선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이에 본 논문에서는 압타머바이오칩 데이터 및 이러한 진단환경시스템에서 인공신경망을 이용하여 간암을 예측하고 진단보조를 위한 시스템을 구축 하였다.
제안 방법
- 본 시스템에서는 정상(normal), 간암환자 이렇게 두 가지 중에서 데이터를 분류해야 하므로 output neuron이 2개가 존재한다. input neuron은 60-100개의 단백질을 사용하였고, hidden은 10개, 초기 가중치 범위는 -0.05 ～ 0.05로 1,000회 학습을 수행하였다. 학습 후 Blind 데이터가 입력으로 들어오면 이미 학습된 weight를 이용하여 출력 값을 계산하게 되고 이 경우 2개의 출력 값이 계산될 것이다.
- 질병관련 축적된 데이터로부터 기계학습 기법을 이용하여 정상인과 환자, 또는 질병의 단계를 구분할 수 있는 최적의 패턴을 학습하여 진단 엔진을 구축한 후, 이 엔진을 장착한 컴퓨터 시스템을 이용하여 환자여부를 판별하거나 환자의 질병정도를 1차적으로 빠르게 검사할 수 있다. 본 시스템에서는 질병진단을 위한 핵심 엔진구현에 인공신경망을 적용하였다.
- 통합된 시스템과의 연동을 위해서는 HL7, 및 DICOM 규약에 의거하여 시스템을 구성하여야 한다. 본 시스템은 초기모델로 PMS(Patient Monitoring System) 와 연동하여 진단의 정확도를 높게 하였다. 그림 2는 예측 진단 시스템의 초기 화면을 나타내고 있다.
- 본 시스템의 구성 및 실무에서의 응용은 2가지로 나누어서 구성할 수 있는데 진단만을 위한 stand alone 형태의 진단 시스템과 기존의 병원정보시스템 즉. OCS, PACS, LIS 등과 연계된 통합된 시스템으로 구성할 수 있다.
대상 데이터
- 각 스팟의 median값을 칩 데이터로 사용하였고, ANOVA 테스트한 후 각 단백질별로 p-value 측정 후 샘플별로 전체 1149개의 단백질 들 중에서 p-value가 낮은 순으로 상위 10개, 50개, 100개의 단백질을 선택하였다.
- 본 논문에서 사용된 데이터는 간암으로 확진된 환자 85명의 혈액샘플, 간암이외의 대조군 310명의 혈청 샘플을 사용하였고, 제노프라(주)가 개발한1149개의 올리고가 스팟팅된 압타머 바이오칩 (이하 1K칩)을 사용하였다.
- 진단의 기반이 되는 데이터는 성공적인 질병진단을 위한 필수요소이다. 본 시스템에 사용하는 데이터는 압타머를 이용한 바이오칩으로 최근에 압타머를 이용한 기술이 생체시료의 발현측정에 활용되기 시작했다. 압타머 바이오칩은 혈액내에 혈청에 포함된 특정 단백질의 상대적 양을 직접 측정 할 수 있는 바이오칩으로 질병진단 등의 의학적 응용에 활용될 수 도 있으며 기존의 마이크로어레이 분석기법을 그대로 적용할 수 있다는 장점을 가진다[3].
- 전처리결과 선택된 단백질 중 10개와 50개, 100개의 데이터를 학습에 사용하여 성능을 평가 하였다. 성능평가는 10-fold cross validation으로 측정하였으며 결과는 표 1과 같다.
데이터처리
- 전처리결과 선택된 단백질 중 10개와 50개, 100개의 데이터를 학습에 사용하여 성능을 평가 하였다. 성능평가는 10-fold cross validation으로 측정하였으며 결과는 표 1과 같다.
성능/효과
- 95%를 분류하는 좋은 성능을 보였다. 또한 다양한 기계학습 알고리즘 중 인공신경망이 마이크로어레이 바이오칩 데이터를 분류하는데 좋은 성능을 보임을 알 수 있다. 현재 많이 사용되고 있는 바이오칩의 응용 분야 중 진단에 직접 응용하기 위해 기계학습 기술을 접목함으로서 기존의 바이오칩 활용에 대해서 효율적인 진단 시스템으로 발전할 수 있음을 알 수 있다.
- 위와 같이 인공신경망을 통한 기계학습을 통해 학습된 단백질의 숫자에 따라 95.38～97.95%의 분류 성능을 보였다. 단백질의 숫자를 100개로 하여 학습을 수행했을 경우 가장 좋은 결과를 얻을 수 있었다.
- 의료정보시스템중 환자정보를 직접 획득하여 보관 관리하는 시스템으로 PMS(Patient Monitering System), CDIS(Clinical Device Information System) 등이 개발되어 사용되고 있다[7]. 이와 같은 생체정보를 직접 획득하여 관리되는 의료정보시스템과 연동은 매우 유용하며, 본 시스템에서는 PMS 와 연동하여 구성하여 환자를 진단하는데 도움이 될 수 있도록 하였다.
- 혈액 내 단백질의 양을 추측 할 수 있는 기술인 압타머 바이오칩 기술과 다량의 생물학적 데이터를 효과적으로 분석할 수 있는 기계학습 기술을 응용하여 혈액 내 간암과 연관될 것이라 추측되는 바이오칩 패턴 프로파일 분석을 통해 간암환자를 95.38～97.95%를 분류하는 좋은 성능을 보였다. 또한 다양한 기계학습 알고리즘 중 인공신경망이 마이크로어레이 바이오칩 데이터를 분류하는데 좋은 성능을 보임을 알 수 있다.
후속연구
- 이를 위해서 보다 많고 다양한 환경에서의 데이터의 확보가 중요하며 인공신경망 이외의 다양한 분류 알고리즘을 적용하여 시스템의 성능을 비교 분석 향상시킬 필요가 있다. 그리고 임상에서의 적용을 위해서 KFDA의 인허가 과정을 거쳐 보다 안정적이고 인증된 시스템으로 구성되어야 할 것이다. 또한 PMS 뿐만 아니라 OCS, EMR, PACS 등 다양한 의료정보시스템과 연동된 시스템으로 개발하여 다양한 질환인자를 포함하고 있는 보다 정확한 진단시스템으로 개발되어야 할 것이다.
- 그리고 임상에서의 적용을 위해서 KFDA의 인허가 과정을 거쳐 보다 안정적이고 인증된 시스템으로 구성되어야 할 것이다. 또한 PMS 뿐만 아니라 OCS, EMR, PACS 등 다양한 의료정보시스템과 연동된 시스템으로 개발하여 다양한 질환인자를 포함하고 있는 보다 정확한 진단시스템으로 개발되어야 할 것이다.
- 본 기술은 단백질의 분리, 확인, 정량 및 기능해석을 바이오칩 상에서 수행할 수 있어 거의 모든 질병의 진단용 바이오칩 분야에 널리 활용가능하며, 간암뿐만 아니라 수많은 질환진단, 환경모니터링 환경 독성물질 유해성 검색 등으로 시스템의 응용분야를 넓혀나가야 한다. 이를 위해서 보다 많고 다양한 환경에서의 데이터의 확보가 중요하며 인공신경망 이외의 다양한 분류 알고리즘을 적용하여 시스템의 성능을 비교 분석 향상시킬 필요가 있다.
- 현재 많이 사용되고 있는 바이오칩의 응용 분야 중 진단에 직접 응용하기 위해 기계학습 기술을 접목함으로서 기존의 바이오칩 활용에 대해서 효율적인 진단 시스템으로 발전할 수 있음을 알 수 있다. 본 시스템을 기존의 간암표지자인 AFP 와 병행, 보완하여 임상에 적용하여 시행할 경우 간암진단의 정확성을 더욱 높이는데 기여함을 알 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.