| 1 |
1
증례 별 진단명에 해당하는 각각의 환자군으로부터 획득한 유전자 발현량 정보를 이용하여 상기 진단명에서 특이적으로 발현하는 각각의 발현 유전자를 추출하고, 상기 진단명에 따른 상기 발현 유전자와 상기 발현 유전자의 발현량을 학습 데이터로 생성하는 학습 데이터 생성부;상기 학습 데이터를 이용하여 상기 진단명을 분류하는 분류 모델을 학습시키는 모델 학습부; 및신규 유전자 발현량 정보를 상기 분류 모델에 적용하여 상기 진단명으로 분류를 수행하는 분류부;를 포함하는 것을 특징으로 하는 진단 분류 장치
|
| 2 |
2
제 1 항에 있어서,상기 학습 데이터 생성부는,AML(Acute myeloid leukemia), ALL(Acute lymphoblastic leukemia) 및 MPAL(Mixed phenotype acute leukemia)에 해당하는 각각의 환자군으로부터 측정된 상기 유전자 발현량 정보를 획득하는 것을 특징으로 하는 진단 분류 장치
|
| 3 |
3
제 1 항에 있어서,상기 학습 데이터 생성부는,하우스키핑 유전자(Housekeeping gene)를 이용하여 상기 진단명에 해당하는 상기 유전자 발현량 정보를 제 1 정규화(Normalization)하고, 상기 제 1 정규화된 발현량을 비교하여 상기 발현 유전자를 추출하는 것을 특징으로 하는 진단 분류 장치
|
| 4 |
4
제 3 항에 있어서,상기 학습 데이터 생성부는,상기 제 1 정규화된 발현량의 중앙값의 차이가 N fold change(FC) 이상인 유전자를 상기 발현 유전자로 추출하되, 상기 제 1 정규화된 발현량이 특정 값 이하인 유전자는 상기 발현 유전자에서 제외하는 것을 특징으로 하는 진단 분류 장치
|
| 5 |
5
제 1 항에 있어서,상기 학습 데이터 생성부는,상기 발현 유전자의 발현량을 상기 유전자 발현량 정보에 포함된 전체 유전자의 발현 평균값을 이용하여 제 2 정규화(Normalization)하고, 상기 제 2 정규화된 발현량을 상기 학습 데이터로 생성하는 것을 특징으로 하는 진단 분류 장치
|
| 6 |
6
제 1 항에 있어서,상기 모델 학습부는,서포트 벡터 머신(Support vector machine, SVM)을 이용하여 상기 진단명 간의 차이를 계산하고, 상기 차이에 기초하여 상기 유전자 발현량 정보로부터 상기 진단명으로 분류를 수행하는 분류 모델을 생성하되, 상기 분류 모델은 상기 학습 데이터를 특정 차원 공간의 점으로 플로팅하고, 상기 점을 초평면을 기반으로 분류하는 것을 특징으로 하는 진단 분류 장치
|
| 7 |
7
제 1 항에 있어서,상기 학습 데이터를 K개의 그룹으로 구분하고, 각각의 그룹을 다시 K개로 재구분하여 학습 세트와 검증 세트를 지정하여 검증 과정을 수행하되, 상기 각각의 그룹은 학습 세트와 검증 세트를 다르게 지정하여 상기 검증 과정을 반복 수행하는 모델 검증부를 더 포함하는 것을 특징으로 하는 진단 분류 장치
|
| 8 |
8
제 7 항에 있어서,상기 모델 검증부는,상기 검증 세트의 검증 결과와 실제 진단 결과를 비교하여 혼동 행렬(Confusion matrix)을 생성하고, 상기 혼동 행렬의 확률 값을 기반으로 예측도를 산출하여 상기 분류 모델의 신뢰도를 판단하는 것을 특징으로 하는 진단 분류 장치
|
| 9 |
9
증례 별 진단명에 해당하는 각각의 환자군으로부터 획득한 유전자 발현량 정보를 이용하여 상기 진단명에서 특이적으로 발현하는 각각의 발현 유전자를 추출하고, 상기 진단명에 따른 상기 발현 유전자와 상기 발현 유전자의 발현량을 학습 데이터로 생성하는 학습 데이터 생성 단계;상기 학습 데이터를 이용하여 상기 진단명을 분류하는 분류 모델을 학습시키는 모델 학습 단계; 및신규 유전자 발현량 정보를 상기 분류 모델에 적용하여 상기 진단명으로 분류를 수행하는 분류 단계;를 포함하는 것을 특징으로 하는 진단 분류 방법
|
| 10 |
10
제 9 항에 있어서,상기 학습 데이터 생성 단계는,AML(Acute myeloid leukemia), ALL(Acute lymphoblastic leukemia) 및 MPAL(Mixed phenotype acute leukemia)에 해당하는 각각의 환자군으로부터 측정된 상기 유전자 발현량 정보를 획득하는 것을 특징으로 하는 진단 분류 방법
|
| 11 |
11
제 9 항에 있어서,상기 학습 데이터 생성 단계는,하우스키핑 유전자(Housekeeping gene)를 이용하여 상기 진단명에 해당하는 상기 유전자 발현량 정보를 제 1 정규화(Normalization)하고, 상기 제 1 정규화된 발현량을 비교하여 상기 발현 유전자를 추출하는 것을 특징으로 하는 진단 분류 방법
|
| 12 |
12
제 11 항에 있어서,상기 학습 데이터 생성 단계는,상기 제 1 정규화된 발현량의 중앙값의 차이가 N fold change(FC) 이상인 유전자를 상기 발현 유전자로 추출하되, 상기 제 1 정규화된 발현량이 특정 값 이하인 유전자는 상기 발현 유전자에서 제외하는 것을 특징으로 하는 진단 분류 방법
|
| 13 |
13
제 9 항에 있어서,상기 학습 데이터 생성 단계는,상기 발현 유전자의 발현량을 상기 유전자 발현량 정보에 포함된 전체 유전자의 발현 평균값을 이용하여 제 2 정규화(Normalization)하고, 상기 제 2 정규화된 발현량을 상기 학습 데이터로 생성하는 것을 특징으로 하는 진단 분류 방법
|
| 14 |
14
제 9 항에 있어서,상기 모델 학습 단계는,서포트 벡터 머신(Support vector machine, SVM)을 이용하여 상기 진단명 간의 차이를 계산하고, 상기 차이에 기초하여 상기 유전자 발현량 정보로부터 상기 진단명으로 분류를 수행하는 분류 모델을 생성하되, 상기 분류 모델은 상기 학습 데이터를 특정 차원 공간의 점으로 플로팅하고, 상기 점을 초평면을 기반으로 분류하는 것을 특징으로 하는 진단 분류 방법
|
| 15 |
15
제 9 항에 있어서,상기 학습 데이터를 K개의 그룹으로 구분하고, 각각의 그룹을 다시 K개로 재구분하여 학습 세트와 검증 세트를 지정하여 검증 과정을 수행하되, 상기 각각의 그룹은 학습 세트와 검증 세트를 다르게 지정하여 상기 검증 과정을 반복 수행하는 모델 검증 단계를 더 포함하는 것을 특징으로 하는 진단 분류 방법
|
| 16 |
16
제 15 항에 있어서,상기 모델 검증 단계는,상기 검증 세트의 검증 결과와 실제 진단 결과를 비교하여 혼동 행렬(Confusion matrix)를 생성하고, 상기 혼동 행렬의 확률 값을 기반으로 예측도를 산출하여 상기 분류 모델의 신뢰도를 판단하는 것을 특징으로 하는 진단 분류 방법
|
