WO2024096165A1 - 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법 - Google Patents
엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법 Download PDFInfo
- Publication number
- WO2024096165A1 WO2024096165A1 PCT/KR2022/017185 KR2022017185W WO2024096165A1 WO 2024096165 A1 WO2024096165 A1 WO 2024096165A1 KR 2022017185 W KR2022017185 W KR 2022017185W WO 2024096165 A1 WO2024096165 A1 WO 2024096165A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- signal
- exosome
- mental
- mental illness
- sers
- Prior art date
Links
- 208000020016 psychiatric disease Diseases 0.000 title claims abstract description 194
- 210000001808 exosome Anatomy 0.000 title claims abstract description 157
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 claims abstract description 120
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000003491 array Methods 0.000 claims abstract description 6
- 238000007635 classification algorithm Methods 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 4
- 201000000980 schizophrenia Diseases 0.000 description 16
- 208000019906 panic disease Diseases 0.000 description 13
- 208000020925 Bipolar disease Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 208000024254 Delusional disease Diseases 0.000 description 11
- 206010012289 Dementia Diseases 0.000 description 11
- 239000002105 nanoparticle Substances 0.000 description 11
- 208000002851 paranoid schizophrenia Diseases 0.000 description 11
- 238000001069 Raman spectroscopy Methods 0.000 description 6
- 230000000994 depressogenic effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001542 size-exclusion chromatography Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010003445 Ascites Diseases 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 208000022821 personality disease Diseases 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G16H50/20—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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
Definitions
- the present invention relates to an artificial intelligence-based mental illness diagnosis system and method using exosome SERS signals.
- the SERS signal map across the entire exosome rather than a specific marker is detected, and the detected SERS signal map is It relates to a mental disorder diagnosis system and method for diagnosing and classifying mental disorders through an artificial intelligence algorithm learned using .
- Mental illness involves disorders of thinking, feeling, and behavior, and is diagnosed as a mental illness or mental health disorder when the disorder causes significant distress or interference with daily life.
- DSM Diagnostic and Statistical Manual of Mental Disorders
- a mental disease diagnosis system that detects a SERS signal map across the entire exosome rather than a specific marker, and diagnoses and classifies mental disorders through an artificial intelligence algorithm learned using the detected SERS signal map, and The purpose is to provide that method.
- an artificial intelligence-based mental illness diagnosis system using exosome SERS signals includes a first signal map obtained using exosomes obtained from normal people and a first signal map obtained from a patient with mental illness.
- First learning whereby the second signal map obtained using exosomes is input into a mental disease diagnosis algorithm and the mental disease diagnosis algorithm is trained to classify the exosome SERS signal included in the input signal map as 0 or 1, respectively.
- a signal acquisition unit that drops exosomes obtained from a measurement subject onto a chip including a plurality of dot arrays and then acquires a signal map including a plurality of exosome SERS signals from the chip, and Input the obtained signal map into a mental disease diagnosis algorithm for which learning has been completed, obtain a signal value of 0 or 1 for each exosome SERS signal included in the signal map, and measure using the average of the obtained signal values. It includes a diagnosis section that diagnoses the subject as normal or mentally ill.
- a plurality of exosome SERS signals obtained from the measurement subject are input into a plurality of mental disease classification algorithms to obtain a signal value of 0 or 1 for each of the plurality of exosome SERS signals, and It may further include a classification unit that classifies the type of mental illness using the average of the obtained signal values.
- a first signal map is obtained from exosomes obtained from normal people
- a second signal map is obtained from exosomes obtained from mental illness patients
- n * m included in the first signal map (where n and m are the same or different natural numbers) and may further include a SERS signal collection unit that labels all exosome SERS signals as 0 and labels all n*m exosome SERS signals included in the second signal map as 1. there is.
- a second signal map obtained from a mental illness patient corresponding to a specific type of mental illness and a second signal map obtained from mental illness patients other than the specific type of mental illness are used to determine the plurality of mental illnesses. It may further include a second learning unit that inputs input to a disease classification algorithm and trains each mental disease classification algorithm to determine whether the input signal map corresponds to the specific type of mental disease.
- the diagnostic unit inputs n*m exosome SERS signals included in the obtained signal map into the mental disease diagnosis algorithm and outputs a signal value of 0 or 1 corresponding to each of the n*m exosome SERS signals. If the average of the output signal values is close to 0, it is classified as normal, and if the average of the output signal values is close to 1, it can be diagnosed as mental illness.
- the classification unit inputs n*m exosome SERS signals into the plurality of mental disease classification algorithms, and the plurality of mental disease classification algorithms generate a signal of 0 or 1 for the input n*m exosome SERS signals, respectively.
- the value is output, and the average of the output signal values can be compared with a classification standard value for a specific type of mental illness to determine whether it corresponds to the specific type of mental illness.
- the method of diagnosing mental illness using the mental illness diagnosis system includes a first signal map obtained using exosomes obtained from a normal person and a first signal map obtained using exosomes obtained from a patient with mental illness. 2
- a mental disease diagnosis algorithm to learn to classify the exosomal SERS (Surface Enhanced Raman Spectroscopy) signal included in the input signal map as 0 or 1, respectively, from the measurement subject
- Dropping the obtained exosomes onto a chip including a plurality of dot arrays then acquiring a signal map including a plurality of exosome SERS signals from the chip, and learning the obtained signal map.
- a signal value of 0 or 1 is obtained for each exosome SERS signal included in the signal map, and the average of the obtained signal values is used to classify the measurement subject as normal or mentally ill. Includes diagnostic steps.
- mental illness can be diagnosed by inputting the exosome SERS signal map into a mental disease diagnosis algorithm, and further, the exosome SERS signal map diagnosed as having a mental disorder can be classified into a plurality of mental disorders.
- a specific diagnosis of mental illness is possible by entering it into an algorithm and re-analyzing it to classify the type of mental illness.
- FIG. 1 is a configuration diagram for explaining a mental illness diagnosis system according to an embodiment of the present invention.
- Figure 2 is a flowchart for explaining a method of diagnosing mental illness using a mental illness diagnosing system according to an embodiment of the present invention.
- Figure 3 is an example diagram for explaining step S210 shown in Figure 2.
- Figure 4 is an example diagram showing the results of nanoparticle tracking analysis for exosomes from normal people and exosomes from depressed patients.
- Figure 5 is an example diagram for explaining a method of labeling an exosome SERS signal in step S220 shown in Figure 2.
- FIG. 6 is an example diagram illustrating a method of learning a mental disease diagnosis algorithm using the exosome SERS signal labeled in step S220 shown in FIG. 2.
- Figure 7 is an exemplary diagram showing performance evaluation results for an artificial intelligence-based mental illness diagnosis method using exosome SERS signals according to an embodiment of the present invention.
- FIG. 1 a mental illness diagnosis system according to an embodiment of the present invention will be described in more detail using FIG. 1.
- FIG. 1 is a configuration diagram for explaining a mental illness diagnosis system according to an embodiment of the present invention.
- the mental illness diagnosis system 100 includes a SERS signal collection unit 110, a first learning unit 120, a second learning unit 130, and a signal acquisition unit. (140), includes a diagnosis unit 150 and a classification unit 160.
- the SERS signal collection unit 110 performs Raman spectroscopy on exosomes collected from the plasma of normal people and exosomes collected from the plasma of patients with mental illness to obtain respective signal maps.
- the signal map has a size of n*m depending on the number of dot arrays included in the chip. Accordingly, the SERS signal collection unit 110 acquires n*m exosome SERS (Surface Enhanced Raman Spectroscopy) signals according to the size of the signal map.
- n*m exosome SERS Surface Enhanced Raman Spectroscopy
- the signal map obtained from a normal person is referred to as a first signal map
- the signal map obtained from a mental illness patient is referred to as a second signal map.
- the SERS signal collection unit 110 labels n*m exosome SERS signals included in the first signal map as 0, and labels n*m exosome SERS signals included in the second signal map as 1. .
- the first learning unit 120 builds a mental disease diagnosis algorithm based on deep learning, and learns by inputting the exosome SERS signal labeled 0 and the exosome SERS signal labeled 1 into the constructed mental disease diagnosis algorithm. I order it. Then, the mental disease diagnosis algorithm outputs a signal value of 0 or 1 in response to the input exosome SERS signal.
- the second learning unit 130 builds a mental disease classification algorithm based on deep learning.
- the mental illness classification algorithm constructed is formed into multiple numbers corresponding to the type of mental illness.
- the type of mental illness may include at least one of depression, bipolar disorder, panic disorder, schizophrenia, dementia, and delusional disorder, but is not necessarily limited to this and may include various other types of mental illness. there is.
- the second learning unit 130 inputs the exosome SERS signal obtained from each mental illness patient into a plurality of mental illness classification algorithms and learns them.
- the classification algorithm for a specific type of mental illness is an exosome SERS signal obtained from a mental illness patient corresponding to a specific type of mental illness, and exosomes obtained from patients with other types of mental illness excluding the specific type of mental illness.
- the mental disease classification algorithm outputs a signal value of 0 or 1 for the input exosome SERS signal.
- the signal acquisition unit 140 drops exosomes collected from the plasma of the measurement subject onto the chip and then performs Raman spectroscopy on the chip to acquire a plurality of exosome SERS signals.
- the diagnostic unit 150 inputs the acquired plurality of exosome SERS signals into a mental disease diagnosis algorithm for which learning has been completed and obtains a signal value of 0 or 1 for each exosome SERS signal. Then, the diagnosis unit 150 uses the average of the acquired signal values to diagnose the measurement subject as normal or mentally ill.
- the classification unit 160 inputs a plurality of exosome SERS signals into a plurality of mental disease classification algorithms for which learning has been completed.
- the plurality of mental disease classification algorithms output a signal value of 0 or 1 for the plurality of input exosome SERS signals, and the classification unit 160 classifies the average of the output signal values for the corresponding type of mental disease. Compare it with the reference value to determine whether it corresponds to each type of mental illness.
- the depression classification algorithm outputs a signal value of 0 or 1 for a plurality of input exosome SERS signals, and compares the average of the output signal values with a depression classification reference value to determine whether depression has occurred.
- the bipolar disorder classification algorithm outputs a signal value of 0 or 1 for a plurality of input exosome SERS signals, and determines whether bipolar disorder occurs by comparing the average of the output signal values with the bipolar disorder classification reference value.
- the panic disorder classification algorithm outputs a signal value of 0 or 1 for a plurality of input exosome SERS signals, and compares the average of the output signal values with the panic disorder classification reference value to determine whether the patient has panic disorder.
- the schizophrenia (schizophrenia) classification algorithm outputs a signal value of 0 or 1 for multiple input exosome SERS signals, and compares the average output signal value with the schizophrenia (schizophrenia) classification reference value to determine schizophrenia (psychiatry). Schizophrenia) is determined.
- the dementia classification algorithm outputs a signal value of 0 or 1 for a plurality of input exosome SERS signals, and determines dementia by comparing the average of the output signal values with a dementia classification reference value.
- the delusional disorder classification algorithm outputs a signal value of 0 or 1 for a plurality of input exosome SERS signals, and compares the average of the output signal values with the delusional disorder classification reference value to determine whether or not there is a delusional disorder.
- classification unit 160 provides information on mental illnesses that have been determined to be positive.
- FIGS. 2 to 7 Using FIGS. 2 to 7 , a method for diagnosing mental illness using a mental illness diagnosing system according to an embodiment of the present invention will be described in more detail.
- Figure 2 is a flowchart for explaining a method of diagnosing mental illness using a mental illness diagnosing system according to an embodiment of the present invention.
- the mental disorder diagnosis method using the mental disorder diagnosis system includes the steps of learning a mental disorder diagnosis algorithm and a mental disorder classification algorithm, and the learned mental disorder diagnosis algorithm and mental disorder. It includes the step of diagnosing mental illness using a classification algorithm.
- the mental disease diagnosis system 100 collects exosome SERS signals from the normal person group and the mental disease patient group (S210).
- Figure 3 is an example diagram for explaining step S210 shown in Figure 2.
- a plasma sample from a normal person is obtained, and exosomes are separated from the obtained plasma using size exclusion chromatography (SEC). Additionally, exosomes are isolated from plasma samples of mental illness patients using the same method.
- SEC size exclusion chromatography
- exosomes isolated from plasma samples of mental illness patients In exosomes isolated from plasma samples of mental illness patients, exosomes related to mental illness and normal exosomes coexist.
- Figure 4 is an example diagram showing the results of nanoparticle tracking analysis for exosomes from normal people and exosomes from depressed patients.
- Raman spectroscopy is performed on exosomes isolated from plasma samples of normal people and exosomes isolated from mental illness patients to detect exosome SERS signals.
- the exosome solution obtained by separating from the plasma sample of a normal person and the exosome solution obtained by separating from the plasma sample of a mental illness patient are dropped on each Au nanoparticle aggregate array chip and then dried.
- the Au nanoparticle aggregate array chip is made by precipitating AuNPs (Au nanoparticles) from a colloidal solution and then coating the NPs on the APTES-functionalized glass surface.
- the Au nanoparticle aggregate array chip is a dot array of n*m (where n and m are natural numbers equal to or different from each other). Includes, and the exosome SERS signal is measured at each dot.
- the SERS signal collection unit 110 performs Raman spectroscopy on the Au nanoparticle assembly array chip on which the exosome solution is dried to obtain exosome SERS containing a plurality of exosome SERS signals corresponding to the dot array. Collect signal maps.
- the SERS signal collection unit 110 collects the first signal map including n*m first exosome SERS signals from the exosome solution of a normal person, and n*m first signal map from the exosome solution of a mental illness patient. 2 Collect a second signal map containing exosome SERS signals.
- the mental illness diagnosis system 100 is a mental illness patient group using patients diagnosed with at least one mental illness among depression, bipolar disorder, panic disorder, schizophrenia, dementia, and delusional disorder. constitutes.
- step S210 the first learning unit 120 learns a mental disease diagnosis algorithm using the first signal map obtained from the normal group and the second signal map obtained from the mental disease patient group (S220).
- Figure 5 is an example diagram illustrating a method of labeling the exosome SERS signal in step S220 shown in Figure 2
- Figure 6 is a diagram showing the diagnosis of mental illness using the exosome SERS signal labeled in step S220 shown in Figure 2. This is an example to explain how to learn an algorithm.
- the n*m dots arranged on the Au nanoparticle aggregate array chip contain either normal exosomes or exosomes related to mental illness. Only exosomes may exist, or both normal exosomes and exosomes related to mental illness may exist. That is, a plurality of exosome SERS signals corresponding to the dot array may be output differently.
- the first learning unit 120 does not classify the exosome SERS signal according to the presence of mental disease-related exosomes or normal exosomes, but ascites obtained from a normal person. All of the first exosome SERS signals are labeled as 0, and the plurality of second exosome SERS signals obtained from mental illness patients are all labeled as 1.
- the first learning unit 120 randomly extracts learning data and test data from the first exosome SERS signal and the second exosome SERS signal.
- the first learning unit 120 uses the first exosome SERS signal and the second exosome SERS signal corresponding to the extracted learning data as input data, and uses the labeled value as output data to learn a mental disease diagnosis algorithm. I order it.
- the mental illness diagnosis algorithm outputs a signal value of 0 or 1 in response to a plurality of exosome SERS signals input, and first diagnoses whether or not a mental illness has occurred using the average of the output signal values.
- the second learning unit 130 learns a mental illness diagnosis algorithm using the second exosome SERS signal of the mental illness patient group obtained in step S210 (S230).
- the second learning unit 130 builds a plurality of mental disease classification algorithms corresponding to depression, bipolar disorder, panic disorder, schizophrenia, dementia, and delusional disorder.
- the second learning unit 130 inputs the second exosome SERS signal obtained from the depression patient group and the second exosome SERS signal obtained from the remaining types of mental illness patient groups excluding depression patients into the depression classification algorithm.
- the depression classification algorithm is trained to output a signal value of 0 or 1 in response to the input exosome SERS signal.
- the second learning unit 130 inputs the second exosome SERS signal obtained from the bipolar disorder patient group and the second exosome SERS signal obtained from the other types of mental illness patient groups excluding bipolar disorder patients into the panic disorder classification algorithm.
- the panic disorder classification algorithm is taught to output a signal value of 0 or 1 in response to the input exosome SERS signal.
- the second learning unit 130 trains the panic disorder classification algorithm, the schizophrenia classification algorithm, the dementia classification algorithm, and the delusional disorder classification algorithm in the same manner.
- the mental illness diagnosis system 100 diagnoses a mental illness for the measurement subject.
- the signal acquisition unit 140 acquires the exosome SERS signal extracted from the plasma of the measurement subject (S240).
- the user collects plasma from the measurement subject and applies chromatography to the collected plasma to separate exosomes.
- the user drops the exosome-dissolved solution onto the Au nanoparticle collection array chip and then dries it.
- n*m for example, 100
- step S240 the diagnosis unit 150 inputs n*m exosome SERS signals into the mental illness diagnosis algorithm to determine whether the measurement subject has a mental illness (S250).
- the diagnosis unit 150 inputs n*m exosome SERS signals into a mental disease diagnosis algorithm. Then, the mental disease diagnosis algorithm outputs a signal value of 0 or 1 in response to each of n*m exosome SERS signals.
- the diagnosis unit 150 diagnoses the measurement subject as a normal person, and if the average of the output signal values is close to 1, the diagnosis unit 150 diagnoses the measurement subject as a mental illness patient. do.
- the classification unit 160 inputs n*m exosome SERS signals into a plurality of learned mental illness classification algorithms to classify the measurement subject's mental illness ( S260).
- the classification unit 160 applies n*m exosome SERS signals to a depression classification algorithm, a bipolar disorder classification algorithm, a panic disorder classification algorithm, a schizophrenia classification algorithm, a dementia classification algorithm, and a delusional disorder classification algorithm, respectively. Enter.
- the depression classification algorithm outputs a signal value of 0 or 1 for each of the input n*m exosome SERS signals, and compares the average of the output signal values with the depression classification reference value to determine whether the measurement subject is depressed. judge.
- the bipolar disorder classification algorithm outputs a signal value of 0 or 1 for each of the n*m exosome SERS signals input, and compares the average of the output signal values with the standard value for bipolar disorder classification to determine whether the measurement subject has bipolar disorder. do.
- the panic disorder classification algorithm outputs a signal value of 0 or 1 for each of the n*m exosome SERS signals input, and compares the average of the output signal values with the panic disorder classification standard to determine whether the measurement subject has panic disorder. Determine whether or not
- the schizophrenia (schizophrenia) classification algorithm outputs a signal value of 0 or 1 for each of the n*m exosome SERS signals input, and compares the average of the output signal values with the schizophrenia (schizophrenia) classification standard value. Determine whether the measurement subject suffers from schizophrenia.
- the dementia classification algorithm outputs a signal value of 0 or 1 for each of the n*m exosome SERS signals input, and determines whether the measurement subject has dementia by comparing the average of the output signal values with the dementia classification standard value. do.
- the delusional disorder classification algorithm outputs a signal value of 0 or 1 for each of the n*m exosome SERS signals input, and compares the average of the output signal values with the standard value for delusional disorder classification to determine whether the measurement subject has delusional disorder. Determine whether it applies.
- the classification unit 160 provides mental disease prediction results using results output from six mental disease classification algorithms.
- Figure 7 is an exemplary diagram showing performance evaluation results for an artificial intelligence-based mental illness diagnosis method using exosome SERS signals according to an embodiment of the present invention.
- the heatmap obtained from the exosomes of a normal person and the heatmap obtained from a depressed patient can be easily distinguished with the naked eye.
- the final diagnosis value is approximately 1.86 times higher in the depression patient group than in the normal group.
- a receiver operating characteristic (ROC) curve is shown to verify the effectiveness of the mental disease diagnosis algorithm or mental disease classification algorithm.
- AUC area under the ROC curve
- the mental illness diagnosis algorithm or mental illness classification algorithm according to an embodiment of the present invention has a value of approximately 0.939, and a sensitivity of 91.4. %, and specificity is approximately 88.6%. This indicates that the mental illness diagnosis algorithm or mental illness classification algorithm has excellent performance.
- the mental illness diagnosis system can diagnose mental illness by inputting the exosome SERS signal map into a mental illness diagnosis algorithm, and furthermore, multiple exosome SERS signal maps diagnosed as having mental illness are diagnosed. It is possible to make a specific diagnosis of mental illness by entering it into the mental illness classification algorithm and re-analyzing it to classify the type of mental illness.
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 엑소좀 SERS 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법에 관한 것이다. 본 발명에 따르면, 엑소좀 SERS 신호를 이용한 인공지능 기반의 정신질환 진단 시스템은 정상인으로부터 획득한 엑소좀을 이용하여 획득한 제1 신호맵과 정신질환 환자로부터 획득한 엑소좀을 이용하여 획득한 제2 신호맵을 정신질환 진단 알고리즘에 입력하여 상기 정신질환 진단 알고리즘으로 하여금 입력되는 신호맵에 포함된 엑소좀 SERS 신호를 각각 0 또는 1로 분류하도록 학습시키는 제1 학습부, 측정 대상자로부터 획득한 엑소좀을 복수개의 도트 어레이(dot array)를 포함하는 칩 상에 떨어뜨린 다음, 상기 칩으로부터 복수 개의 엑소좀 SERS 신호를 포함하는 신호맵을 획득하는 신호 획득부, 그리고 상기 획득한 신호맵을 학습이 완료된 정신질환 진단 알고리즘에 입력하여 상기 신호맵에 포함된 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 측정 대상자를 정상 또는 정신질환으로 진단하는 진단부를 포함한다.
Description
본 발명은 엑소좀 SERS 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게 설명하면 특정 마커가 아닌 엑소좀 전체에 걸친 SERS 신호맵을 검출하고, 검출된 SERS 신호맵을 이용하여 학습된 인공지능 알고리즘을 통해 정신질환을 진단 및 분류하는 정신질환 진단 시스템 및 그 방법에 관한 것이다.
정신질환은 사고, 감정 및 행동의 장애를 수반하며, 해당 장애가 일상 생활에 현저한 고통 및 방해를 유발할 경우 정신 질환 또는 정신 건강 장애로 진단한다.
정신질환 효과는 장기간 지속되거나 일시적으로 나타나며, 대략 50%에 해당하는 성인의 대부분의 인생의 어느 순간에 정신질환을 경험한다. 정신적 장애를 초래하는 질병의 첫 번째 원인은 우울증으로서, 매우 흔한 질환임에도 불구하고 정신질환을 가진 사람의 약 20%만이 전문적인 도움을 받고 있다.
일반적으로 정신질환은 정상적인 행동과는 항상 뚜렷하게 구분되나, 특정 성격 특성을 가지고 있는 것과 인격장애를 가지고 있는 것을 구분하는 것은 매우 어렵다.
따라서, 정신질환 진단에 대한 객관성을 확보하기 위하여 종래에는 미국 정신의학 협회(American Psychiatric Association)에서 출판되는 정신질환 진단 및 통계 편람(Diagnostic and Statistical Manual of Mental Disorders, DSM)에 제시된 기준으로 정신질환을 진단하고 있다.
그러나, 정신질환 진단 및 통계 편람(DSM)은 임상증상을 모아놓은 것에 불과하며 실험실 평가(영상의학, 혈액검사, 신경생리검사 등)에 의해 검증되지 못하였다. 따라서, 최근에는 임상의학적 경험뿐만 아니라 검증이 완료된 정신진단 분류 체계에 대한 연구가 활발히 진행되고 있다.
본 발명의 배경이 되는 기술은 일본 공개특허 제2021-112167호 (2021.08. 05. 공개)에 개시되어 있다.
이와 같이 본 발명에 따르면, 특정 마커가 아닌 엑소좀 전체에 걸친 SERS 신호맵을 검출하고, 검출된 SERS 신호맵을 이용하여 학습된 인공지능 알고리즘을 통해 정신질환을 진단 및 분류하는 정신질환 진단 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 엑소좀 SERS 신호를 이용한 인공지능 기반의 정신질환 진단 시스템은 정상인으로부터 획득한 엑소좀을 이용하여 획득한 제1 신호맵과 정신질환 환자로부터 획득한 엑소좀을 이용하여 획득한 제2 신호맵을 정신질환 진단 알고리즘에 입력하여 상기 정신질환 진단 알고리즘으로 하여금 입력되는 신호맵에 포함된 엑소좀 SERS 신호를 각각 0 또는 1로 분류하도록 학습시키는 제1 학습부, 측정 대상자로부터 획득한 엑소좀을 복수개의 도트 어레이(dot array)를 포함하는 칩 상에 떨어뜨린 다음, 상기 칩으로부터 복수 개의 엑소좀 SERS 신호를 포함하는 신호맵을 획득하는 신호 획득부, 그리고 상기 획득한 신호맵을 학습이 완료된 정신질환 진단 알고리즘에 입력하여 상기 신호맵에 포함된 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 측정 대상자를 정상 또는 정신질환으로 진단하는 진단부를 포함한다.
정신질환으로 진단된 경우, 상기 측정 대상자로부터 획득한 복수 개의 엑소좀 SERS 신호를 복수 개의 정신질환 분류 알고리즘에 입력하여 상기 복수 개의 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 정신질환의 종류를 분류하는 분류부를 더 포함할 수 있다.
정상인으로부터 획득한 엑소좀으로부터 제1 신호맵 획득하고, 정신질환 환자들로부터 획득한 엑소좀으로부터 제2 신호맵을 획득한 다음, 상기 제1 신호맵에 포함된 n*m(여기서, n 및 m은 서로 같거나 다른 자연수이다)개의 엑소좀 SERS 신호를 전부 0으로 라벨링하고, 상기 제2 신호맵에 포함된 n*m 개의 엑소좀 SERS 신호를 전부 1로 라벨링하는 SERS 신호 수집부를 더 포함할 수 있다.
상기 정신질환 환자들 중에서 특정 종류의 정신질환에 해당하는 정신질환 환자로부터 획득한 제2 신호맵과, 상기 특정 종류의 정신질환을 제외한 나머지 정신질환 환자로부터 획득한 제2 신호맵을 상기 복수 개의 정신질환 분류 알고리즘에 입력하여 각각의 정신질환 분류 알고리즘으로 하여금 입력되는 신호맵이 상기 특정 종류의 정신질환에 해당하는지 여부를 판별하도록 학습시키는 제2 학습부를 더 포함할 수 있다.
상기 진단부는, 상기 획득한 신호맵에 포함된 n*m 개의 엑소좀 SERS 신호를 상기 정신질환 진단 알고리즘에 입력하여 상기 n*m 개의 엑소좀 SERS 신호 각각에 대응하여 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균이 0에 가까우면 정상으로 분류하고, 출력된 신호값의 평균이 1에 가까우면 정신질환으로 진단할 수 있다.
상기 분류부는, n*m 개의 엑소좀 SERS 신호를 상기 복수 개의 정신질환 분류 알고리즘에 입력하고, 상기 복수 개의 정신질환 분류 알고리즘은 입력된 n*m개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하며, 출력된 신호값의 평균을 특정 종류의 정신질환에 대한 분류 기준값과 비교하여 상기 특정 종류의 정신질환에 해당하는지 여부를 판단할 수 있다.
또한, 본 발명의 실시예에 따른 정신질환 진단 시스템을 이용한 정신질환 진단 방법은 정상인으로부터 획득한 엑소좀을 이용하여 획득한 제1 신호맵과 정신질환 환자로부터 획득한 엑소좀을 이용하여 획득한 제2 신호맵을 정신질환 진단 알고리즘에 입력하여 상기 정신질환 진단 알고리즘으로 하여금 입력되는 신호맵에 포함된 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 각각 0 또는 1로 분류하도록 학습시키는 단계, 측정 대상자로부터 획득한 엑소좀을 복수개의 도트 어레이(dot array)를 포함하는 칩 상에 떨어뜨린 다음, 상기 칩으로부터 복수 개의 엑소좀 SERS 신호를 포함하는 신호맵을 획득하는 단계, 그리고 상기 획득한 신호맵을 학습이 완료된 정신질환 진단 알고리즘에 입력하여 상기 신호맵에 포함된 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 측정 대상자를 정상 또는 정신질환으로 진단하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 엑소좀 SERS 신호맵을 정신질환 진단 알고리즘에 입력하여 정신질환 여부를 진단할 수 있고, 더 나아가 정신질환이 발생된 것으로 진단된 엑소좀 SERS 신호맵을 복수 개의 정신질환 분류 알고리즘에 입력하여 재 분석하여 정신질환의 종류를 분류함으로써 정신질환에 대한 구체적인 진단이 가능하다.
도 1은 본 발명의 실시예에 따른 정신질환 진단 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 정신질환 진단 시스템을 이용한 정신질환 진단 방법을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 S210단계를 설명하기 위한 예시도이다.
도 4는 정상인의 엑소좀과 우울증 환자의 엑소좀에 대한 나노 입자 추적 분석 결과를 나타내는 예시도이다.
도 5는 도 2에 도시된 S220단계에서 엑소좀 SERS 신호를 라벨링하는 방법을 설명하기 위한 예시도이다.
도 6은 도 2에 도시된 S220단계에서 라벨링된 엑소좀 SERS 신호를 이용하여 정신질환 진단 알고리즘을 학습하는 방법을 설명하기 위한 예시도이다.
도 7은 본 발명의 실시예에 따른 엑소좀 SERS 신호를 이용한 인공지능 기반의 정신질환 진단 방법에 대한 성능 평가 결과를 도시한 예시도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 정신질환 진단 시스템에 대하여 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 정신질환 진단 시스템을 설명하기 위한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 정신질환 진단 시스템 (100)은 SERS 신호 수집부(110), 제1 학습부(120), 제2 학습부(130), 신호 획득부(140), 진단부(150) 및 분류부(160)을 포함한다.
먼저, SERS 신호 수집부(110)는 정상인의 혈장으로부터 채취한 엑소좀과 정신질환 환자의 혈장으로부터 채취한 엑소좀에 라만 분광법(Raman Spectroscopy)을 수행하여 각각의 신호맵을 획득한다.
여기서 신호맵은 칩에 포함된 도트 어레이(dot array)의 개수에 따라 n*m의 크기를 가진다. 따라서, SERS 신호 수집부(110)는 신호맵의 크기에 따라 n*m 개의 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 획득한다.
이하에서는 설명의 편의를 위하여 정상인으로부터 획득한 신호맵을 제1 신호맵이라고 하고, 정신질환 환자로부터 획득한 신호맵을 제2 신호맵이라고 한다.
그리고 SERS 신호 수집부(110)는 제1 신호맵에 포함된 n*m 개의 엑소좀 SERS 신호를 0으로 라벨링하고, 제2 신호맵에 포함된 n*m 개의 엑소좀 SERS 신호는 1로 라벨링한다.
제1 학습부(120)는 딥러닝을 기반으로 하는 정신질환 진단 알고리즘을 구축하고, 0으로 라벨링된 엑소좀 SERS 신호와 1로 라벨링된 엑소좀 SERS 신호를 구축된 정신질환 진단 알고리즘에 입력하여 학습시킨다. 그러면, 정신질환 진단 알고리즘은 입력되는 엑소좀 SERS 신호에 대응하여 0 또는 1의 신호값을 출력한다.
제2 학습부(130)는 딥러닝을 기반으로 하는 정신질환 분류 알고리즘을 구축한다. 이때 구축되는 정신질환 분류 알고리즘은 정신질환의 종류에 대응하여 복수 개로 형성된다. 여기서 정신질환의 종류는 우울증, 조울증, 공황장애, 조현증(정신분열병), 치매 및 망상장애 중에서 적어도 하나를 포함할 수 있으나, 반드시 이로 한정되는 것은 아니며 이 밖에 다양한 정신질환의 종류를 포함할 수 있다.
그 다음, 제2 학습부(130)는 각각의 정신질환 환자로부터 획득한 엑소좀 SERS 신호를 복수 개의 정신질환 분류 알고리즘에 입력하여 학습시킨다. 여기서, 특정 종류의 정신질환에 대한 분류 알고리즘은 특정 종류의 정신질환에 해당하는 정신질환 환자로부터 획득한 엑소좀 SERS 신호와, 특정 종류의 정신질환을 제외한 나머지 종류의 정신질환 환자로부터 획득한 엑소좀 SERS 신호를 입력받아서, 엑소좀 SESR 신호가 특정 종류의 정신질환에 해당하는지 여부를 판별하도록 학습된다. 그러면, 정신질환 분류 알고리즘은 입력되는 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력한다.
신호 획득부(140)는 측정 대상자의 혈장으로부터 채취한 엑소좀을 칩 상에 떨어뜨린 다음, 칩에 라만 분광법을 수행하여 복수 개의 엑소좀 SERS 신호를 획득한다.
진단부(150)는 획득한 복수 개의 엑소좀 SERS 신호를 학습이 완료된 정신질환 진단 알고리즘에 입력하여 각각의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 획득한다. 그리고, 진단부(150)는 획득한 신호값의 평균을 이용하여 측정 대상자를 정상 또는 정신질환으로 진단한다.
측정 대상자를 정신질환으로 진단하면, 분류부(160)는 복수 개의 엑소좀 SERS 신호를 학습이 완료된 복수 개의 정신질환 분류 알고리즘에 각각 입력한다.
그러면, 복수 개의 정신질환 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 분류부(160)는 출력된 신호값의 평균을 해당 종류의 정신질환에 대한 분류 기준값과 비교하여 각 종류의 정신질환에 해당하는지 여부를 판단한다.
예를 들어 설명하면, 우울증 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균을 우울증 분류 기준값과 비교하여 우울증 발생 여부를 판별한다. 조울증 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균을 조울증 분류 기준값과 비교하여 조울증 발생 여부를 판별한다. 공황장애 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균을 공황장애 분류 기준값과 비교하여 공황장애 여부를 판별한다. 조현증(정신분열병) 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 출력된 신호값 평균을 조현증(정신분열병) 분류 기준값과 비교하여 조현증(정신분열병) 여부를 판별한다. 치매 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균을 치매 분류 기준값과 비교하여 치매 여부를 판별한다. 마지막으로 망상장애 분류 알고리즘은 입력된 복수 개의 엑소좀 SERS 신호에 대해 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균을 망상장애 분류 기준값과 비교하여 망상장애 여부를 판별한다.
그리고, 분류부(160)는 양성으로 판별된 정신질환에 대한 정보를 제공한다.
도 2 내지 도 7을 이용하여 본 발명의 실시예에 따른 정신질환 진단 시스템을 이용한 정신질환 진단 방법에 대해 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 정신질환 진단 시스템을 이용한 정신질환 진단 방법을 설명하기 위한 순서도이다.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 정신질환 진단 시스템을 이용한 정신질환 진단 방법은 정신질환 진단 알고리즘 및 정신질환 분류 알고리즘을 학습시키는 단계와 학습이 완료된 정신질환 진단 알고리즘 및 정신질환 분류 알고리즘을 이용하여 정신질환을 진단하는 단계를 포함한다.
먼저 정신질환 진단 알고리즘 및 정신질환 분류 알고리즘을 학습시키는 단계를 설명하면, 정신질환 진단 시스템(100)은 정상인 그룹과 정신질환 환자 그룹으로부터 엑소좀 SERS 신호를 수집한다(S210).
도 3은 도 2에 도시된 S210단계를 설명하기 위한 예시도이다.
도 3에 도시된 바와 같이, 정상인의 혈장 샘플을 획득하고, 사이즈 배제 크로마토그래피법(size exclusion chromatography; SEC)을 이용하여 획득한 혈장으로부터 엑소좀을 분리한다. 또한, 동일한 방법으로 정신질환 환자의 혈장 샘플로부터 엑소좀을 분리한다.
정신질환 환자의 혈장 샘플로부터 분리된 엑소좀에는 정신질환에 관련된 엑소좀과 정상 엑소좀이 공존한다.
도 4는 정상인의 엑소좀과 우울증 환자의 엑소좀에 대한 나노 입자 추적 분석 결과를 나타내는 예시도이다.
도 4에 도시된 바와 같이, 나노 입자 추적 분석(Nanoparticle Tracking Analysis) 결과를 살펴보면, 정상인의 엑소좀과 우울증 환자의 엑소좀은 입자 크기, 모드 크기 및 입자 농도에서 유의한 차이가 없음을 확인할 수 있다. 다만, 라만 분광법(Raman Spectroscopy)을 통해 검출된 신호에는 이질성이 관찰되었다.
따라서, 본 발명의 실시예에 따르면 정상인의 혈장 샘플로 분리된 엑소좀과 정신질환 환자로부터 분리된 엑소좀에 라만 분광법(Raman Spectroscopy)을 수행하여 엑소좀 SERS 신호를 검출한다.
이를 더욱 상세하게 설명하면, 정상인의 혈장 샘플로부터 분리하여 획득한 엑소좀 용액과 정신질환 환자의 혈장 샘플로부터 분리하여 획득한 엑소좀 용액을 각각의 Au 나노입자 집합 어레이 칩에 떨어뜨린 다음 건조시킨다.
여기서, Au 나노입자 집합 어레이 칩은 콜로이드 용액에서 AuNPs(Au nanoparticle)를 침전시킨 후, NPs가 APTES-기능화된 유리 표면에 코팅된 것이다. APTES-기능화된 유리 표면에서 신호 획득 공정의 검출 처리량과 균일성을 높이기 위하여 Au 나노입자 집합 어레이 칩은 n*m(여기서, n 및 m은 서로 같거나 다른 자연수이다)개의 도트 어레이(dot array)를 포함하며, 각 도트에서 엑소좀 SERS 신호가 측정된다.
그 다음, SERS 신호 수집부(110)는 엑소좀 용액이 건조된 Au 나노입자 집합 어레이 칩에 라만 분광법(Raman Spectroscopy)을 수행하여 도트 어레이에 대응한 복수 개의 엑소좀 SERS 신호를 포함하는 엑소좀 SERS 신호맵을 수집한다.
즉, SERS 신호 수집부(110)는 정상인의 엑소좀 용액으로부터 n*m 개의 제1 엑소좀 SERS 신호를 포함하는 제1 신호맵을 수집하고, 정신질환 환자의 엑소좀 용액으로부터 n*m 개의 제2 엑소좀 SERS 신호를 포함하는 제2 신호맵을 수집한다.
본 발명의 실시예에 따른 정신질환 진단 시스템(100)은 우울증, 조울증, 공황장애, 조현증(정신분열병), 치매 및 망상장애 중에서 적어도 하나의 정신질환으로 진단받은 환자를 이용하여 정신질환 환자 그룹을 구성한다.
S210단계가 완료되면, 제1 학습부(120)는 정상인 그룹으로부터 획득한 제1 신호맵과 정신질환 환자 그룹으로부터 획득한 제2 신호맵을 이용하여 정신질환 진단 알고리즘을 학습시킨다(S220).
도 5는 도 2에 도시된 S220단계에서 엑소좀 SERS 신호를 라벨링하는 방법을 설명하기 위한 예시도이고, 도 6은 도 2에 도시된 S220단계에서 라벨링된 엑소좀 SERS 신호를 이용하여 정신질환 진단 알고리즘을 학습하는 방법을 설명하기 위한 예시도이다.
정신질환 환자의 엑소좀 용액은 정상 엑소좀과 정신질환 관련 엑소좀을 모두 포함하므로, Au 나노입자 집합 어레이 칩에 배열된 n*m 개의 도트에는 정상 엑소좀 또는 정신질환 관련 엑소좀 중에서 어느 하나의 엑소좀만 존재할 수도 있고, 정상 엑소좀과 정신질환 관련 엑소좀이 모두 존재할 수도 있다. 즉, 도트 어레이에 대응하는 복수 개의 엑소좀 SERS 신호는 각각 상이하게 출력될 수 있다.
도 5에 도시된 바와 같이, 본 발명의 실시예에 따른 제1 학습부(120)는 정신질환 관련 엑소좀 또는 정상 엑소좀의 존재 여부에 따라 엑소좀 SERS 신호를 분류하지 않고 정상인으로부터 획득한 복수 개의 제1 엑소좀 SERS 신호를 모두 0으로 라벨링하고, 정신질환 환자로부터 획득한 복수 개의 제2 엑소좀 SERS 신호는 모두 1로 라벨링한다.
그 다음 도 6에 도시된 바와 같이, 제1 학습부(120)는 제1 엑소좀 SERS 신호와 제2 엑소좀 SERS 신호에서 무작위로 학습 데이터 및 테스트 데이터를 추출한다.
그리고, 제1 학습부(120)는 추출된 학습 데이터에 해당하는 제1 엑소좀 SERS 신호 및 제2 엑소좀 SERS 신호를 입력데이터로 하고, 라벨링된 값을 출력데이터로 하여 정신질환 진단 알고리즘을 학습시킨다.
즉, 정신질환 진단 알고리즘은 입력되는 복수 개의 엑소좀 SERS 신호에 대응하여 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균을 이용하여 정신질환 발생 여부를 먼저 진단한다.
그 다음, 제2 학습부(130)는 S210단계에서 획득한 정신질환 환자 그룹의 제2 엑소좀 SERS 신호를 이용하여 정신질환 진단 알고리즘을 학습시킨다(S230).
제2 학습부(130)는 우울증, 조울증, 공황장애, 조현증(정신분열병), 치매 및 망상장애에 각각 대응하는 복수 개의 정신질환 분류 알고리즘을 구축한다.
그리고, 제2 학습부(130)는 우울증 환자 그룹으로부터 획득한 제2 엑소좀 SERS 신호와 우울증 환자를 제외한 나머지 종류의 정신질환 환자 그룹으로부터 획득한 제2 엑소좀 SERS 신호를 우울증 분류 알고리즘에 입력하여, 우울증 분류 알고리즘으로 하여금 입력되는 엑소좀 SERS 신호에 대응하여 0 또는 1의 신호값을 출력하도록 학습시킨다.
또한, 제2 학습부(130)는 조울증 환자 그룹으로부터 획득한 제2 엑소좀 SERS 신호와 조울증 환자를 제외한 나머지 종류의 정신질환 환자 그룹으로부터 획득한 제2 엑소좀 SERS 신호를 공황장애 분류 알고리즘에 입력하여, 공황장애 분류 알고리즘으로 하여금 입력되는 엑소좀 SERS 신호에 대응하여 0 또는 1의 신호값을 출력하도록 학습시킨다.
제2 학습부(130)는 공황장애 분류 알고리즘, 조현증(정신분열병) 분류 알고리즘, 치매 분류 알고리즘 및 망상장애 분류 알고리즘에도 동일한 방법으로 학습시킨다.
S210단계 내지 S230단계를 이용하여 알고리즘에 대한 학습이 완료되면, 정신질환 진단 시스템(100)은 측정 대상자에 대해 정신질환을 진단한다.
먼저, 신호 획득부(140)는 측정 대상자의 혈장으로부터 추출된 엑소좀 SERS 신호를 획득한다(S240).
사용자는 측정 대상자로부터 혈장을 채취하고, 채취된 혈장에 크로마토그래피법(chromatography)을 적용하여 엑소좀을 분리한다.
그리고, 사용자는 엑소좀이 용해된 용액을 Au 나노입자 집합 어레이 칩에 떨어뜨린 후 건조시킨다.
그 다음, Au 나노입자 집합 어레이 칩에 라만 분광법(Raman Spectroscopy)을 수행하여 도트 어레이에 대응한 n*m개(예를 들어, 100개)의 엑소좀 SERS 신호를 획득한다.
S240단계가 완료되면, 진단부(150)는 n*m 개의 엑소좀 SERS 신호를 정신질환 진단 알고리즘에 입력하여 측정 대상자가 정신질환에 해당하는지 여부를 판단한다(S250).
부연하자면, 진단부(150)는 n*m 개의 엑소좀 SERS 신호를 정신질환 진단 알고리즘에 입력한다. 그러면, 정신질환 진단 알고리즘은 n*m 개의 엑소좀 SERS 신호 각각에 대응하여 0 또는 1의 신호값을 출력한다.
출력된 신호값의 평균이 0에 가까우면 진단부(150)는 측정 대상자를 정상인으로 진단하고, 출력된 신호값의 평균이 1에 가까우면 진단부(150)는 측정 대상자를 정신질환 환자로 진단한다.
S250단계에서 측정 대상자를 정신질환 환자로 진단할 경우, 분류부(160)는 n*m개의 엑소좀 SERS 신호를 학습이 완료된 복수 개의 정신질환 분류 알고리즘에 입력하여 측정 대상자의 정신질환을 분류한다(S260).
부연하자면, 분류부(160)는 n*m개의 엑소좀 SERS 신호를 우울증 분류 알고리즘, 조울증 분류 알고리즘, 공황장애 분류 알고리즘, 조현증(정신분열병) 분류 알고리즘, 치매 분류 알고리즘 및 망상장애 분류 알고리즘에 각각 입력한다.
그러면, 우울증 분류 알고리즘은 입력된 n*m 개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균과 우울증 분류 기준값을 비교하여 측정 대상자가 우울증에 해당하는지 여부를 판단한다.
조울증 분류 알고리즘은 입력된 n*m 개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균과 조울증 분류 기준값을 비교하여 측정 대상자가 조울증에 해당하는지 여부를 판단한다.
공황장애 분류 알고리즘은 입력된 n*m개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균과 공황장애 분류 기준값을 비교하여 측정 대상자가 공황장애에 해당하는지 여부를 판단한다.
조현증(정신분열병) 분류 알고리즘은 입력된 n*m개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균과 조현증(정신분열병) 분류 기준값을 비교하여 측정 대상자가 조현증(정신분열병)에 해당하는지 여부를 판단한다.
치매 분류 알고리즘은 입력된 n*m개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균과 치매 분류 기준값을 비교하여 측정 대상자가 치매에 해당하는지 여부를 판단한다.
마지막으로 망상장애 분류 알고리즘은 입력된 n*m개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하고, 출력된 신호값의 평균과 망상장애 분류 기준값을 비교하여 측정 대상자가 망상장애에 해당하는지 여부를 판단한다.
그 다음, 분류부(160)는 6개의 정신질환 분류 알고리즘으로부터 출력된 결과를 이용하여 정신질환 예측 결과를 제공한다.
도 7은 본 발명의 실시예에 따른 엑소좀 SERS 신호를 이용한 인공지능 기반의 정신질환 진단 방법에 대한 성능 평가 결과를 도시한 예시도이다.
도 7의 a에 도시된 바와 같이, 정상인의 엑소좀으로부터 획득한 히트맵과 우울증 환자로부터 획득한 히트맵은 육안으로도 쉽게 구별될 수 있다.
그리고 도 7의 b에 도시된 바와 같이, 최종 진단값은 정상인 그룹보다 우울증 환자 그룹에서 대략 1.86배 높은 값을 나타낸다.
도 7의 c에 도시된 바와 같이, 정신질환 진단 알고리즘 또는 정신질환 분류 알고리즘을 효과 검증을 위하여 ROC(Receiver operation characteristic) 커브를 나타내었다. ROC 커브 밑의 면적(AUC : Area under curve)은 1에 가까울수록 유용성이 커짐을 나타내며, 본 발명의 실시예에 따른 정신질환 진단 알고리즘 또는 정신질환 분류 알고리즘은 대략 0.939의 값을 가지며, 민감도는 91.4%이고, 특이도는 대략 88.6%이다. 이는 정신질환 진단 알고리즘 또는 정신질환 분류 알고리즘이 우수한 성능을 가지고 있다는 것을 나타낸다.
이와 같이 본 발명에 따른 정신질환 진단 시스템은 엑소좀 SERS 신호맵을 정신질환 진단 알고리즘에 입력하여 정신질환 여부를 진단할 수 있고, 더 나아가 정신질환이 발생된 것으로 진단된 엑소좀 SERS 신호맵을 복수 개의 정신질환 분류 알고리즘에 입력하여 재 분석하여 정신질환의 종류를 분류함으로써 정신질환에 대한 구체적인 진단이 가능하다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
<부호의 설명>
100 : 정신질환 진단 시스템
110 : SERS 신호 수집부
120 : 제1 학습부
130 : 제2 학습부
140 : 신호 획득부
150 : 진단부
160 : 분류부
Claims (7)
- 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 이용한 인공지능 기반의 정신질환 진단 시스템에 있어서,정상인으로부터 획득한 엑소좀을 이용하여 획득한 제1 신호맵과 정신질환 환자로부터 획득한 엑소좀을 이용하여 획득한 제2 신호맵을 정신질환 진단 알고리즘에 입력하여 상기 정신질환 진단 알고리즘으로 하여금 입력되는 신호맵에 포함된 엑소좀 SERS 신호를 각각 0 또는 1로 분류하도록 학습시키는 제1 학습부,측정 대상자로부터 획득한 엑소좀을 복수개의 도트 어레이(dot array)를 포함하는 칩 상에 떨어뜨린 다음, 상기 칩으로부터 복수 개의 엑소좀 SERS 신호를 포함하는 신호맵을 획득하는 신호 획득부, 그리고상기 획득한 신호맵을 학습이 완료된 정신질환 진단 알고리즘에 입력하여 상기 신호맵에 포함된 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 측정 대상자를 정상 또는 정신질환으로 진단하는 진단부를 포함하는 정신질환 진단 시스템.
- 제1항에 있어서,정신질환으로 진단된 경우, 상기 측정 대상자로부터 획득한 복수 개의 엑소좀 SERS 신호를 복수 개의 정신질환 분류 알고리즘에 입력하여 상기 복수 개의 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 정신질환의 종류를 분류하는 분류부를 더 포함하는 정신질환 진단 시스템.
- 제2항에 있어서,정상인으로부터 획득한 엑소좀으로부터 제1 신호맵 획득하고, 정신질환 환자들로부터 획득한 엑소좀으로부터 제2 신호맵을 획득한 다음, 상기 제1 신호맵에 포함된 n*m(여기서, n 및 m은 서로 같거나 다른 자연수이다)개의 엑소좀 SERS 신호를 전부 0으로 라벨링하고, 상기 제2 신호맵에 포함된 n*m 개의 엑소좀 SERS 신호를 전부 1로 라벨링하는 SERS 신호 수집부를 더 포함하는 정신질환 진단 시스템.
- 제3항에 있어서,상기 정신질환 환자들 중에서 특정 종류의 정신질환에 해당하는 정신질환 환자로부터 획득한 제2 신호맵과, 상기 특정 종류의 정신질환을 제외한 나머지 정신질환 환자로부터 획득한 제2 신호맵을 상기 복수 개의 정신질환 분류 알고리즘에 입력하여 각각의 정신질환 분류 알고리즘으로 하여금 입력되는 신호맵이 상기 특정 종류의 정신질환에 해당하는지 여부를 판별하도록 학습시키는 제2 학습부를 더 포함하는 정신질환 진단 시스템.
- 제3항에 있어서,상기 진단부는,상기 획득한 신호맵에 포함된 n*m 개의 엑소좀 SERS 신호를 상기 정신질환 진단 알고리즘에 입력하여 상기 n*m 개의 엑소좀 SERS 신호 각각에 대응하여 0 또는 1의 신호값을 출력하고,출력된 신호값의 평균이 0에 가까우면 정상으로 분류하고, 출력된 신호값의 평균이 1에 가까우면 정신질환으로 진단하는 정신질환 진단 시스템.
- 제4항에 있어서,상기 분류부는,n*m 개의 엑소좀 SERS 신호를 상기 복수 개의 정신질환 분류 알고리즘에 입력하고, 상기 복수 개의 정신질환 분류 알고리즘은 입력된 n*m개의 엑소좀 SERS 신호에 대해 각각 0 또는 1의 신호값을 출력하며, 출력된 신호값의 평균을 특정 종류의 정신질환에 대한 분류 기준값과 비교하여 상기 특정 종류의 정신질환에 해당하는지 여부를 판단하는 정신질환 진단 시스템.
- 정신질환 진단 시스템을 이용한 정신질환 진단 방법에 있어서,정상인으로부터 획득한 엑소좀을 이용하여 획득한 제1 신호맵과 정신질환 환자로부터 획득한 엑소좀을 이용하여 획득한 제2 신호맵을 정신질환 진단 알고리즘에 입력하여 상기 정신질환 진단 알고리즘으로 하여금 입력되는 신호맵에 포함된 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 각각 0 또는 1로 분류하도록 학습시키는 단계,측정 대상자로부터 획득한 엑소좀을 복수개의 도트 어레이(dot array)를 포함하는 칩 상에 떨어뜨린 다음, 상기 칩으로부터 복수 개의 엑소좀 SERS 신호를 포함하는 신호맵을 획득하는 단계, 그리고상기 획득한 신호맵을 학습이 완료된 정신질환 진단 알고리즘에 입력하여 상기 신호맵에 포함된 엑소좀 SERS 신호 각각에 대해 0 또는 1의 신호값을 획득하고, 상기 획득한 신호값의 평균을 이용하여 측정 대상자를 정상 또는 정신질환으로 진단하는 단계를 포함하는 정신질환 진단 방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0142034 | 2022-10-31 | ||
KR1020220142034A KR20240060943A (ko) | 2022-10-31 | 2022-10-31 | 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024096165A1 true WO2024096165A1 (ko) | 2024-05-10 |
Family
ID=90930789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2022/017185 WO2024096165A1 (ko) | 2022-10-31 | 2022-11-04 | 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20240060943A (ko) |
WO (1) | WO2024096165A1 (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011506995A (ja) * | 2007-12-19 | 2011-03-03 | プスイノバ ネウロテクフ リミテド | 精神障害を診断及び監視するための方法及びバイオマーカー |
KR20200108938A (ko) * | 2019-03-04 | 2020-09-22 | 주식회사 엑소퍼트 | 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 |
KR20200118262A (ko) * | 2019-04-03 | 2020-10-15 | 고려대학교 산학협력단 | 라만 분광학 신호 기반의 단백질 정량화 방법, 바이오 마커 정량화 시스템 및 방법 |
KR102388765B1 (ko) * | 2021-10-27 | 2022-04-20 | 임시원 | 인공지능 기반의 정신과 질환 진단 시스템 |
-
2022
- 2022-10-31 KR KR1020220142034A patent/KR20240060943A/ko unknown
- 2022-11-04 WO PCT/KR2022/017185 patent/WO2024096165A1/ko unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011506995A (ja) * | 2007-12-19 | 2011-03-03 | プスイノバ ネウロテクフ リミテド | 精神障害を診断及び監視するための方法及びバイオマーカー |
KR20200108938A (ko) * | 2019-03-04 | 2020-09-22 | 주식회사 엑소퍼트 | 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 |
KR20200118262A (ko) * | 2019-04-03 | 2020-10-15 | 고려대학교 산학협력단 | 라만 분광학 신호 기반의 단백질 정량화 방법, 바이오 마커 정량화 시스템 및 방법 |
KR102388765B1 (ko) * | 2021-10-27 | 2022-04-20 | 임시원 | 인공지능 기반의 정신과 질환 진단 시스템 |
Non-Patent Citations (1)
Title |
---|
SHIN HYUNKU, OH SEUNGHYUN, HONG SOONWOO, KANG MINSUNG, KANG DAEHYEON, JI YONG-GU, CHOI BYEONG HYEON, KANG KA-WON, JEONG HYESUN, PA: "Early-Stage Lung Cancer Diagnosis by Deep Learning-Based Spectroscopic Analysis of Circulating Exosomes", ACS NANO, AMERICAN CHEMICAL SOCIETY, US, vol. 14, no. 5, 26 May 2020 (2020-05-26), US , pages 5435 - 5444, XP055948202, ISSN: 1936-0851, DOI: 10.1021/acsnano.9b09119 * |
Also Published As
Publication number | Publication date |
---|---|
KR20240060943A (ko) | 2024-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020180003A1 (ko) | 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 | |
Hemmy et al. | Brief cognitive tests for distinguishing clinical Alzheimer-type dementia from mild cognitive impairment or normal cognition in older adults with suspected cognitive impairment: a systematic review | |
WO2022145519A1 (ko) | 딥러닝을 이용한 심전도 시각화 방법 및 장치 | |
WO2019088462A1 (ko) | 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법 | |
WO2022014942A1 (ko) | 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법 | |
WO2020111754A9 (ko) | 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템 | |
WO2021025458A1 (ko) | 멀티미디어 정보를 이용한 휴대용 체외진단키트 해석장치 | |
WO2020111378A1 (ko) | 질환 진단 보조를 위한 데이터 분석 방법 및 시스템 | |
WO2015115677A1 (ko) | 음주 판별 방법, 이를 수행하기 위한 기록매체 및 단말기 | |
WO2022014941A1 (ko) | 딥러닝을 기반으로 하는 심장 질병 분류 장치 및 그 방법 | |
WO2023101089A1 (ko) | 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치 | |
WO2019225910A1 (ko) | Nihss를 이용한 뇌졸중 중증도의 예측 및 분석 방법과 시스템 | |
WO2013077558A1 (ko) | 뇌전도를 이용한 로봇기반 자폐진단 장치 및 그 방법 | |
Grove | Psychometric detection of schizotypy. | |
WO2022103134A1 (ko) | 질병 통합 진단 시스템 및 동작 방법 | |
WO2024096165A1 (ko) | 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법 | |
WO2021025218A1 (ko) | 연관 표현형의 유전적 위험도를 결합한 질병의 위험도 예측 장치 및 방법 | |
WO2024106805A1 (ko) | 아동 관찰을 통한 잠재능력의 종합적 진단 방법 및 장치 | |
WO2021060748A1 (ko) | 연결성 학습 장치 및 연결성 학습 방법 | |
WO2019103188A1 (ko) | 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법 | |
Jiji et al. | Diagnosis of Parkinson’s disease using EEG and fMRI | |
WO2024038927A1 (ko) | 엑소좀 sers 신호를 이용한 인공지능 기반의 다중암 동시 진단 시스템 및 그 방법 | |
WO2023058946A1 (ko) | 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측시스템 및 방법 | |
WO2019225798A1 (ko) | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 | |
WO2020184782A1 (ko) | 공통 유전자 추출에 의한 다중 암 분류 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22964544 Country of ref document: EP Kind code of ref document: A1 |