| 1 |
1
하나 이상의 대상자의 임상 정보 수치 및 암 진행 단계 수치를 포함하는 학습 데이터를 분류기에 입력하는 단계;
분류기에서 상기 학습 데이터를 이용하여 의사결정 하이퍼플레인(decision hyperplane)을 생성하는 단계;
검사 대상자의 임상 정보 수치를 분류기에 입력하는 단계;
분류기에서 입력된 검사 대상자의 임상 정보 수치를 이용하여 검사 대상자의 암 진행 단계 수치를 출력하는 단계;
분류기에서 상기 출력된 암 진행 단계 수치를 의사결정 하이퍼플레인을 기준으로 분류하는 단계; 및
상기 분류기의 출력된 암 진행 단계 수치를 이용하여 검사 대상자가 암에 걸렸을 확률을 계산하는 단계를 포함하는 암 진단 방법
|
| 2 |
2
제 1항에 있어서,
입력된 학습 데이터의 평균값 및 분산값을 계산하여 파일 형태로 저장하는 단계; 및 상기 학습 데이터의 평균값 및 분산값을 이용하여 입력된 검사 대상자의 임상 정보 수치를 정규화시키는 단계를 더 포함하는 것을 특징으로 하는 암 진단 방법
|
| 3 |
3
제 1항에 있어서,
상기 임상 정보 수치는 검사 대상자의 나이, PSA 수치, DRE 수치, 전립선 부피, 전립선의 TZ-부피 및 TRUS 클래스 중 하나 이상을 포함하는 것을 특징으로 하는 암 진단 방법
|
| 4 |
4
제 1항에 있어서,
상기 확률 계산 단계는 하기 식에 의해 수행되는 것을 특징으로 하는 암 진단 방법:
상기 식에서, p(1|x)는 암에 걸렸을 확률, p(2|x)는 암이 아닐 확률, 및 f(x)는 분류기의 출력값이고, x는 입력 벡터(input vector), w는 입력 벡터에 곱해지는 가중치 벡터(weight vector), b는 입력 벡터와 가중치 벡터의 곱에 더해지는 바이어스 값(bias value)이며, φ는 wx+b 값에 비선형성(nonlinearity)을 부여하기 위한 커널(kernel)이다
|
| 5 |
5
제 1항에 있어서,
상기 계산된 확률이 최소 위험도 보다 큰 경우에 조직 검사 시행을 결정하는 단계를 더 포함하는 것을 특징으로 하는 암 진단 방법
|
| 6 |
6
제 1항에 있어서,
분류기의 문턱값 변화에 따른 민감성과 특이성 변화 그래프인 ROC 곡선을 생성하는 단계를 더 포함하는 것을 특징으로 하는 암 진단 방법
|
| 7 |
7
제 5항에 있어서,
상기 최소 위험도는 하기 식으로 표현되는 직선이 ROC 곡선과 접하는 경우의 y 절편값이고, 상기 ROC 곡선의 x축 및 y축 변수는 각각 FPR 및 TPR인 것을 특징으로 하는 암 진단 방법:
상기 식에서, TPR은 진양성률(true positive rate), FPR은 위양성률(false positive rate), Risk는 위험도, 및 α는 학습 데이터에서 암이 아닌 경우와 암인 경우의 비율(암이 아닌 경우/암인 경우)이다
|
| 8 |
8
제 1항에 있어서,
상기 암은 전립선암인 것을 특징으로 하는 암 진단 방법
|
| 9 |
9
하나 이상의 대상자의 임상 정보 수치 및 암 진행 단계 수치를 포함하는 학습 데이터를 입력하는 제1 입력부;
상기 학습 데이터를 이용하여 의사결정 하이퍼플레인(decision hyperplane)을 생성하는 하이퍼플레인 생성부;
검사 대상자의 임상 정보 수치를 입력하는 제2 입력부;
입력된 검사 대상자의 임상 정보 수치를 이용하여 검사 대상자의 암 진행 단계 수치를 출력하는 암 수치 출력부;
상기 출력된 암 진행 단계 수치를 의사결정 하이퍼플레인을 기준으로 분류하는 분류부; 및
상기 출력된 암 진행 단계 수치를 이용하여 검사 대상자가 암에 걸렸을 확률을 계산하는 확률 계산부를 포함하는 암 진단 장치
|
| 10 |
10
제 9항에 있어서,
입력된 학습 데이터의 평균값 및 분산값을 계산하여 파일 형태로 저장하는 예비 계산부; 및 상기 학습 데이터의 평균값 및 분산값을 이용하여 입력된 검사 대상자의 임상 정보 수치를 정규화시키는 정규화부를 더 포함하는 것을 특징으로 하는 암 진단 장치
|
| 11 |
11
제 9항에 있어서,
상기 임상 정보 수치는 검사 대상자의 나이, PSA 수치, DRE 수치, 전립선 부피, 전립선의 TZ-부피 및 TRUS 클래스 중 하나 이상을 포함하는 것을 특징으로 하는 암 진단 장치
|
| 12 |
12
제 9항에 있어서,
상기 확률 계산부는 하기 식에 의해 확률을 계산하는 것을 특징으로 하는 암 진단 장치:
상기 식에서, p(1|x)는 암에 걸렸을 확률, p(2|x)는 암이 아닐 확률, 및 f(x)는 분류기의 출력값이고, x는 입력 벡터(input vector), w는 입력 벡터에 곱해지는 가중치 벡터(weight vector), b는 입력 벡터와 가중치 벡터의 곱에 더해지는 바이어스 값(bias value)이며, φ는 wx+b 값에 비선형성(nonlinearity)을 부여하기 위한 커널(kernel)이다
|
| 13 |
13
제 9항에 있어서,
상기 계산된 확률이 최소 위험도 보다 큰 경우에 조직 검사 시행을 결정하는 검사 결정부를 더 포함하는 것을 특징으로 하는 암 진단 장치
|
| 14 |
14
제 9항에 있어서,
분류기의 문턱값 변화에 따른 민감성과 특이성 변화 그래프인 ROC 곡선을 생성하는 ROC 곡선 생성부를 더 포함하는 것을 특징으로 하는 암 진단 장치
|
| 15 |
15
제 13항에 있어서,
상기 최소 위험도는 하기 식으로 표현되는 직선이 ROC 곡선과 접하는 경우의 y 절편값이고, 상기 ROC 곡선의 x축 및 y축 변수는 각각 FPR 및 TPR인 것을 특징으로 하는 암 진단 장치:
상기 식에서, TPR은 진양성률(true positive rate), FPR은 위양성률(false positive rate), Risk는 위험도, 및 α는 학습 데이터에서 암이 아닌 경우와 암인 경우의 비율(암이 아닌 경우/암인 경우)이다
|
| 16 |
16
제 9항에 있어서,
상기 암은 전립선암인 것을 특징으로 하는 암 진단 장치
|
