인공지능 기술을 도입한 의료분야에서 진단 및 예측과 연계한 임상의사결정지원 시스템(CDSS)에 관련된 연구가 활발하게 진행되고 있다. 특히, 인공지능 기술 적용에 가장 많은 이슈를 일으키고 있는 의료영상기반의 질환진단연구가 다양한 제품으로 출시되고 있는 실정이다. 그러나 의료영상 데이터는 일관되지 않은 데이터들로 이루어져 있으며, 그것을 정제하여 연구에 사용하기 위해서는 상당한 시간이 필요한 것이 현실이다. 본 논문은 의료영상 표준인 R_CDM(Radiology Common Data Model)으로 변환하고, 그 데이터를 기반으로 인공지능알고리즘 개발 연구를 지원하기위한 원스톱 인공지능학습 플랫폼에 대하여 기술한다. 이를 위해 기존 공통데이터모델(CDM : Common Data Model)과 연계에 중점을 두어 DICOM(Digital Imaging and Communications in Medicine) 태그정보를 기반으로 의료영상 표준 모델의 스키마와 다기관 연구를 위한 Report 정보를 포함하여 시스템을 모델링하였다. 이렇게 변환된 데이터 집합을 기반으로 인공지능 학습 플랫폼에서 수행 과정을 결과로 보인다. 제안한 플랫폼을 통해 다양한 영상기반 인공지능 연구에 활용될 것으로 기대하고 있다.
인공지능 기술을 도입한 의료분야에서 진단 및 예측과 연계한 임상의사결정지원 시스템(CDSS)에 관련된 연구가 활발하게 진행되고 있다. 특히, 인공지능 기술 적용에 가장 많은 이슈를 일으키고 있는 의료영상기반의 질환진단연구가 다양한 제품으로 출시되고 있는 실정이다. 그러나 의료영상 데이터는 일관되지 않은 데이터들로 이루어져 있으며, 그것을 정제하여 연구에 사용하기 위해서는 상당한 시간이 필요한 것이 현실이다. 본 논문은 의료영상 표준인 R_CDM(Radiology Common Data Model)으로 변환하고, 그 데이터를 기반으로 인공지능 알고리즘 개발 연구를 지원하기위한 원스톱 인공지능학습 플랫폼에 대하여 기술한다. 이를 위해 기존 공통데이터모델(CDM : Common Data Model)과 연계에 중점을 두어 DICOM(Digital Imaging and Communications in Medicine) 태그정보를 기반으로 의료영상 표준 모델의 스키마와 다기관 연구를 위한 Report 정보를 포함하여 시스템을 모델링하였다. 이렇게 변환된 데이터 집합을 기반으로 인공지능 학습 플랫폼에서 수행 과정을 결과로 보인다. 제안한 플랫폼을 통해 다양한 영상기반 인공지능 연구에 활용될 것으로 기대하고 있다.
In the medical field where artificial intelligence technology is introduced, research related to clinical decision support system(CDSS) in relation to diagnosis and prediction is actively being conducted. In particular, medical imaging-based disease diagnosis area applied AI technologies at various ...
In the medical field where artificial intelligence technology is introduced, research related to clinical decision support system(CDSS) in relation to diagnosis and prediction is actively being conducted. In particular, medical imaging-based disease diagnosis area applied AI technologies at various products. However, medical imaging data consists of inconsistent data, and it is a reality that it takes considerable time to prepare and use it for research. This paper describes a one-stop AI learning platform for converting to medical image standard R_CDM(Radiology Common Data Model) and supporting AI algorithm development research based on the dataset. To this, the focus is on linking with the existing CDM(common data model) and model the system, including the schema of the medical imaging standard model and report information for multi-center research based on DICOM(Digital Imaging and Communications in Medicine) tag information. And also, we show the execution results based on generated datasets through the AI learning platform. As a proposed platform, it is expected to be used for various image-based artificial intelligence researches.
In the medical field where artificial intelligence technology is introduced, research related to clinical decision support system(CDSS) in relation to diagnosis and prediction is actively being conducted. In particular, medical imaging-based disease diagnosis area applied AI technologies at various products. However, medical imaging data consists of inconsistent data, and it is a reality that it takes considerable time to prepare and use it for research. This paper describes a one-stop AI learning platform for converting to medical image standard R_CDM(Radiology Common Data Model) and supporting AI algorithm development research based on the dataset. To this, the focus is on linking with the existing CDM(common data model) and model the system, including the schema of the medical imaging standard model and report information for multi-center research based on DICOM(Digital Imaging and Communications in Medicine) tag information. And also, we show the execution results based on generated datasets through the AI learning platform. As a proposed platform, it is expected to be used for various image-based artificial intelligence researches.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이러한 문제점을 해결하기 위해 의료영상에 대한 표준화의 요구사항을 정리하였고 기존의 OMOP-CDM과 연계하여 확장 모델을 제시하였다. 또한 학습 데이터 생성에서 인공지능 활용까지 지원할 수 있는 플랫폼을 제안하고자 한다.
본 논문에서는 다기관 연구를 위한 의료영상정보의 표준화와 인공지능 기반의 임상연구를 지원하기 위한 데이터 수집 및 관리 그리고 표준화된 데이터 집합을 제공할뿐만 아니라 인공지능 플랫폼과 연계하여 인공지능 알고리즘 개발과 테스트 그리고 검증할 수 있는 환경을 제안하였다. 이를 위해 기존 OMOP-CDM의 확장모델로 R_CDM에 대해서 기술하였다.
본 논문에서는 이러한 요구사항을 포함한 인공지능 학습 플랫폼을 제안한다. 웹 기반으로 다자간 임상연구를 위한 의료영상 데이터 집합을 관리하고, 인공지능 알고리즘 개발 연구에 활용하기 위한 원스탑 플랫폼의 수행 과정을 보인다.
제안 방법
논문에서 제시하는 표준화 작업은 DICOM 태그정보 추출과 익명화 및 Radiology Occurrence, Radiology Image Object을 데이터베이스에 생성하는 작업과 Pixel Data(7FE0, 0010) 태그정보를 통해 PNG 파일생성작업을 포함한다. 표준화 작업의 성능을 측정한 결과 초당 100~150개의 처리량을 Fig.
촬영 정보를 저장하기 위한 Radiology Occurrence 테이블은 Table 1과 같이 설계 되었고 각 데이터 집합에 포함된 이미지들에 대한 정보를 저장하는 Radiology Image 테이블은 Table 2와 같이 설계하였다. 또한, 각 데이터 집합의 정보를 표준화하기 위해서 병원 별 촬영 조건이 담긴 Radiology Protocol, 어떤 자세로 촬영된 지 판단할 수 있는 Radiology Person Position, 촬영된 Modality를 판단할 수 있는 Radiology Modality, 의료영상의 각종 단위를 표시하는 Radiology Units, 영상에 촬영한 장비를 표시하는 Radiology Device, 영상이 촬영된 병원을 표시하는 Radiology Hospital 정보, 해당 영상의 임상적 의견을 관리하는 Radiology Report 등 임상연구에 필요한 정보를 저장하기 위한 테이블로 설계하였다.
본 논문에서 제안하는 다기관 임상연구를 위한 인공지능 학습 플랫폼은 각 기관에서 수집한 데이터를 R_CDM 기반의 표준화된 데이터로 변환하여 함께 공유하고 해당 영상에 대한 Report를 작성하여 다기관 공동연구가 가능하도록 개발되었다. 또한 수집된 데이터를 인공지능 연구에 필요한 데이터 집합을 다운로드하여 인공지능 알고리즘 개발 및 테스트와 검증에 따라 활용할 수 있도록 하였다.
또한 인공지능 학습을 위해서는 방대한 양의 의료영상 데이터가 요구되며, 인공지능 알고리즘의 최적화에 필요한 검증 및 테스트 데이터 수집도 매우 어렵다. 이러한 문제점을 해결하기 위해 의료영상에 대한 표준화의 요구사항을 정리하였고 기존의 OMOP-CDM과 연계하여 확장 모델을 제시하였다. 또한 학습 데이터 생성에서 인공지능 활용까지 지원할 수 있는 플랫폼을 제안하고자 한다.
대상 데이터
우리는 제안한 플랫폼의 활용성을 확인하기위해 학습 데이터 집합을 복부 질환 중 “Liver Cirrhosis(LC)”의 유무를 판단 목적으로 Fig. 11과 같이 테스트 데이터 집합을 다운받았다.
성능/효과
이를 위해 기존 OMOP-CDM의 확장모델로 R_CDM에 대해서 기술하였다. 그리고 웹기반 관리시스템을 통해 인공지능 임상 연구에 적용하기 위한 학습 또는 검증 그리고 테스트를 위한 데이터 집합을 제공할 수 있음을 보였다. 그리고 끝으로 이렇게 생성된 데이터 집합을 인공지능 플랫폼에 적용하여 학습 수행결과를 보였다.
후속연구
83의 결과를 얻었다. 결과를 통해 학습에 사용된 인공지능 알고리즘의 활용 가능성에 대해 긍정적인 판단을 내릴 수 있었지만, External Validation과 추가적인 알고리즘의 수정을 통해 정확도를 더욱 끌어올릴 수 있을 것이라 판단된다.
향후 연구내용으로는 표준화 작업을 통해 변환된 각 의료 영상 데이터에 대한 시각화 연구와 영상기반 정량화 분석 툴을 제공하여 분석 연구를 위한 이미지 뷰어 개발을 진행할 예정이다. 또한, 개발된 플랫폼의 유용성을 평가하고, 다기관 공동연구(http://wonmoai.org/)를 진행하면서 기능을 개선 및 보완하면서 최적의 알고리즘 개발을 지원하는 실증 연구를 수행할 계획이다.
이결과 제안한 플랫폼을 통해 임상적 아이디어를 머신러닝 연구로 손쉽게 적용할 수 있다는 점에서 다양한 연구로 활용될 것으로 기대하고 있다.
웹 기반으로 다자간 임상연구를 위한 의료영상 데이터 집합을 관리하고, 인공지능 알고리즘 개발 연구에 활용하기 위한 원스탑 플랫폼의 수행 과정을 보인다. 제안한 인공지능학습 플랫폼은 임상연구자에게 어렵게 보이는 머신러닝 연구를 손쉽게 진행할 수 있으며, 인공지능 알고리즘 개발에 대한 기술적 검증에 활용될 것으로 기대하고 있다.
향후 연구내용으로는 표준화 작업을 통해 변환된 각 의료 영상 데이터에 대한 시각화 연구와 영상기반 정량화 분석 툴을 제공하여 분석 연구를 위한 이미지 뷰어 개발을 진행할 예정이다. 또한, 개발된 플랫폼의 유용성을 평가하고, 다기관 공동연구(
질의응답
핵심어
질문
논문에서 추출한 답변
OMOP-CDM은 무엇에 중점을 두고 있는가?
OMOP-CDM은 정형화된 임상데이터를 표준화하는데 중점을 두고 있다. 그러나 최근 유전체, 영상 그리고 생체신호와 같은 비정형 데이터의 표준화로 확장하고 있다.
각 질환 별로 최적화된 임상 프로토콜에 의한 선별, 핵심적인 의료 영상에 저장되는 의료 정보까지 표준화되어 저장되어야 하는데 이와 관련하여 수행된 연구의 문제점은 무엇인가?
특히, 현재 각 병원에서는 PACS를 사용하여 DICOM 국제 표준을 준수하여 저장하고 있으나 이러한 방대한 양의 데이터가 있더라도 실제 임상연구를 위해서는 각 질환 별로 최적화된 임상 프로토콜에 의한 선별, 핵심적인 의료영상에 저장되는 의료정보까지 표준화되어 저장되어야 한다[10]. 이와 관련하여 수행된 연구는 국내외에서도 미흡하며 더욱이 의료기관별 의료 영상의 표준화된 정보 없이 인공지능 학습 연구에 적용하기에는 어려움이 있다[11]. 또한 인공지능 학습을 위해서는 방대한 양의 의료영상 데이터가 요구되며, 인공지능 알고리즘의 최적화에 필요한 검증 및 테스트 데이터 수집도 매우 어렵다. 이러한 문제점을 해결하기 위해 의료영상에 대한 표준화의 요구사항을 정리하였고 기존의 OMOP-CDM과 연계하여 확장 모델을 제시하였다.
제4차 산업혁명의 핵심 기술은 무엇인가?
제4차 산업혁명의 핵심 기술인 사물인터넷, 인공지능, 클라우드, 빅데이터는 의료 서비스의 패러다임을 변화시키고 있다[1]. 특히, 임상데이터기반의 인공지능(AI), 빅데이터 분석 관련 기업이 급성장하고 있다[2].
참고문헌 (14)
Presidential committee on the Fourth Industrial Revolution, https://www.4th-ir.go.kr/
Sung-Uk Park, "Keyword Analysis of Data Technology Using Big Data Technique," Journal of Korea Technology Innovation Society, Vol.2, No.2, pp.265-281, 2019.
G. Hripcsak and J. D. Duke, "Observational Health Data Sciences and Informatics (OHDSI): Opportunities for Observational Researchers," in Stud Health Technology Information, Vol.216, pp.574-578. 2015.
F. FitzHenry, F. S. Resnic, S. L. Robbins, J. Denton, L. Nookala, D. Meeker, L. Ohno-Machado, and M. E. Matheny, "Creating a Common Data Model for Comparative Effectiveness with the Observational Medical Outcomes Partnership," Applied Clinical Informatics, Vol.6, No.2, pp.536-547, 2015.
E. A Voss, R. Makadia, A. Matcho, Q. Ma, C. Knoll, M. Schuemie, F. J. DeFalco, A. Londhe, V. Zhu, and P. B. Ryan, "Feasibility and Utility of Applications of the Common Data Model to Multiple, Disparate Observational Health Databases," Journal of the American Medical Informatics Association, Vol.22, No.3, pp.553-564, 2015.
E. Y. KWON, C.-W. Jeong, D. M. Kang, Y. R. Kim, Y. H. Lee, and K.-H. Yoon, "Development of Common Data Module Extension for Radiology Data (R_CDM): A Pilot Study to Predict Outcome of Liver Cirrhosis with using portal Phase Abdominal Computed Tomography Data," ECR 2019, 10.26044/ecr2019/C-1876.
R.W. Park, "The Distributed Research Network, Observational Health Data Sciences and Informatics, and the South Korean Research Network," The Korean Journal of Medicine, Vol.94, No.4, pp.309-314, 2019.
W. D. Bidgood Jr., S. C. Horii, F. W. Prior, and D. E. Van Syckle, "Understanding and Using DICOM, the Data Interchange Standard for Biomedical Imaging," Journal of the American Medical Informatics Association, Vol.4, No.3, pp.199-212, May-Jun. 1997.
A. V. Dalca, K. L. Bouman, and W. T. Freeman, N. S. Rost, M. R. Sabuncu, P. Golland, "Medical Image Imputation From Image Collections," IEEE Transactions on Medical Imaging, Vol.38, No.2, pp.504-514, Feb. 2019.
Marc D., Kohli, Ronald M. Summers, and J. Raymond Geis, "Medical Image Data and Datasets in the Era of Machine Learning-whitepaper from the 2016 C-MIMI Meeting Dataset Session," Journal of Digital Imaging, Vol.30, No.4, pp.392-399, 2017.
M. G. Pak, S. M. Han, C. S. Lee, C. W. Jeong, and K. H. Yoon, "Medical Dataset Preparation Platform Based on a Common Data Model for Machine Learning," Test Engineering and Management, Vol.81, pp.2410-2415, 2019.
DEEP NOID Solutions [Internet], https://www.deepnoid.com/solutions
※ AI-Helper는 부적절한 답변을 할 수 있습니다.