최근 인공지능 및 빅데이터로 대표되는 4차 산업혁명 시대가 도래하고 있다. 또한, 코로나 팬데믹 상황으로 인하여 비대면 원격진료를 통한 질환 예측 서비스에 대한 관심이 커지고 있다. 이러한 시대적 패러다임의 변화로 헬스 및 의료분야에서는 질환의 발병 후 치료에서, 발병 전에 질환을 사전 감지하는 질환 예측 서비스에 대한 연구와 시스템 개발이 급부상하고 있다. 특히, 뇌졸중 예측을 위해 ...
최근 인공지능 및 빅데이터로 대표되는 4차 산업혁명 시대가 도래하고 있다. 또한, 코로나 팬데믹 상황으로 인하여 비대면 원격진료를 통한 질환 예측 서비스에 대한 관심이 커지고 있다. 이러한 시대적 패러다임의 변화로 헬스 및 의료분야에서는 질환의 발병 후 치료에서, 발병 전에 질환을 사전 감지하는 질환 예측 서비스에 대한 연구와 시스템 개발이 급부상하고 있다. 특히, 뇌졸중 예측을 위해 생체신호 데이터를 이용한 AI기반 뇌졸중 예측 기술에 대한 연구가 활발히 진행되고 있다. 기존의 생체신호를 통한 AI 기반 뇌졸중 예측 서비스는 기계학습 및 딥러닝을 이용하여 생체신호의 이상값을 학습 및 예측하여 적절한 의사결정의 수단으로 사용하고 있다. 하지만, 기계학습 및 딥러닝을 통한 생체신호 분석에 대한 많은 연구와 컴퓨팅 파워의 증가로 인하여 예측 결과에 대한 정확도는 높아지고 있지만, 예측 결과에 대한 의학적 지식정보를 제공하지는 못하고 있다. 또한, 의학 지식베이스 기반의 질환 예측 큐레이션 서비스는 환자의 실시간 생체신호 데이터를 고려하지 않는 일반적인 의학지식만을 사용하였다. 이러한 뇌졸중을 비롯한 질환 예측 서비스의 한계를 극복하기 위해, 본 연구에서는 뇌졸중 조기 감지를 위해 기존의 생체신호 데이터 통한 기계학습 및 딥러닝 분석 결과에 의학적 지식정보를 융합하기 위한 뇌졸중 의학지식 온톨로지 기반 뇌졸중 예측 방법을 제안한다. 제안한 방법에서는 생체신호 데이터의 예측모델 학습 시, 뇌졸중 의학 온톨로지를 통한 피처 확장 방법과 미국 국립 보건원의 뇌졸중 척도인 NIHSS 지수를 토대로 예측모델 기반 예측 결과와 뇌졸중 의학 온톨로지의 추론된 지식을 연결하는 질환 지수를 계산하여 분석 결과의 객관성을 입증한다. 뇌졸중 의학 온톨로지를 구축하기 위해 표준 온톨로지 언어인 OWL-DL를 기반으로 ICD, SNOMED-CT, FMA와 같은 표준의학용어 온톨로지와 연동할 수 있는 의학용어인스턴스 온톨로지를 모델링 한다. 또한, 계층구조의 스키마 온톨로지를 모델링 하기 위해, 뇌의 해부학적 구조와 뇌졸중으로 인한 증상, 질환에 관한 개념 및 속성을 갖는 뇌졸중 스키마 온톨로지를 모델링하여 의학용어 인스턴스 온톨로지와 연동한다. 더 나아가, 뇌혈관의 출혈·경색으로 인한 뇌의 괴사 위치 및 다양한 증상과 질환의 특성을 예견하기 위해, 시맨틱웹 규칙 언어인 SWRL을 통해 추론한다. 본 연구에서는 뇌졸중 의학지식 큐레이션 서비스를 위해 자연어 형태의 사용자 질의에 정형 온톨로지 쿼리 언어인 스파큐엘로 자동 변환하여 의학지식을 쿼리할 수 있는 방법을 제안한다. 제안된 방법은 사용자 질의를 분석하여 질문과 답변을 구분하고 각 구문 단어를 뇌졸중 의학지식 온톨로지와 매핑하여 추상화하고, 추상화된 질문과 답변에 대한 정형 쿼리 탬플릿을 SWRL 기반으로 추론하여 수행 가능한 스파큐엘을 도출한다. 제안한 방법을 검증하기 위해 본 연구에서는 9개의 스파큐엘 탬플릿을 정의하고 뇌졸중과 관련된 사용자 질의 성능을 검증한다.
최근 인공지능 및 빅데이터로 대표되는 4차 산업혁명 시대가 도래하고 있다. 또한, 코로나 팬데믹 상황으로 인하여 비대면 원격진료를 통한 질환 예측 서비스에 대한 관심이 커지고 있다. 이러한 시대적 패러다임의 변화로 헬스 및 의료분야에서는 질환의 발병 후 치료에서, 발병 전에 질환을 사전 감지하는 질환 예측 서비스에 대한 연구와 시스템 개발이 급부상하고 있다. 특히, 뇌졸중 예측을 위해 생체신호 데이터를 이용한 AI기반 뇌졸중 예측 기술에 대한 연구가 활발히 진행되고 있다. 기존의 생체신호를 통한 AI 기반 뇌졸중 예측 서비스는 기계학습 및 딥러닝을 이용하여 생체신호의 이상값을 학습 및 예측하여 적절한 의사결정의 수단으로 사용하고 있다. 하지만, 기계학습 및 딥러닝을 통한 생체신호 분석에 대한 많은 연구와 컴퓨팅 파워의 증가로 인하여 예측 결과에 대한 정확도는 높아지고 있지만, 예측 결과에 대한 의학적 지식정보를 제공하지는 못하고 있다. 또한, 의학 지식베이스 기반의 질환 예측 큐레이션 서비스는 환자의 실시간 생체신호 데이터를 고려하지 않는 일반적인 의학지식만을 사용하였다. 이러한 뇌졸중을 비롯한 질환 예측 서비스의 한계를 극복하기 위해, 본 연구에서는 뇌졸중 조기 감지를 위해 기존의 생체신호 데이터 통한 기계학습 및 딥러닝 분석 결과에 의학적 지식정보를 융합하기 위한 뇌졸중 의학지식 온톨로지 기반 뇌졸중 예측 방법을 제안한다. 제안한 방법에서는 생체신호 데이터의 예측모델 학습 시, 뇌졸중 의학 온톨로지를 통한 피처 확장 방법과 미국 국립 보건원의 뇌졸중 척도인 NIHSS 지수를 토대로 예측모델 기반 예측 결과와 뇌졸중 의학 온톨로지의 추론된 지식을 연결하는 질환 지수를 계산하여 분석 결과의 객관성을 입증한다. 뇌졸중 의학 온톨로지를 구축하기 위해 표준 온톨로지 언어인 OWL-DL를 기반으로 ICD, SNOMED-CT, FMA와 같은 표준의학용어 온톨로지와 연동할 수 있는 의학용어 인스턴스 온톨로지를 모델링 한다. 또한, 계층구조의 스키마 온톨로지를 모델링 하기 위해, 뇌의 해부학적 구조와 뇌졸중으로 인한 증상, 질환에 관한 개념 및 속성을 갖는 뇌졸중 스키마 온톨로지를 모델링하여 의학용어 인스턴스 온톨로지와 연동한다. 더 나아가, 뇌혈관의 출혈·경색으로 인한 뇌의 괴사 위치 및 다양한 증상과 질환의 특성을 예견하기 위해, 시맨틱웹 규칙 언어인 SWRL을 통해 추론한다. 본 연구에서는 뇌졸중 의학지식 큐레이션 서비스를 위해 자연어 형태의 사용자 질의에 정형 온톨로지 쿼리 언어인 스파큐엘로 자동 변환하여 의학지식을 쿼리할 수 있는 방법을 제안한다. 제안된 방법은 사용자 질의를 분석하여 질문과 답변을 구분하고 각 구문 단어를 뇌졸중 의학지식 온톨로지와 매핑하여 추상화하고, 추상화된 질문과 답변에 대한 정형 쿼리 탬플릿을 SWRL 기반으로 추론하여 수행 가능한 스파큐엘을 도출한다. 제안한 방법을 검증하기 위해 본 연구에서는 9개의 스파큐엘 탬플릿을 정의하고 뇌졸중과 관련된 사용자 질의 성능을 검증한다.
Recently, the era of the fourth industrial revolution represented by artificial intelligence and big data is coming. In addition, due to the COVID-19 pandemic, interest in disease prediction services through non-face-to-face telemedicine is growing. Due to this paradigm shift in the times, research ...
Recently, the era of the fourth industrial revolution represented by artificial intelligence and big data is coming. In addition, due to the COVID-19 pandemic, interest in disease prediction services through non-face-to-face telemedicine is growing. Due to this paradigm shift in the times, research and system development on disease prediction services that detect diseases in advance in post-onset treatment and before onset in the health and medical fields are rapidly emerging. In particular, research on AI-based stroke prediction technology using bio-signal data for stroke prediction is actively conducted. The existing AI-based stroke prediction service uses machine learning and deep learning to learn and predict abnormal values of bio-signals and use them as a means of appropriate decision-making. However, although many studies on big-signal analysis through machine learning and deep learning and increased computing power have increased the accuracy of prediction results, medical knowledge information on prediction results has not been provided. In addition, the disease prediction curation service based on medical knowledge used only general medical knowledge that did not consider the patient’s real-time bio-signal data. To overcome the limitations of disease prediction services, including stroke, this paper proposes a stroke ontology-based prediction method to fuse medical knowledge information to the results of machine learning and deep learning analysis through existing bio-signal data for early stroke detection. The proposed method proves the objectivity of the analysis results by calculating the predictive model-based prediction results and the inferred knowledge of stroke medical ontology based on the feature expansion method through stroke medical ontology and the NIHSS index, a stroke scale of the National Institutes of Health. To build the stroke medical ontology, we model the medical term instance ontology linked to standard medical term ontology such as ICD, SNOMED-CT, and FMA based on OWL-DL, a standard ontology language. In addition, to model the hierarchical schema ontology, the stroke schema ontology is modeled with the anatomical structure of the brain and the concepts and properties of lesions, disease caused by stroke and interlocked with medical term instance ontology. Furthermore, to predict the location of necrosis in the brain due to bleeding and infraction of cerebral blood vessels and the characteristics of various lesions and diseases, it is inferred through SWRL, a semantic web rule language. This paper proposes a method to query medical knowledge by automatically converting user question and answer(QA) in natural language form to SPARQL, a formal ontology query language, for stroke medical knowledge curation service. The proposed method analyzes user QA to distinguish questions and answers, maps each syntax word to stroke medical knowledge ontology to abstract, and infers a structured query template for abstracted questions and answers based on SWRL to derive SPARQL. This paper defines 9 SPARQL templates and demonstrates the user quality performance associated with stroke to verify the proposed method.
Recently, the era of the fourth industrial revolution represented by artificial intelligence and big data is coming. In addition, due to the COVID-19 pandemic, interest in disease prediction services through non-face-to-face telemedicine is growing. Due to this paradigm shift in the times, research and system development on disease prediction services that detect diseases in advance in post-onset treatment and before onset in the health and medical fields are rapidly emerging. In particular, research on AI-based stroke prediction technology using bio-signal data for stroke prediction is actively conducted. The existing AI-based stroke prediction service uses machine learning and deep learning to learn and predict abnormal values of bio-signals and use them as a means of appropriate decision-making. However, although many studies on big-signal analysis through machine learning and deep learning and increased computing power have increased the accuracy of prediction results, medical knowledge information on prediction results has not been provided. In addition, the disease prediction curation service based on medical knowledge used only general medical knowledge that did not consider the patient’s real-time bio-signal data. To overcome the limitations of disease prediction services, including stroke, this paper proposes a stroke ontology-based prediction method to fuse medical knowledge information to the results of machine learning and deep learning analysis through existing bio-signal data for early stroke detection. The proposed method proves the objectivity of the analysis results by calculating the predictive model-based prediction results and the inferred knowledge of stroke medical ontology based on the feature expansion method through stroke medical ontology and the NIHSS index, a stroke scale of the National Institutes of Health. To build the stroke medical ontology, we model the medical term instance ontology linked to standard medical term ontology such as ICD, SNOMED-CT, and FMA based on OWL-DL, a standard ontology language. In addition, to model the hierarchical schema ontology, the stroke schema ontology is modeled with the anatomical structure of the brain and the concepts and properties of lesions, disease caused by stroke and interlocked with medical term instance ontology. Furthermore, to predict the location of necrosis in the brain due to bleeding and infraction of cerebral blood vessels and the characteristics of various lesions and diseases, it is inferred through SWRL, a semantic web rule language. This paper proposes a method to query medical knowledge by automatically converting user question and answer(QA) in natural language form to SPARQL, a formal ontology query language, for stroke medical knowledge curation service. The proposed method analyzes user QA to distinguish questions and answers, maps each syntax word to stroke medical knowledge ontology to abstract, and infers a structured query template for abstracted questions and answers based on SWRL to derive SPARQL. This paper defines 9 SPARQL templates and demonstrates the user quality performance associated with stroke to verify the proposed method.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.