| 1 |
1
치주염 진행 정도 예측 장치에 의해 구현되는 치주염 진행 정도 예측 방법에 있어서,상기 치주염 진행 정도 예측 장치 내 지정부에서, 위험군(Red complex)으로 분류되는, 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)와, 보통군(Orange complex)으로 분류되는, 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)와, 기타군(Other complex)으로 분류되는, 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)를 적어도 포함하여, n개(상기 n은 9이상의 자연수)의 병원균을 지정하는 단계;상기 치주염 진행 정도 예측 장치 내 카운트부에서, 피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 상기 n개의 병원균을 확인하는 단계;상기 치주염 진행 정도 예측 장치 내 선택부에서, 상기 n개의 병원균 각각을, 정해진 기계학습 모델에 적용하여 도출되는 정확성(Accuracy), 균형 정확성(balanced accuracy) 및 교차률(odds ratio using log10)을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균을, 제1 병원균으로 선택하는 단계;상기 치주염 진행 정도 예측 장치 내 처리부에서, 상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 결정하는 단계; 및상기 처리부에서, 상기 다수 개의 병원균 그룹을, 상기 기계학습 모델에 적용하여 도출되는 정확성을 비교하고, 정확성이 가장 높은 최적 병원균 그룹을 결정하는 단계를 포함하고,상기 최적 병원균 그룹을 결정하는 단계는,상기 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균과, 상기 제1 병원균을 순차적으로 조합한 병원균 그룹 각각을, 상기 기계학습 모델에 적용하여 도출되는 상기 정확성, 상기 균형 정확성 및 상기 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균 그룹을, 상기 최적 병원균 그룹으로 결정하는 결정 단계; 및상기 최적 병원균 그룹에 속하는 병원균의 수가, 선정된 값에 도달할 때 까지, 상기 제1 병원균에 조합되는 상기 제2 병원균의 종류를 변경하거나 또는 상기 제2 병원균의 개수를 증가하면서 상기 결정 단계를 반복하는 단계를 포함하는 치주염 진행 정도 예측 방법
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
삭제
|
| 5 |
5
제1항에 있어서,상기 치주염 진행 정도 예측 방법은,상기 카운트부에서, 상기 n개의 병원균에 대한 개체 수를 카운트하는 단계를 더 포함하고,상기 제1 병원균을 선택하는 단계는,상기 n개의 병원균 중, 가장 많은 개체수가 카운트된 병원균을, 상기 제1 병원균으로 선택하는 단계를 포함하는 치주염 진행 정도 예측 방법
|
| 6 |
6
삭제
|
| 7 |
7
제1항에 있어서,상기 제1 병원균이 상기 타네렐라 포르시티아(Tf)로 선택되는 경우,상기 최적 병원균 그룹을 결정하는 단계는,상기 타네렐라 포르시티아(Tf)에, 상기 제2 병원균으로서, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 순차적으로 조합하여 상기 최적 병원균 그룹을 결정하는 단계를 포함하는 치주염 진행 정도 예측 방법
|
| 8 |
8
제1항에 있어서,상기 지정부에서, 상기 기계학습 모델로서, 정규화된 로지스틱 회귀(Regularized logistic regression), 랜덤 포레스트(random forest), SVM(support vector machine), 및 신경망(neural network) 중 적어도 하나를 정하는 단계를 더 포함하는 치주염 진행 정도 예측 방법
|
| 9 |
9
위험군(Red complex)으로 분류되는, 포르리포모나스 진지발리스(Pg), 타네렐라 포르시티아(Tf), 트레포네마 덴티콜라(Td)와, 보통군(Orange complex)으로 분류되는, 프레보텔라 인터메디아(Pi), 퓨조박테리움 뉴클레아툼(Fn), 캄필로박터 렉투스(Cr)와, 기타군(Other complex)으로 분류되는, 아그레가티박터 액티노마이세템코미탄스(Aa), 펩티스트렙토코커스 애나로비어스(Pa), 아이케넬라 코로덴스(Ec)를 적어도 포함하여, n개(상기 n은 9이상의 자연수)의 병원균을 지정하는 지정부;피검체로부터 획득한 타액을 분석하여, 치주염과 연관되어 지정된 상기 n개의 병원균을 확인하는 카운트부;상기 n개의 병원균 각각을, 상기 기계학습 모델에 적용하여 도출되는 정확성, 균형 정확성 및 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균을, 상기 제1 병원균으로 선택하는 선택부; 및상기 제1 병원균과, 상기 n개의 병원균 내 제2 병원균을 조합하여, 다수 개의 병원균 그룹으로 결정하고, 상기 다수 개의 병원균 그룹을, 상기 기계학습 모델에 적용하여 도출되는 정확성을 비교하며, 정확성이 가장 높은 최적 병원균 그룹을 결정하는 처리부를 포함하고,상기 처리부는,상기 제1 병원균을 제외한, 상기 n개의 병원균 내 제2 병원균과, 상기 제1 병원균을 순차적으로 조합한 병원균 그룹 각각을, 상기 기계학습 모델에 적용하여 도출되는 상기 정확성, 상기 균형 정확성 및 상기 교차률을 적어도 포함하는 항목 모두에서, 가장 높은 수치를 갖는 병원균 그룹을, 상기 최적 병원균 그룹으로 결정하고,상기 최적 병원균 그룹에 속하는 병원균의 수가, 선정된 값에 도달할 때 까지, 상기 제1 병원균에 조합되는 상기 제2 병원균의 종류를 변경하거나 또는 상기 제2 병원균의 개수를 증가하면서 상기 최적 병원균 그룹의 결정을 반복하는치주염 진행 정도 예측 장치
|
| 10 |
10
삭제
|
| 11 |
11
삭제
|
| 12 |
12
삭제
|
| 13 |
13
제9항에 있어서,상기 카운트부는,상기 n개의 병원균에 대한 개체 수를 카운트하고,상기 선택부는,상기 n개의 병원균 중, 가장 많은 개체수가 카운트된 병원균을, 상기 제1 병원균으로 선택하는치주염 진행 정도 예측 장치
|
| 14 |
14
삭제
|
| 15 |
15
제9항에 있어서,상기 제1 병원균이 상기 타네렐라 포르시티아(Tf)로 선택되는 경우,상기 처리부는,상기 타네렐라 포르시티아(Tf)에, 상기 제2 병원균으로서, 펩티스트렙토코커스 애나로비어스(Pa), 포르리포모나스 진지발리스(Pg), 및 프레보텔라 인터메디아(Pi)를 순차적으로 조합하여 상기 최적 병원균 그룹을 결정하는치주염 진행 정도 예측 장치
|
| 16 |
16
제9항에 있어서,상기 지정부는,상기 기계학습 모델로서, 정규화된 로지스틱 회귀, 랜덤 포레스트, SVM, 및 신경망 중 적어도 하나를 정하는치주염 진행 정도 예측 장치
|
