맞춤기술찾기
이전대상기술
인공지능 기반의 바이오 마커 선별 장치 및 방법
- 기술번호 : KST2023002317
- 담당센터 : 서울동부기술혁신센터
- 전화번호 : 02-2155-3662
| 요약 | 실시예들은 인공지능 기반의 바이오 마커 선별 장치로서, 바이오 데이터를 획득하는 획득부; 상기 바이오 데이터를 입력 받아 바이오 마커 후보인 하나 이상의 요소(element)를 포함하는 수치 벡터를 산출하는 인코더; 및 상기 수치 벡터의 하나 이상의 요소로부터 바이오 마커를 스크리닝하는 바이오 마커 스크리닝부;를 포함하는, 인공지능 기반의 바이오 마커 선별 장치 및 방법에 관련된다. 해당 실시예들의 장치 및 방법은, 예컨대 심혈관계 신약 개발과 같은 약물 발굴이나 예후 예측 등에 사용될 수 있는 다양한 바이오 마커의 발굴에 활용할 수 있다. 이에 따라 신약 개발을 위한 제약 플랫폼이나 정밀 의료, 질병 진단, 치료 최적화 등을 위한 연구 플랫폼 등으로 효과적으로 활용될 수 있다. |
|---|---|
| Int. CL | G16H 50/20 (2018.01.01) G16B 40/20 (2019.01.01) G16B 15/30 (2019.01.01) A61B 5/00 (2021.01.01) A61B 5/318 (2021.01.01) G06N 3/04 (2023.01.01) G06N 3/08 (2023.01.01) G06N 20/00 (2019.01.01) |
| CPC | G16H 50/20(2013.01) G16B 40/20(2013.01) G16B 15/30(2013.01) A61B 5/7285(2013.01) A61B 5/318(2013.01) A61B 5/4848(2013.01) G06N 3/04(2013.01) G06N 3/08(2013.01) G06N 20/00(2013.01) |
| 출원번호/일자 | 1020230011273 (2023.01.27) |
| 출원인 | 서울대학교병원 |
| 등록번호/일자 | |
| 공개번호/일자 | 10-2023-0116727 (2023.08.04) 문서열기 |
| 공고번호/일자 | |
| 국제출원번호/일자 | |
| 국제공개번호/일자 | |
| 우선권정보 |
대한민국 | 1020220013491 | 2022.01.28
|
| 법적상태 | 공개 |
| 심사진행상태 | 수리 |
| 심판사항 | |
| 구분 | 국내출원/신규 |
| 원출원번호/일자 | |
| 관련 출원번호 | |
| 심사청구여부/일자 | Y (2023.01.27) |
| 심사청구항수 | 52 |
출원인
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 서울대학교병원 | 대한민국 | 서울특별시 종로구 |
발명자
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 김중희 | 경기도 성남시 분당구 | |
| 2 | 조영진 | 경기도 성남시 분당구 |
대리인
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 최우성 | 대한민국 | 서울 종로구 종로*길 ** (수송동, **, **층)(법무법인케이씨엘) |
최종권리자
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 최종권리자 정보가 없습니다 | |||
| 번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
|---|---|---|---|---|
| 1 | [특허출원]특허출원서 [Patent Application] Patent Application |
2023.01.27 | 수리 (Accepted) | 1-1-2023-0103090-13 |
| 2 | [출원서 등 보정]보정서 [Amendment to Patent Application, etc.] Amendment |
2023.01.31 | 수리 (Accepted) | 1-1-2023-0112842-52 |
| 3 | [출원서 등 보정]보정서 [Amendment to Patent Application, etc.] Amendment |
2023.02.07 | 수리 (Accepted) | 1-1-2023-0141898-77 |
| 4 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2023.05.02 | 수리 (Accepted) | 4-1-2023-5107652-42 |
| 번호 | 청구항 |
|---|---|
| 1 |
1 인공지능 기반의 바이오 마커 선별 장치로서, 바이오 데이터를 획득하는 획득부; 상기 바이오 데이터를 입력 받아 바이오 마커 후보인 하나 이상의 요소(element)를 포함하는 수치 벡터를 산출하는 인코더; 및 상기 수치 벡터의 하나 이상의 요소로부터 바이오 마커를 스크리닝하는 바이오 마커 스크리닝부;를 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 2 |
2 제1항에 있어서, 상기 바이오 데이터는 모달리티가 서로 다르거나 또는 동일한 둘 이상의 바이오 데이터인 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 3 |
3 제2항에 있어서, 상기 바이오 데이터는 신호 데이터 및 이미지 데이터 중 적어도 하나 이상을 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 4 |
4 제3항에 있어서,상기 인코더는 복수의 신호 및/또는 이미지를 포지션 임베딩(position embedding)하여 산출된 각각의 수치 벡터를 함께 훈련되는 별도의 인공 신경망을 이용해 공통 스페이스(common space)상에 프로젝션(projection)하여 상기 수치 벡터 간의 유사도를 기반으로 포지티브 페어(positive pair) - 동일한 피험자의 정해진 시간 범위 내의 페어임; 및/또는 네거티브 페어(negative pair) - 동일한 피험자의 정해진 시간 범위를 벗어난 페어 또는 서로 다른 피험자 간의 페어임;를 찾는 방식으로 훈련되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 5 |
5 제4항에 있어서, 상기 포지티브 페어(positive pair) 또는 네거티브 페어(negative pair)는 페어(pair)로서 신호 및 신호 간 페어(pair); 이미지 및 이미지 간 페어(pair); 및 신호 및 이미지 간 페어(pair); 중 하나 이상을 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 6 |
6 제4항에 있어서, 상기 인코더는 손실 함수로 NCE 로스(loss)를 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 7 |
7 제6항에 있어서, 상기 손실 함수는 MIL NCE 로스(loss) 및 지도 학습 태스크(supervised task) 로스(loss) 중 적어도 하나 이상을 더 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 8 |
8 제7항에 있어서, 상기 지도 학습 태스크(supervised task)는 예측(prediction)과 관련된 태스크로서, 바이너리(binary), 멀티 카테고리(multi-category) 및 수치(numerical) 값 중 하나 이상을 동시에 또는 순차적으로 예측하는 태스크인 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 9 |
9 제4항에 있어서,상기 인코더는 복수의 신호 및/또는 이미지를 이용하여 훈련되고, 상기 복수의 신호 및/또는 이미지는 원본 신호 및/또는 이미징 변형을 가하여 데이터 증강 처리(augmentation)된 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 10 |
10 제9항에 있어서, 상기 인코더는 데이터 증강 처리된 제1 바이오 데이터 세트를 입력받는 제1 인코더; 및 데이터 증강 처리된 제2 바이오 데이터 세트를 입력받는 제2 인코더;를 포함하고,상기 제1 바이오 데이터 세트와 제2 바이오 데이터 세트는 동일한 모달리티이고, 상기 제2 인코더는 제1 인코더와 동일한 가중치(weight)를 공유하거나 상기 제1 인코더의 시간적 변화를 평균낸 모멘텀 인코더(momentum encoder)인 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 11 |
11 제10항에 있어서, 상기 제1 인코더는 MLP 레이어를 포함하거나 또는 포함하지 않을 수 있고,상기 제2 인코더는 산출된 수치 벡터를 임베딩 수치 벡터 대표 값으로 치환하는 클러스터링을 수행하거나 또는 수행하지 않는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 12 |
12 제11항에 있어서, 상기 제1 인코더 및 제2 인코더 중 하나 이상은 유사도(similarity) 함수에 의하여 포지티브 페어(positive pair)간 유사도 로스(similarity loss)를 계산하고, 및/또는, 상기 제1 인코더 및 제2 인코더 중 하나 이상은 비유사도(dissimilarity) 함수에 의하여 네거티브 페어(negative pair)간 비유사도 로스(dissimilarity loss)를 계산하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 13 |
13 제1항에 있어서,상기 인코더는 임상적 인코더(clinical encoder) 및 형태적 인코더(morphologic encoder) 중 적어도 하나 이상을 포함하는 것이고, 상기 임상적 인코더는 지도 학습(supervised learning)에 의해 훈련되고, 상기 형태적 인코더는 비지도 학습(unsupervised learning)에 의해 훈련되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 14 |
14 제13항에 있어서, 상기 인코더는 임상적 인코더로부터 산출된 수치 벡터 및 형태적 인코더로부터 산출된 수치 벡터를 통합(concatenate)한 수치 벡터를 사용하는 것이고, 지도 학습(supervised learning) 및 비지도 학습(unsupervised learning)이 통합된 멀티 태스크 학습(multi-task learning)에 의해 훈련되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 15 |
15 제1항에 있어서,상기 인코더로부터 반복하여 산출된 각각의 수치 벡터의 하나 이상의 요소 중 일부 또는 전부의 평균, 범위(range) 및 표준편차(SD) 중 적어도 하나 이상이 바이오 마커 후보에 포함되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 16 |
16 제1항에 있어서,상기 바이오 마커 스크리닝부는 상기 바이오 마커 후보인 수치 벡터의 하나 이상의 요소를 속성(attribute) 정보와 함께 저장하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 17 |
17 제1항에 있어서,상기 수치 벡터의 하나 이상의 요소 중 적어도 일부가 선형 또는 비선형 변환을 거쳐서 조합되어 바이오 마커 후보로 사용되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 18 |
18 제17항에 있어서,상기 수치 벡터의 하나 이상의 요소 중 적어도 일부는 임상 바이오 마커와 함께 선형 또는 비선형 변환을 거쳐 조합되어 바이오 마커 후보로 사용되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 19 |
19 제1항에 있어서,상기 인코더의 예측(prediction)과 관련된 지도 학습 태스크(supervised task)를 통해 획득된 수치가 상기 수치 벡터에 통합(concatenate)되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 20 |
20 제1항에 있어서,상기 수치 벡터는 형태적(morphological) 수치 벡터, 임상적 수치 벡터(clinical) 수치 벡터, 환자 기본 데이터를 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 21 |
21 제1항에 있어서,상기 바이오 마커 스크리닝부는 회기식(regression), 디시젼 트리(decision tree), 클러스터링(clustering), 차원 축소(dimension reduction), 지도 학습(supervised learning) 중 하나 이상을 통하여 바이오 마커 후보로부터 바이오 벡터를 스크리닝하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 22 |
22 제20항에 있어서,상기 바이오 마커 스크리닝부는 바이오 마커 후보인 하나 이상의 요소들을 그룹화하여 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 23 |
23 제22항에 있어서,상기 바이오 마커 스크리닝부는, 예측(prediction)과 관련된 지도 학습 태스크(supervised task)에 관한 수치 벡터의 하나 이상의 요소들을 바이오 마커로 선정하거나, 및/또는 예측(prediction)과 관련된 지도 학습 태스크(supervised task)와 무관한 수치 벡터의 하나 이상의 요소들을, 예측(prediction)과 관련된 지도 학습 태스크(supervised task)와 관련한 예측 요소(predictor element)들과의 유사도(similarity)를 기초로 클러스터링 기법을 이용하여 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 24 |
24 제22항에 있어서,상기 바이오 마커 스크리닝부는, 다음의 회귀식인 [식 4]을 이용하여 바이오 마커 후보인 수치 벡터를 바이오 마커로 선정하는 것으로서, [식 4]Q1 = af(Z) + c여기서, f는 특정 처리를 하지 않은 아이덴티티(identity) 함수를 포함한 선형 또는 비선형 변환(transformation) 함수이고, 계수 a의 절대 값은 효과 크기(effect size)를 나타내고, c는 절편(intercept)이고,상기 [식 4]의 회귀식에서 수치 벡터 Z가 결과 Q1에 대하여 통계적으로 유의한지 평가하고, 효과 크기(effect size)인 계수 a의 절대 값이 미리 설정한 값 이상이고 해당 a의 p-밸류 값이 미리 설정한 값 미만인 경우 수치 벡터 Z를 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 25 |
25 제24항에 있어서,상기 바이오 마커 스크리닝부는, 선정된 복수의 수치 벡터들에 대하여 라쏘 회귀 방법 및/또는 일레스틱넷 회귀 방법을 통하여 계수 값이 0이 되지 않는 수치 벡터들을 바이오 마커로 더 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 26 |
26 제22항에 있어서,상기 바이오 마커 스크리닝부는 다음의 회귀식인 [식 5]를 이용하여 바이오 마커를 선정하는 것으로서, [식 5]Q2 = a·zn·익스포져 + b·zn + c·익스포져 + d여기서, a, b 및 c는 계수이고, d는 절편(intercept)이고, 익스포져는 특정 약물 또는 처치에 관한 노출에 관한 바이너리(binary) 또는 그 외의 수치(numeric) 변수 값이고, 상기 [식 5]의 회귀식에서 바이오 마커 후보군인 z1 |
| 27 |
27 제26항에 있어서,상기 바이오 마커 스크리닝부는 하나 이상의 바이오 마커 후보 z1, z2 |
| 28 |
28 제27항에 있어서,상기 [식 6]의 회귀식에서의 인터랙션 항(interaction term)의 총합인 을 새로운 바이오 마커로 추가로 이용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 29 |
29 제22항에 있어서, 상기 바이오 마커 스크리닝부는 다음의 회귀식 [식 7]을 이용하여 효과 변형자(effect modifier)를 생성하는 것으로서, [식 7]Q4 = a·m + b·m·익스포져 + c·익스포져 + d·n + ea, b, c, d는 계수이고, e는 절편(intercept)이고, 익스포져는 특정 약물 또는 처치에 관한 노출에 관한 바이너리(binary) 또는 그 외의 수치(numeric) 변수 값이고, 상기 m은 수치 벡터 Z를 인공 신경망을 통과시켜 선정된 특정 약물 또는 처치에 관한 효과를 알려주는 효과 변형자 바이오 마커이고, n은 효과 변형과 무관한 바이오 마커이고, 상기 [식 7]의 회귀식에서 얻어지는 예측 수치 값 Q4를 일반 선형 모델(generalized linear model) 에 적용하여 상기 예측 수치 값과 타겟 값 사이의 차이를 최소화하도록 상기 인공 신경망을 훈련시켜 효과 변형자(effect modifier) 바이오 마커인 m 값을 생성하여 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 30 |
30 제29항에 있어서,상기 예측 수치 값과 타겟 값 사이의 차이는,상기 익스포져가 바이너리 변수인 경우 크로스 엔트로피 손실 함수 또는 포컬 로스(focal loss) 함수를 사용하고, 상기 익스포져가 수치 변수인 경우 MSE 함수를 사용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 31 |
31 제22항에 있어서,상기 바이오 마커 스크리닝부는 수치 벡터 Z와 바이너리 익스포져를 입력으로 받아 들여 환자 치료 결과(outcome)을 예측하는 함수 h (Z, 익스포져)에서, 익스포져가 0 또는 1인 경우의 두 함수 값의 차이, 두 함수 값의 비율, 우도비(odds ratio) 및 상대위험(relative risk)중 적어도 하나로부터 바이오 마커를 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 32 |
32 제16항에 있어서, 상기 바이오 마커 스크리닝부는 m개의 바이오 마커 후보 및 n개의 특징 벡터 X로 구성된 m × n 매트릭스(matrix)를 구성하고, 특징 벡터 X는 m개의 바이오 마커 후보 각각이 가지는 특징일 수 있고,상기 m × n 매트릭스(matrix)에서 각 m개의 바이오 마커 후보 별로 존재하는 특징 벡터 X의 하나 이상의 요소들을 바이오 마커의 속성으로 저장하여 속성 간 유사도를 평가하거나 바이오 마커를 군집화하는데 사용되는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 33 |
33 제32항에 있어서, 상기 매트릭스는 차원 감소(dimension reduction)하여 사용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 34 |
34 제32항에 있어서, 상기 m개의 바이오 마커 후보 별로 존재하는 특징 벡터 X는 형태적 수치 벡터, 임상적 수치 벡터 및 페노타입 벡터를 포함하고, 상기 형태적 수치 벡터와 임상적 수치 벡터 간의 유사도 및/또는 상기 형태적 수치 벡터와 페노타입 벡터 간의 유사도를 요소로 하여 구성된 벡터를 상기 형태적 수치 벡터의 속성으로 사용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 35 |
35 제1항에 있어서,상기 인코더는 복수의 요소들간의 상관관계(correlation)를 줄이도록 베이지안 레이어(Bayesian layer) 및 KL 손실 함수 중 적어도 하나 이상을 이용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 36 |
36 제1항에 있어서, 상기 바이오 마커는, 특정 약물에 대한 반응군과 비반응군을 구분할 수 있는 반응 예측 바이오 마커(predictive biomarker)이거나, 및/또는 질병의 예후를 예측할 수 있는 예후 바이오 마커(prognostic biomarker)인 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 37 |
37 제1항 내지 제36항 중 어느 한 항에 있어서, 상기 바이오 데이터는 심전도(ECG) 데이터인 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 38 |
38 제37항에 있어서,상기 바이오 마커는 심혈관계 질환에 관한 바이오 마커인 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 장치 |
| 39 |
39 인공지능 기반의 바이오 마커 선별 방법으로서, 바이오 데이터를 인코딩하여 바이오 마커 후보인 하나 이상의 요소(element)를 포함하는 수치 벡터를 산출하는 인코딩 단계; 및 상기 수치 벡터의 하나 이상의 요소로부터 바이오 마커를 스크리닝하는 바이오 마커 스크리닝 단계;를 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 40 |
40 제39항에 있어서, 상기 인코딩 단계는 복수의 신호 및/또는 이미지를 포지션 임베딩(position embedding)하여 산출된 각각의 수치 벡터를 함께 훈련되는 별도의 인공 신경망을 이용해 공통 스페이스(common space)상에 프로젝션(projection)하여 상기 수치 벡터 간의 유사도를 기반으로 포지티브 페어(positive pair) - 동일한 피험자의 정해진 시간 범위 내의 페어임; 및/또는 네거티브 페어(negative pair) - 동일한 피험자의 정해진 시간 범위를 벗어난 페어 또는 서로 다른 피험자 간의 페어임;를 찾는 방식으로 훈련하는 것이고, 상기 훈련 시 손실 함수로 NCE 로스(loss)를 포함하고, MIL NCE 로스(loss) 및 지도 학습 태스크(supervised task) 로스(loss) 중 적어도 하나 이상을 더 포함하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 41 |
41 제39항에 있어서,상기 인코딩 단계는 동일한 모달리티의 복수의 신호 또는 이미지를 이용하여 서로 다른 인코더를 이용하여 훈련되고, 상기 서로 다른 인코더는 동일한 가중치(weight)를 공유하거나 어느 하나의 인코더의 시간적 변화를 평균낸 모멘텀 인코더(momentum encoder)를 다른 하나의 인코더로 사용하는 것이며, 상기 인코딩 단계는 MLP 레이어를 포함하거나 또는 포함하지 않을 수 있고,상기 인코딩 단계는 산출된 수치 벡터를 임베딩 수치 벡터 대표 값으로 치환하는 클러스터링을 수행하거나 또는 수행하지 않는 것이며, 상기 인코딩 단계는, 유사도(similarity) 함수에 의하여 포지티브 페어(positive pair)간 유사도 로스(similarity loss)를 계산하고, 및/또는, 비유사도(dissimilarity) 함수에 의하여 네거티브 페어(negative pair)간 비유사도 로스(dissimilarity loss)를 계산하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 42 |
42 제39항에 있어서,상기 바이오 마커 스크리닝 단계는 회귀식(regression), 디시젼 트리(decision tree), 클러스터링(clustering), 차원 축소(dimension reduction), 지도 학습(supervised learning) 중 하나 이상을 통하여 바이오 마커 후보로부터 바이오 벡터를 스크리닝하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 43 |
43 제42항에 있어서,상기 바이오 마커 스크리닝 단계는, 예측(prediction)과 관련된 지도 학습 태스크(supervised task)에 관한 수치 벡터의 하나 이상의 요소들을 바이오 마커로 선정하거나, 및/또는 예측(prediction)과 관련된 지도 학습 태스크(supervised task)와 무관한 수치 벡터의 하나 이상의 요소들을, 예측(prediction)과 관련된 지도 학습 태스크(supervised task)와 관련한 예측 요소(predictor element)들과의 유사도(similarity)를 기초로 클러스터링 기법을 이용하여 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 44 |
44 제42항에 있어서,상기 바이오 마커 스크리닝 단계는, 다음의 회귀식인 [식 4]을 이용하여 바이오 마커 후보인 수치 벡터를 바이오 마커로 선정하는 것이고, [식 4]Q1 = af(Z) + c여기서, f는 특정 처리를 하지 않은 아이덴티티(identity) 함수를 포함한 선형 또는 비선형 변환(transformation) 함수이고, 계수 a의 절대 값은 효과 크기(effect size)를 나타내고, c는 절편(intercept)이고,상기 [식4]의 회귀식에서 수치 벡터 Z가 결과 Q1에 대하여 통계적으로 유의한지 평가하고, 효과 크기(effect size) 계수 a의 절대 값이 미리 설정한 값 이상이고 해당 a의 p-밸류 값이 미리 설정한 값 미만인 경우 수치 벡터 Z를 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 45 |
45 제42항에 있어서,상기 바이오 마커 스크리닝 단계는 다음의 회귀식인 [식 5]를 이용하여 바이오 마커를 선정하는 것으로서, [식 5]Q2 = a·zn·익스포져 + b·zn + c·익스포져 + d여기서, a, b 및 c는 계수이고, d는 절편(intercept)이고, 익스포져는 특정 약물 또는 처치에 관한 노출에 관한 바이너리(binary) 또는 그 외의 수치(numeric) 변수 값이고, 상기 [식 5]의 회귀식에서 바이오 마커 후보군인 수치 벡터 Z가 익스포져의 타겟 결과에 대한 이펙트 모디피케이션(effect modification)이 통계적으로 유의한지 평가하고, 효과 크기(effect size)인 계수 a의 절대 값이 미리 설정한 값 이상이고 해당 a의 p-밸류 값이 미리 설정한 값 미만인 경우 해당 바이오 마커 zn를 바이오 마커로 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 46 |
46 제42항에 있어서,상기 바이오 마커 스크리닝 단계는 하나 이상의 바이오 마커 후보 z1, z2, |
| 47 |
47 제42항에 있어서, 상기 바이오 마커 스크리닝 단계는 다음의 회귀식 [식 7]을 이용하여 효과 변형자(effect modifier) 바이오 마커를 생성하는 것으로서, [식 7]Q4 = a·m + b·m·익스포져 + c·익스포져 + d·n + e여기서, a, b, c, d는 계수이고, e는 절편(intercept)이고, 익스포져는 특정 약물 또는 처치에 관한 노출에 관한 바이너리(binary) 또는 그 외의 수치(numeric) 변수 값이고, 상기 m은 수치 벡터 Z를 인공 신경망을 통과시켜 선정된 특정 약물 또는 처치에 관한 효과를 알려주는 효과 변형자 바이오 마커이고, n은 효과 변형과 무관한 바이오 마커이고,상기 [식 7]의 회귀식에서 얻어지는 예측 수치 값 Q4를 일반 선형 모델(generalized linear model)에 적용하여 상기 예측 수치 값과 타겟 값 사이의 차이를 최소화하도록 상기 인공 신경망을 훈련시켜 효과 변형자(effect modifier)인 m 값을 생성하여 바이오 마커로 선정하는 것이고,상기 예측 수치 값과 타겟 값 사이의 차이는,상기 익스포져가 바이너리 변수인 경우 크로스 엔트로피 손실 함수 또는 포컬 로스(focal loss) 함수를 사용하고, 상기 익스포져가 수치 변수인 경우 MSE 함수를 사용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 48 |
48 제42항에 있어서,상기 바이오 마커 스크리닝 단계는 수치 벡터 Z와 바이너리 익스포져를 입력으로 받아 들여 환지 치료 결과(outcome)을 예측하는 함수 h (Z, 익스포져)에서, 익스포져가 0 또는 1인 경우의 두 함수 간의 차이, 비율, 우도비(odds ratio) 및 상대위험(relative risk)중 적어도 하나로부터 바이오 마커를 선정하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 49 |
49 제39항에 있어서, 상기 바이오 마커 스크리닝 단계는 m개의 바이오 마커 후보 및 n개의 특징 벡터 X로 구성된 m × n 매트릭스(matrix)를 구성하고, 특징 벡터 X는 m개의 바이오 마커 후보 각각이 가지는 특징일 수 있고, 상기 m × n 매트릭스(matrix)에서 각 m개의 바이오 마커 후보 별로 존재하는 n개의 요소를 가지는 특징 벡터 X의 하나 이상의 요소들을 바이오 마커의 속성으로 저장하여 속성 간 유사도를 평가하거나 바이오 마커를 군집화하는데 사용되는 것이고, 상기 매트릭스는 차원 감소(dimension reduction)하여 사용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 50 |
50 제49항에 있어서, 상기 m개의 바이오 마커 후보 별로 존재하는 n개의 특징 벡터 X는 형태적 수치 벡터, 임상적 수치 벡터 및 페노타입 벡터를 포함하고, 상기 형태적 수치 벡터와 임상적 수치 벡터 간의 유사도 및/또는 상기 형태적 수치 벡터와 페노타입 벡터 간의 유사도를 요소로 하여 구성된 벡터를 상기 형태적 수치 벡터의 속성으로 사용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 51 |
51 제39항에 있어서,상기 인코딩 단계는 복수의 요소들간의 상관관계(correlation)를 줄이도록 베이지안 레이어(Bayesian layer) 및 KL 손실 함수 중 적어도 하나 이상을 이용하는 것을 특징으로 하는, 인공지능 기반의 바이오 마커 선별 방법 |
| 52 |
52 하드웨어와 결합되어 제39항 내지 제51항 중 어느 한 항에 따른 인공지능 기반의 바이오 마커 선별 방법을 실행하도록 매체에 저장되는 컴퓨터 프로그램 |
| 지정국 정보가 없습니다 |
|---|
| 패밀리정보가 없습니다 |
|---|
| 국가 R&D 정보가 없습니다. |
|---|
| 등록사항 정보가 없습니다 |
|---|
- 본 '원본보기 서비스'는 참고용이므로, 일부 오류 및 누락이 발생할 수 있습니다.
- 정확한 서류를 확인하시려면 해당 웹사이트에서 조회하시기 바랍니다. (특허로 바로가기: http://www.patent.go.kr)
- 해당 서비스는 점검으로 인해 매주 일요일 00:00 ~ 02:00까지 이용이 중단됩니다.
| 번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
|---|---|---|---|---|
| 1 | [특허출원]특허출원서 | 2023.01.27 | 수리 (Accepted) | 1-1-2023-0103090-13 |
| 2 | [출원서 등 보정]보정서 | 2023.01.31 | 수리 (Accepted) | 1-1-2023-0112842-52 |
| 3 | [출원서 등 보정]보정서 | 2023.02.07 | 수리 (Accepted) | 1-1-2023-0141898-77 |
| 4 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2023.05.02 | 수리 (Accepted) | 4-1-2023-5107652-42 |
| 기술정보가 없습니다 |
|---|
| 과제정보가 없습니다 |
|---|
중요키워드
| [KST2015161080][서울대학교] | 소장 페이스메이커의 세포생리 시뮬레이션 방법 | 새창보기 |
|---|---|---|
| [KST2019011564][서울대학교] | 나사형 전극 및 나사형 전극을 이용한 뇌파 측정 장치 및 방법 | 새창보기 |
| [KST2014058664][서울대학교] | 연결성 분석을 이용한 뇌 병소의 국지화 장치 및 방법 | 새창보기 |
| [KST2021000639][서울대학교] | 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템 | 새창보기 |
| [KST2015228652][서울대학교] | 생체와 웨어러블 기기 간의 인터페이스(Interface Between Living Body and Wearable Device) | 새창보기 |
| [KST2017013039][서울대학교] | 뇌파 측정 장치 및 방법(APPARATUS AND METHOD FOR MEASURING ELECTROENCEPHALOGRAM) | 새창보기 |
| [KST2015137081][서울대학교] | 심탄도를 이용한 개인인증 시스템 및 방법 | 새창보기 |
| [KST2017008060][서울대학교] | 다채널 뇌파 측정 장치(Multichannel EEG Measurement Device) | 새창보기 |
| [KST2020014334][서울대학교] | 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템 | 새창보기 |
| [KST2022019198][서울대학교] | 요추 보조를 위한 스마트 상의 및 그 제어 방법 | 새창보기 |
| [KST2014030450][서울대학교] | 전립선암 진단 방법 및 장치 | 새창보기 |
| [KST2015159459][서울대학교] | 움직임 감지센서를 이용한 집안 내 일상 생활에서의무구속적 행동량 측정장치 및 그에 따른 무구속적 행동량측정방법 | 새창보기 |
| [KST2015158785][서울대학교] | 위장관 전기생리 시뮬레이션 방법 | 새창보기 |
| [KST2015223681][서울대학교] | 초고주파기술을 이용한 암환자의 감시임파절내에서의암세포 존재여부 탐지시스템 및 그 방법 | 새창보기 |
| [KST2015136639][서울대학교] | 뇌파 모니터링 및 뇌 컴퓨터 인터페이스를 위한 뇌전도 전극과 취득 시스템을 내장한 무선 이어훅 이어셋 | 새창보기 |
| [KST2016018043][서울대학교] | 자기 공명 영상 장치 및 그에 따른 자기 공명 영상 획득 방법(MAGNETIC RESONANCE IMAGING APPARATUS AND METHOD FOR OBTAINING A MAGNETIC RESONANCE IMAGE THEREOF) | 새창보기 |
| [KST2015160722][서울대학교] | 생체광자를 이용한 건강 진단기 | 새창보기 |
| [KST2015160733][서울대학교] | 광학적 경혈 위치 탐지방법 및 이를 위한 탐지장치 | 새창보기 |
| [KST2022018922][서울대학교] | 소아환자용 일회박출량 인덱스 추정 시스템 및 방법 | 새창보기 |
| [KST2020000969][서울대학교] | 기흉 검출 방법 및 시스템 | 새창보기 |
| [KST2016014477][서울대학교] | 생체 신호 모니터링 시스템(VITAL SIGNS MONITORING SYSTEM) | 새창보기 |
| [KST2021010204][서울대학교] | AI를 이용한 일회박출량 산출 장치 및 방법 | 새창보기 |
| [KST2015134931][서울대학교] | 광섬유를 이용한 신경신호 측정 장치 및 방법 | 새창보기 |
| [KST2019011876][서울대학교] | 분류기를 이용한 이명 검사 장치 및 방법 | 새창보기 |
| [KST2015160474][서울대학교] | 스펙트럼별 생체광자를 이용한 건강 진단기 | 새창보기 |
| [KST2014058578][서울대학교] | 폴리머 폼이 형성된 용량성 전극을 이용한 뇌파 및 전기 생체신호 측정 장치 및 시스템 | 새창보기 |
| [KST2021000638][서울대학교] | 인공신경망을 이용한 체형분류 자동화 및 패턴 생성 시스템 | 새창보기 |
| [KST2015160492][서울대학교] | 암 진단 및 치료 장치 | 새창보기 |
| [KST2023009661][서울대학교] | 스마트 혈류 역학 지표를 이용한 진단 보조 장치 및 방법 | 새창보기 |
| [KST2014053081][서울대학교] | 수술 중 신경계 감시 장치 및 방법 | 새창보기 |
| 심판사항 정보가 없습니다 |
|---|