예에 따른 결정부(240)는, LayerCAM의 레이어별로 인포메이션을 확인하여, 대상이 되는 레이어 중에서 가장 적은 비중을 사용하는 레이어를 확장 레이어로 결정할 수 있다. 본 발명의 일 실시예에 따른 결정부(240)는, 확장 레이어를 결정하는 과정에서, 복수의 레이어를 확장 레이어로 결정할 수도 있으나, 바람직하게는 구조의 단순함을 위해 하나의 레이어만을 확장 레이어로 결정할 수 있다.
예를 들어, 도 4를 참조하면, 선정부(210)에 의해 선정된 노드를 포함하는 제N 레이어(Layer N)(제N 레이어(Layer N)는 선정부(210)에 의해 선정된 제2 노드(n2) 및 제4 노드(n4)를 포함함)와 제N+1 레이어(Layer N+1)(제N+1 레이어(Layer N+1)는 선정부(210)에 의해 선정된 제5 노드(n5)를 포함함) 중에서 제N+1 레이어(Layer N+1)가 확장 레이어로 결정될 수 있다.
계속해서, 본 발명의 일 실시예에 따른 결정부(240)는, 확장 레이어에 포함된 기존 노드의 적어도 일부를 복제하여 추가 노드를 생성할 수 있고, 이와 같이 생성되는 추가 노드를 확장 레이어에 배치할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 복제의 대상이 되는 기존 노드는 선정부(210)에 의해 선정된 노드에 해당할 수 있고, 복제될 추가 노드의 수는 기존 노드의 수의 N배(N은 자연수)에 해당할 수 있다.
예를 들어, 다시 도 4를 참조하면, 확장 레이어에 해당하는 제N+1 레이어(Layer N+1)에는 제5 노드(n5)의 2배만큼 추가 노드가 배치될 수 있고, 구체적으로는 제8 노드(n8)와 제9 노드(n9)가 추가 노드로 배치될 수 있다.
다만, 본 발명의 일 실시예에 따르면, 복제될 추가 노드의 수를 결정하는 방식이 반드시 상술한 방식에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다. 예를 들어, 복제될 추가 노드의 수가 임의의 수로 결정될 수도 있다.
한편, 본 발명의 일 실시예에 따른 결정부(240)는, 인공 신경망이 학습을 수행하는 과정(구체적으로는 확장 레이어에 추가 노드가 배치된 후에 인공 신경망이 학습을 재수행하는 과정)에서 인공 신경망을 구성하는 복수의 노드 및 추가 노드 중 일부를 동결(freeze)하거나 동결을 해제할 수 있다. 여기서, 추가 노드가 인공 신경망을 구성하는 복수의 노드와 별개인 것으로 언급되었으나, 이는 설명의 편의를 위한 것이고, 추가 노드 또한 인공 신경망을 구성하는 노드에 해당한다는 것은 자명하다. 또한, 인공 신경망을 구성하는 복수의 노드가, 인공 신경망이 제1 질환에 관한 과제를 학습하는 과정과 제2 질환에 관한 과제를 학습하는 과정에서 일부 중복될 수는 있으나, 전체적으로는 상이할 수 있다는 점은 전술한 바에 의해 자명하다.
동결 기능과 관련하여 도 5를 참조하면, 본 발명의 일 실시예에 따른 결정부(240)는, 인공 신경망이 제2 질환에 관한 과제(Task #2)에 대해 학습을 재수행하는 과정에서, 제N 레이어(Layer N)의 제2 노드(n2)와 제4 노드(n4)를 동결시킬 수 있고, 또한 제N+1 레이어(Layer N+1)의 제5 노드(n5)를 동결시킬 수 있다. 도 5에서, 결정부(240)에 의해 동결된 노드는 F(Freezed)로 표시되었다. 본 발명의 일 실시예에 따르면, 이러한 동결 기능을 이용하여, 제N+1 레이어(Layer N+1)에 새롭게 배치된 추가 노드(즉, 제8 노드(n8)와 제9 노드(n9))에 대해 미세 조정(fine-tuning)을 수행할 수 있게 되고, 나아가 인공 신경망에서 파괴적 망각(catastrophic forgetting) 현상이 발생하는 것을 억제할 수 있다.
한편, 본 발명의 일 실시예에 따른 결정부(240)는, 필요에 따라, 인공 신경망이 학습을 완료한 후에 해당 인공 신경망을 과제별로 분리하는 기능을 수행할 수도 있다. 예를 들어, 본 발명의 일 실시예에 따른 결정부(240)는, 인공 신경망에서 제1 질환에 관한 과제를 학습하는 데에 이용된 노드와 제2 질환에 관한 과제를 학습하는 데에 이용된 노드를 분리하여, 단일의 인공 신경망을 제1 질환에 관한 과제에 대해 학습된 인공 신경망과 제2 질환에 관한 과제에 대해 학습된 인공 신경망으로 분리할 수 있다.
이상에서 설명한 본 발명의 학습 과정(또는 학습 기법)에 따르면, 학습의 대상이 되는 과제별로 노드가 정해져 있으므로 각 질환의 인정 기준이 바뀔 때마다 재학습을 수행하는 것이 용이하고, 과제별로 노드를 분리하는 것이 가능하여 특정한 과제에 대해 학습한 내용을 분리시키거나 삭제하는 것이 용이하다.
또한, 본 발명의 학습 과정은, 기존의 연속 학습(continual learning)에서 더 나아가 인공 신경망을 확률 분포 모델이 아닌 물리적 분리 모델로서 학습시킬 수 있고, 이와 같이 학습된 인공 신경망에서 파괴적 망각 현상이 발생하는 것을 원천적으로 방지할 수 있다.
이러한 본 발명의 학습 과정은, 특히 기존의 정보량이 변하지 않아야 하는 의료계의 인허가 시스템을 충실히 반영한 것으로서, 임상 의사 결정 지원 시스템(CDSS; Clinical Decision Support System)의 미래를 제시하는 청사진이 될 것이다.
다음으로, 본 발명의 일 실시예에 따른 통신부(250)는 선정부(210), 제1 학습 관리부(220), 제2 학습 관리부(230) 및 결정부(240)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(260)는 선정부(210), 제1 학습 관리부(220), 제2 학습 관리부(230), 결정부(240) 및 통신부(250) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명의 일 실시예에 따른 제어부(260)는 관리 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 관리 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 선정부(210), 제1 학습 관리부(220), 제2 학습 관리부(230), 결정부(240) 및 통신부(250)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 관리 시스템
210: 선정부
220: 제1 학습 관리부
230: 제2 학습 관리부
240: 결정부
250: 통신부
260: 제어부
300: 디바이스

Claims (13)

  1. 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 방법으로서,
    (a) 인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하는 단계,
    (b) 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에서 제외된 상태에서, 상기 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하는 단계,
    (c) 상기 선정된 적어도 하나의 노드가 상기 인공 신경망에 포함된 상태에서, 상기 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 단계, 및
    (d) 상기 인공 신경망이 학습을 수행한 결과에 기초하여, 상기 인공 신경망을 구성하는 복수의 레이어 중에서 추가 노드가 배치될 확장 레이어를 결정하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 복수의 노드 중에서 소정의 비율에 해당하는 임의의 노드가 상기 적어도 하나의 노드로 선정되는
    방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 확장 레이어는 상기 선정된 적어도 하나의 노드를 포함하는 레이어 중에서 결정되는
    방법.
  5. 제1항에 있어서,
    상기 추가 노드는 상기 확장 레이어에 포함된 기존 노드의 적어도 일부를 복제하여 생성되는
    방법.
  6. 제1항에 있어서,
    상기 복수의 노드 및 상기 추가 노드 중 일부는, 상기 인공 신경망이 학습을 수행하는 과정에서 동결될 수 있는
    방법.
  7. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  8. 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을 관리하기 위한 시스템으로서,
    인공 신경망을 구성하는 복수의 노드 중에서 적어도 하나의 노드를 선정하는 선정부,
    상기 선정된 적어도 하나의 노드가 상기 인공 신경망에서 제외된 상태에서, 상기 인공 신경망이 제1 질환에 관한 과제에 대해 학습을 수행하도록 하는 제1 학습 관리부,
    상기 선정된 적어도 하나의 노드가 상기 인공 신경망에 포함된 상태에서, 상기 인공 신경망이 제2 질환에 관한 과제에 대해 학습을 수행하도록 하는 제2 학습 관리부, 및
    상기 인공 신경망이 학습을 수행한 결과에 기초하여, 상기 인공 신경망을 구성하는 복수의 레이어 중에서 추가 노드가 배치될 확장 레이어를 결정하는 결정부를 포함하는
    시스템.
  9. 제8항에 있어서,
    상기 복수의 노드 중에서 소정의 비율에 해당하는 임의의 노드가 상기 적어도 하나의 노드로 선정되는
    시스템.
  10. 삭제
  11. 제8항에 있어서,
    상기 확장 레이어는 상기 선정된 적어도 하나의 노드를 포함하는 레이어 중에서 결정되는
    시스템.
  12. 제8항에 있어서,
    상기 추가 노드는 상기 확장 레이어에 포함된 기존 노드의 적어도 일부를 복제하여 생성되는
    시스템.
  13. 제8항에 있어서,
    상기 복수의 노드 및 상기 추가 노드 중 일부는, 상기 인공 신경망이 학습을 수행하는 과정에서 동결될 수 있는
    시스템.
KR1020230105911A 2023-08-11 2023-08-11 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템 KR102616302B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230105911A KR102616302B1 (ko) 2023-08-11 2023-08-11 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230105911A KR102616302B1 (ko) 2023-08-11 2023-08-11 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102616302B1 true KR102616302B1 (ko) 2023-12-21

Family

ID=89320607

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230105911A KR102616302B1 (ko) 2023-08-11 2023-08-11 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102616302B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449837B1 (ko) * 2015-02-23 2022-09-30 삼성전자주식회사 신경망 학습 방법 및 장치, 및 인식 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449837B1 (ko) * 2015-02-23 2022-09-30 삼성전자주식회사 신경망 학습 방법 및 장치, 및 인식 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
윤승한 외 3인, 인공신경망의 효율적 노드 사후 가지치기, 정보과학회 컴퓨팅의 실제 논문지 제28권 제3호(2022.3) *
허기수, 오일석, 신경망의 노드 가지치기를 위한 유전 알고리즘, 2009년 3월 전자공학회 논문지 제46권 CI편 제2호 *

Similar Documents

Publication Publication Date Title
US10157226B1 (en) Predicting links in knowledge graphs using ontological knowledge
Thanga Selvi et al. RETRACTED ARTICLE: An optimal artificial neural network based big data application for heart disease diagnosis and classification model
CN108630197B (zh) 用于语音识别的训练方法和设备
AU2019449128B2 (en) Digital twin computation apparatus, digital twin computation method, program, and data structure
US11521066B2 (en) Method and apparatus for partitioning deep neural networks
JP2020502712A (ja) ニューラルネットワークを用いた疾病診断システム及びその方法
US20180246659A1 (en) Data blocks migration
KR20200046145A (ko) 예측 모델 훈련 관리 시스템, 예측 모델 훈련 관리 방법, 예측 모델 학습 관리를 위한 마스터 장치 및 슬레이브 장치
CN109240611A (zh) 小文件冷热数据分层方法、小文件数据访问方法及其装置
US20160378945A1 (en) Methods and Systems for Determining a Correlation Between Patient Actions and Symptoms of a Disease
US10176065B2 (en) Intelligent failure prediction and redundancy management in a data storage system
KR20190099660A (ko) 건강나이 예측 방법
CN102779088B (zh) 事务处理设备、事务处理方法及事务处理程序
CN110058960A (zh) 用于管理存储***的方法、设备和计算机程序产品
GB2604683A (en) Machine learning techniques for predictive prioritization
Herodotou AutoCache: Employing machine learning to automate caching in distributed file systems
KR102537302B1 (ko) 최적 이송 병원 결정 방법 및 서버
KR102616302B1 (ko) 기학습되지 않은 추가적인 질환을 추정하는 인공 신경망을관리하기 위한 방법 및 시스템
AU2017202945B2 (en) Context-aware application programming interface response management
CN116569194A (zh) 联合学习
CN114048186A (zh) 一种基于海量数据的数据迁移方法及***
JPWO2020208444A5 (ko)
CN111309982A (zh) 机器学习数据索引结构的自适应结构调整方法及***
CN116130074A (zh) 一种候诊等待时间预测方法、装置及存储介质
Ma et al. Improving feature generalizability with multitask learning in class incremental learning

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant