| 1 |
1
피험자의 임상 정보를 입력받는 데이터 입력부; 및기계학습 기반의 위험도 산출 모델을 이용하여 상기 임상 정보로부터 상기 피험자의 전립선암 위험도 또는 임상적으로 의미있는 전립선암 위험도를 산출하는 위험도 산출부; 를 포함하고,상기 임상 정보는 연령, 전립선 조직 검사 횟수, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변을 포함하는,전립선암 위험도 산출 장치
|
| 2 |
2
제1항에 있어서,상기 위험도 산출 모델은 트리 기반 기계학습 알고리즘을 이용하여 미리 생성되는,전립선암 위험도 산출 장치
|
| 3 |
3
제2항에 있어서,상기 트리 기반 기계학습 알고리즘은 XGboost(Extreme Gradient Boost), ADAboost(Adaptive Boost), Light GBM(Light Gradient Boost Machine)을 포함하는,전립선암 위험도 산출 장치
|
| 4 |
4
제1항에 있어서,상기 위험도 산출 모델은 전립선암 위험도를 산출하는 제1 위험도 산출 모델과 임상적으로 의미있는 전립선암 위험도를 산출하는 제2 위험도 산출 모델을 포함하는,전립선암 위험도 산출 장치
|
| 5 |
5
제1항에 있어서,상기 피험자의 조직 검사 결과 최종 판단된 전립선암 진단 결과 또는 임상적으로 의미있는 전립선암 진단 결과를 피드백으로 입력받는 피드백 입력부; 및상기 피드백과 상기 임상 정보를 기반으로 상기 위험도 산출 모델을 갱신하는 모델 갱신부; 를 더 포함하는,전립선암 위험도 산출 장치
|
| 6 |
6
다수 환자들에 대한 임상 정보와, 그에 대응하는 전립선암 진단 결과 또는 임상적으로 의미있는 전립선암 진단 결과를 학습 데이터로 수집하는 학습 데이터 수집부; 및상기 수집된 학습 데이터를 기반으로 기계학습 모델을 학습시켜 전립선암 위험도 또는 임상적으로 의미있는 전립선암 위험도를 산출하는 위험도 산출 모델을 생성하는 모델 생성부; 를 포함하고,상기 임상 정보는 연령, 전립선 조직 검사 횟수, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변을 포함하는전립선암 위험도 산출 모델 생성 장치
|
| 7 |
7
제6항에 있어서,상기 학습 데이터 수집부는 상기 수집된 임상 정보에 결측치가 존재하면 다중 대치 알고리즘을 이용하여 상기 결측치를 처리하는,전립선암 위험도 산출 모델 생성 장치
|
| 8 |
8
제6항에 있어서,상기 기계학습 모델은 트리 기반 기계학습 모델인,전립선암 위험도 산출 모델 생성 장치
|
| 9 |
9
제8항에 있어서,상기 트리 기반 기계학습 모델은 XGboost(Extreme Gradient Boost), ADAboost(Adaptive Boost), Light GBM(Light Gradient Boost Machine)을 포함하는,전립선암 위험도 산출 모델 생성 장치
|
| 10 |
10
제6항에 있어서,상기 모델 생성부는,연령, 전립선 조직 검사 횟수, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변과, 이에 대응하는 전립선암 진단 결과를 기반으로 기계학습 모델을 학습시켜 전립선암 위험도를 산출하는 제1 위험도 산출 모델을 생성하고,연령, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변과, 이에 대응하는 임상적으로 의미있는 전립선암 진단 결과를 기반으로 기계학습 모델을 학습시켜 임상적으로 의미있는 전립선암 위험도를 산출하는 제2 위험도 산출 모델을 생성하는,전립선암 위험도 산출 모델 생성 장치
|
| 11 |
11
전립선암 위험도 산출 장치의 전립선암 위험도 산출 방법에 있어서,피험자의 임상 정보를 입력받는 단계; 및기계학습 기반의 위험도 산출 모델을 이용하여 상기 임상 정보로부터 상기 피험자의 전립선암 위험도 또는 임상적으로 의미있는 전립선암 위험도를 산출하는 단계; 를 포함하고,상기 임상 정보는 연령, 전립선 조직 검사 횟수, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변을 포함하는,전립선암 위험도 산출 방법
|
| 12 |
12
제11항에 있어서,상기 위험도 산출 모델은 트리 기반 기계학습 알고리즘을 이용하여 미리 생성되는,전립선암 위험도 산출 방법
|
| 13 |
13
제12항에 있어서,상기 트리 기반 기계학습 알고리즘은 XGboost(Extreme Gradient Boost), ADAboost(Adaptive Boost), Light GBM(Light Gradient Boost Machine)을 포함하는,전립선암 위험도 산출 방법
|
| 14 |
14
제11항에 있어서,상기 위험도 산출 모델은 전립선암 위험도를 산출하는 제1 위험도 산출 모델과 임상적으로 의미있는 전립선암 위험도를 산출하는 제2 위험도 산출 모델을 포함하는,전립선암 위험도 산출 방법
|
| 15 |
15
제11항에 있어서,상기 피험자의 조직 검사 결과 최종 판단된 전립선암 위험도 산출 결과 또는 임상적으로 의미있는 전립선암 위험도 산출 결과를 피드백으로 입력받는 단계; 및상기 피드백과 상기 임상 정보를 기반으로 상기 위험도 산출 모델을 갱신하는 단계; 를 더 포함하는,전립선암 위험도 산출 방법
|
| 16 |
16
전립선암 위험도 산출 모델 생성 장치의 전립선암 위험도 산출 모델 생성 방법에 있어서,다수 환자들에 대한 임상 정보와, 그에 대응하는 전립선암 진단 결과 또는 임상적으로 의미있는 전립선암 진단 결과를 학습 데이터로 수집하는 단계; 및상기 수집된 학습 데이터를 기반으로 기계학습 모델을 학습시켜 전립선암 위험도 또는 임상적으로 의미있는 전립선암 위험도를 산출하는 위험도 산출 모델을 생성하는 단계; 를 포함하고,상기 임상 정보는 연령, 전립선 조직 검사 횟수, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변을 포함하는,전립선암 위험도 산출 모델 생성 방법
|
| 17 |
17
제16항에 있어서,상기 수집된 임상 정보에 결측치가 존재하면 다중 대치 알고리즘을 이용하여 상기 결측치를 처리하는 단계; 를 더 포함하는,전립선암 위험도 산출 모델 생성 방법
|
| 18 |
18
제16항에 있어서,상기 기계학습 모델은 트리 기반 기계학습 모델인,전립선암 위험도 산출 모델 생성 방법
|
| 19 |
19
제18항에 있어서,상기 트리 기반 기계학습 모델은 XGboost(Extreme Gradient Boost), ADAboost(Adaptive Boost), Light GBM(Light Gradient Boost Machine)을 포함하는,전립선암 위험도 산출 모델 생성 방법
|
| 20 |
20
제16항에 있어서,상기 위험도 산출 모델을 생성하는 단계는,연령, 전립선 조직 검사 횟수, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변과, 이에 대응하는 전립선암 진단 결과를 기반으로 기계학습 모델을 학습시켜 전립선암 위험도를 산출하는 제1 위험도 산출 모델을 생성하는 단계; 및연령, 혈청 전립선 특이 항원 수치, 혈청 유리 전립선 특이 항원 수치, 혈청 테스토스테론 수치, 총 전립선 부피, 전립선 전이 영역 부피 및 초음파상 저에코 병변과, 이에 대응하는 임상적으로 의미있는 전립선암 진단 결과를 기반으로 기계학습 모델을 학습시켜 임상적으로 의미있는 전립선암 위험도를 산출하는 제2 위험도 산출 모델을 생성하는 단계; 를 포함하는,전립선암 위험도 산출 모델 생성 방법
|
