| 1 |
1
하나 이상의 컴퓨팅 장치에 의해 수행되는 변증 진단 방법으로서,변증 모델을 위한 임상 데이터를 준비하는 단계;오토인코더 기반 딥러닝 모델을 이용하여 상기 준비된 임상 데이터에서 특징 데이터를 추출하고, 상기 추출된 특징 데이터를 클러스터링하여 상기 변증 모델을 구축하는 단계; 및상기 구축된 변증 모델을 이용하여 진단 서비스를 제공하는 단계를 포함하는,변증 진단 방법
|
| 2 |
2
제1항에 있어서,상기 변증 모델은 수면 장애에 관한 변증 모델이고,상기 임상 데이터는 환자의 인구통계학적 정보, 병력 정보, 수면 정보, 식이영양 정보 및 위장관 정보를 포함하는,변증 진단 방법
|
| 3 |
3
제1항에 있어서,상기 임상 데이터를 준비하는 단계는,복수개의 샘플을 포함하는 원시 임상 데이터를 획득하는 단계;정상 데이터를 이용하여 오토인코더 기반의 다른 딥러닝 모델을 트레이닝하는 단계;상기 트레이닝된 다른 딥러닝 모델을 이용하여 상기 복수개의 샘플에 대한 복원 손실(reconstruction loss) 값을 산출하는 단계;상기 복수개의 샘플 중에서 상기 산출된 복원 손실 값이 기준치 이하인 샘플을 제거하는 단계;상기 복수개의 샘플 중에서 상기 정상 데이터에 대한 클러스터 중심과의 거리가 기준치 이하인 샘플을 더 제거하는 단계;상기 트레이닝된 다른 딥러닝 모델을 이용하여 상기 복수개의 샘플에 대한 잠재 벡터(latent vector)를 추출하는 단계; 및상기 복수개의 샘플 중에서 상기 추출된 잠재 벡터에 대한 클러스터 중심과의 거리가 기준치 이하인 샘플을 더 제거하는 단계를 포함하는,변증 진단 방법
|
| 4 |
4
제1항에 있어서,상기 임상 데이터를 준비하는 단계는,복수개의 샘플을 포함하는 원시 임상 데이터를 획득하는 단계;정상 데이터와 환자 데이터를 이용하여 오토인코더 기반의 다른 딥러닝 모델을 트레이닝하는 단계;상기 트레이닝된 다른 딥러닝 모델을 이용하여 상기 정상 데이터와 상기 환자 데이터에 대한 잠재 벡터(latent vector)를 추출하는 단계;정상 클래스와 환자 클래스를 분류하는 분류기를 이용하여 상기 추출된 잠재 벡터에 대한 분류 손실(classification loss) 값을 산출하는 단계;상기 산출된 분류 손실 값을 이용하여 상기 분류기를 트레이닝하는 단계;상기 트레이닝된 다른 딥러닝 모델의 디코더(freezing)를 프리징한 상태에서, 상기 산출된 분류 손실 값을 이용하여 상기 다른 딥러닝 모델의 인코더를 더 트레이닝하고, 상기 복수개의 샘플에 대한 잠재 벡터를 추출하는 단계;상기 추출된 잠재 벡터를 상기 트레이닝된 분류기에 입력하여 환자 클래스에 대한 컨피던스 스코어를 획득하는 단계; 및상기 복수개의 샘플 중에서 상기 획득된 컨피던스 스코어가 기준치 이하인 샘플을 제거하는 단계를 포함하는,변증 진단 방법
|
| 5 |
5
제1항에 있어서,상기 특징 데이터는 상기 딥러닝 모델에 의해 상기 준비된 임상 데이터에서 추출된 잠재 벡터(latent vector)이거나 상기 잠재 벡터로부터 기인한 데이터이고,상기 특징 데이터를 추출하는 단계는,상기 딥러닝 모델을 트레이닝하는 단계; 및상기 트레이닝된 딥러닝 모델을 이용하여 상기 잠재 벡터를 추출하는 단계를 포함하는,변증 진단 방법
|
| 6 |
6
제5항에 있어서,상기 특징 데이터를 추출하는 단계는,상기 추출된 잠재 벡터에 대해 주성분 분석을 수행하는 단계를 더 포함하는,변증 진단 방법
|
| 7 |
7
제5항에 있어서,상기 딥러닝 모델은 인코더 및 디코더를 포함하고,상기 딥러닝 모델을 트레이닝하는 단계는,복원 손실(reconstruction loss) 값을 이용하여 상기 딥러닝 모델을 트레이닝하는 단계; 및상기 디코더를 프리징(freezing)한 상태에서, 클러스터링 손실(clustering loss) 값을 이용하여 상기 인코더를 더 트레이닝하는 단계를 포함하며,상기 클러스터링 손실 값은 상기 잠재 벡터에 대한 클러스터링 평가 점수에 기초하여 산출되는 것인,변증 진단 방법
|
| 8 |
8
제1항에 있어서,상기 변증 모델을 구축하는 단계는,상기 딥러닝 모델을 이용하여 제1 특징 데이터를 추출하는 단계;상기 제1 특징 데이터를 클러스터링하여 제1 후보 변증 모델을 구축하는 단계;상기 딥러닝 모델의 구성을 변경하여 상기 제1 특징 데이터와 차원수가 상이한 제2 특징 데이터를 추출하는 단계;상기 제2 특징 데이터를 클러스터링하여 제2 후보 변증 모델을 구축하는 단계; 및상기 제1 후보 변증 모델과 상기 제2 후보 변증 모델의 평가 결과에 기초하여 상기 구축된 후보 변증 모델 중에서 상기 변증 모델을 선정하는 단계를 포함하는,변증 진단 방법
|
| 9 |
9
제8항에 있어서,상기 임상 데이터는 트레이닝용 데이터와 검증용 데이터를 포함하고,상기 특징 데이터는 상기 트레이닝용 데이터에서 추출된 것이며,상기 평가 결과는 상기 구축된 후보 변증 모델의 클러스터 별로 상기 검증용 데이터에 대한 평균과 분산을 산출하고 비교함으로써 얻어진 평가 결과를 포함하는,변증 진단 방법
|
| 10 |
10
제1항에 있어서,상기 변증 모델을 구축하는 단계는,상기 추출된 특징 데이터를 클러스터링하여 제1 후보 변증 모델을 구축하는 단계;상기 추출된 특징 데이터를 클러스터링하여 상기 제1 후보 변증 모델과 클러스터 개수가 상이한 제2 후보 변증 모델을 구축하는 단계; 및상기 제1 후보 변증 모델과 상기 제2 후보 변증 모델의 평가 결과에 기초하여 상기 구축된 후보 변증 모델 중에서 상기 변증 모델을 선정하는 단계를 포함하는,변증 진단 방법
|
| 11 |
11
제1항에 있어서,상기 진단 서비스를 제공하는 단계는,상기 구축된 변증 모델을 이용하여 환자의 변증 유형을 판별하는 단계; 및상기 판별된 변증 유형에 따른 경혈(acupuncture point) 정보를 제공하는 단계를 포함하는,변증 진단 방법
|
| 12 |
12
하나 이상의 프로세서; 및하나 이상의 인스트럭션을 저장하는 메모리를 포함하고,상기 하나 이상의 프로세서는,상기 저장된 하나 이상의 인스트럭션을 실행함으로써,변증 모델을 위한 임상 데이터를 준비하는 동작,오토인코더 기반 딥러닝 모델을 이용하여 상기 준비된 임상 데이터에서 특징 데이터를 추출하고, 상기 추출된 특징 데이터를 클러스터링하여 상기 변증 모델을 구축하는 동작 및상기 구축된 변증 모델을 이용하여 진단 서비스를 제공하는 동작을 포함하는,변증 진단 시스템
|
| 13 |
13
컴퓨팅 장치와 결합되어,변증 모델을 위한 임상 데이터를 준비하는 단계;오토인코더 기반 딥러닝 모델을 이용하여 상기 준비된 임상 데이터에서 특징 데이터를 추출하고, 상기 추출된 특징 데이터를 클러스터링하여 상기 변증 모델을 구축하는 단계; 및상기 구축된 변증 모델을 이용하여 진단 서비스를 제공하는 단계를 실행시키기 위하여 컴퓨터 판독가능한 기록매체에 저장된,컴퓨터 프로그램
|
