[논문]의료영상 분석에서 인공지능 이용 동향

이길재; 이태수

doi:10.7742/jksr.2022.16.4.453

의료영상 분석에서 인공지능 이용 동향
Trends in the Use of Artificial Intelligence in Medical Image Analysis 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.16 no.4, 2022년, pp.453 - 462

이길재 (충북대학교 대학원 의용생체공학과) , 이태수 (충북대학교 대학원 의용생체공학과)

초록
AI-Helper

본 논문에서는 의료 영상 분석 분야에서 이용되고 있는 AI(Artificial Intelligence)기술을 문헌 검토를 통해 분석하였다. 문헌 검색은 중심어(keyword)를 사용하여 PubMed, ResearchGate, Google 및 Cochrane Review의 문헌 검색을 수행했다. 문헌 검색을 통해 114개의 초록을 검색하였고 그 중 16개의 중복된 것을 제외하고 98개의 초록을 검토했다. 검토된 문헌에서 AI가 응용되고 있는 분야는 분류(Classification), 국소화(Localization), 질병의 탐지(Detection), 질병의 분할(Segmentation), 합성 영상의 적합도(Fit degree) 등으로 나타났다. 기계학습(ML: Machine Learning)을 위한 모델은 특징 추출을 한 후 신경망의 네트워크에 특징 값을 입력하는 방식은 지양되는 것으로 나타났다. 그 대신에 신경망의 은닉층을 여러 개로 하는 심층학습(DL: Deep Learning) 방식으로 변화되고 있는 것으로 나타났다. 그 이유는 컴퓨터의 메모리 량의 증가와 계산속도의 향상, 빅 데이터의 구축 등으로 특징 추출을 DL 과정에서 처리하는 것으로 사료된다. AI를 이용한 의료영상의 분석을 의료에 적용하기 위해서는 의사의 역할이 중요하다. 의사는 AI 알고리즘의 예측을 해석하고 분석할 수 있어야 한다. 이러한 이해를 위해서는 현재 의사를 위한 추가 의학 교육 및 전문성 개발과 의대에 재학 중인 학습자를 위한 개정된 커리큘럼이 필요해 보인다.

Abstract ▼ AI-Helper

In this paper, the artificial intelligence (AI) technology used in the medical image analysis field was analyzed through a literature review. Literature searches were conducted on PubMed, ResearchGate, Google and Cochrane Review using the key word. Through literature search, 114 abstracts were searched, and 98 abstracts were reviewed, excluding 16 duplicates. In the reviewed literature, AI is applied in classification, localization, disease detection, disease segmentation, and fit degree of registration images. In machine learning (ML), prior feature extraction and inputting the extracted feature values into the neural network have disappeared. Instead, it appears that the neural network is changing to a deep learning (DL) method with multiple hidden layers. The reason is thought to be that feature extraction is processed in the DL process due to the increase in the amount of memory of the computer, the improvement of the calculation speed, and the construction of big data. In order to apply the analysis of medical images using AI to medical care, the role of physicians is important. Physicians must be able to interpret and analyze the predictions of AI algorithms. Additional medical education and professional development for existing physicians is needed to understand AI. Also, it seems that a revised curriculum for learners in medical school is needed.

주제어

표/그림 (7)

그림 Fig. 1. The concept of AI vs ML vs DL and humans are introduced.
그림 Fig. 2. Difference between Hand-engineered Features and Data-driven Features.
그림 Fig. 3. Various neural network architectures. A. Recurrent neural network, B. Auto-encoder, C. Restricted Boltzmann Machine, D. Deep Belief, E. Generative Adversarial Network (x: input layer, y: output layer, h: hidden layer.
그림 Fig. 4. Procedure.
그림 Fig. 5. Example of classification of T2-weighted MR brain image through CNN.
표 Table 1. Reviewed medical imaging related papers
표 Table 2. Some recent clinical applications of CNN based methods

AI 본문요약
AI-Helper

문제 정의

방법론적, 사회적, 윤리적 문제에도 불구하고 빅 데이터를 기반으로 하는 증거 기반 임상 DM은 의료 시스템에서 널리 채택되고 있다[8]. 본 논문에서는 기존의 주관적이고 경험에 의존하는 의료 데이터 분석 방법의 한계를 극복하는 CNN에 대하여 알아보고, 의료영상 분석 분야에서 이용되고 있는 AI기술을 문헌검토를 통해 분석하고자 한다.
AI는 의료 디지털화를 위한 핵심 기술이며 의료 기술을 혁신하고 정밀 의학을 확장하며 치료 방법을 개선할 수 있도록 하고 있다. 본 논문에서는 의료영상 분석을 위해 연구된 논문들을 검토하였다. 검토 결과, 의료영상 분야에서 AI가 응용되고 있는 분야는 Classification, Localization, 질병의 Detection, 질병의 Segmentation, 합성 영상의 Fit degree 등으로 나타났다.

제안 방법

그러나 DL은 결과 출력을 위해 입력 데이터에 대한 많은 복잡한 연산을 수행하게 됨으로 출력 결과에 대한 설명이 부족하다. 이러한 DL의 문제 해결을 위하여 설명력이 좋은 ML 모델과 DL의 예측 결과를 통합하는 방식을 활용하거나, 입력영상의 공간 정보를 유지하는 모델 구조를 차용하여 출력 결과를 시각화함으로써 판단의 근거를 제시하는 방법을 고안하였 다. 대부분의 ML 모델들은 학습에 사용된 데이터와 상이한 데이터가 입력될 경우 상이한 결과를 출력할 수 있다.
의료영상 분석은 특정 병변의 검출 및 분류, 장기(Organ)의 세부 구조 분할, 의료영상 간의 정합, 유사 영상 검색 등을 수행한다. 이를 수행하기 위하여 전통적인 방법인 인체에 대한 해부학적 지식및 임상적 경험에 근거한 비정형 데이터인 의료영상을 정형적인 수치인 특징(Feature)으로 변환하는 알고리즘을 설계하는데서 시작하였다[12]. 결과적으로 이러한 특징 추출(Feature Extraction) 알고리즘에 따라 모델의 정확도가 결정되는데, 문제는 특징 추출 알고리즘이 설계자의 직관이나 경험에 근거하기 때문에 다양한 상황과 데이터의 형태 및 변형들을 모두 고려하기 힘들고, 설계자의 지식을 넘어서는 복잡하고 추상적인 변화들을 모델링할 수 없다는 것이다[13].
그들은 각각 2개의 컨볼루션레이어가 있는 3개의 병렬 CNN을 사용했으며, 각CNN은 특징을 추출하기 위해 서로 다른 스케일로이미지 패치를 촬영하였다. 학습된 기능은 출력 기능 벡터를 구성하는 데 사용되었으며, 그런 다음방사형 기저 함수(RBF) 필터 또는 RF 분류기를 사용하여 양성 또는 악성 기능으로 분류하였다. 그들의 방법은 86%의 정확도로 결절을 분류했고 또한 다른 수준의 노이즈 입력에 대해서도 강력하다는 것을 확인하였다.

대상 데이터

문헌 검색은 중심어(keyword) Medical Image Analysis, Classification, Localization, Detection, Segmentation를 사용하여 PubMed, ResearchGate, Google 및 Cochrane Review에 수록된 문헌을 검색하였다. 2010년에서 2021년 사이에 출판된 논문들 중 114개의 초록을 검색하였으며 중복된 16개를 제외하고 98개의 초록을 검토했다.
데이터 웨어하우스는 EHR 데이터를 포함할 뿐만 아니라 청구 데이터, R(Patient-Reported Outcomes Measurement Information System R)[10], 영상 데이터, "omics" 유형 데이터 및 스마트폰에서 생성된 웨어러블 데이터 등의 연구를 위한 대규모 임상 데이터를 포함하고 있다
문헌 검색은 중심어(keyword) Medical Image Analysis, Classification, Localization, Detection, Segmentation를 사용하여 PubMed, ResearchGate, Google 및 Cochrane Review에 수록된 문헌을 검색하였다. 2010년에서 2021년 사이에 출판된 논문들 중 114개의 초록을 검색하였으며 중복된 16개를 제외하고 98개의 초록을 검토했다.
알츠하이머 병 신경영상계획(ADNI: Alzheimer's Diasease Neuroimaging Initiative) 데이터베이스에서 MRI 및 PET 스캔을 받은 830명의 환자를 연구했다

성능/효과

전 세계 의료 시스템에서 EHR의 채택으로 AI가 검사, 개발 및 예측하기에 완벽하게 맞는 개인화된데이터 세트의 방대한 저장소가 생성되었다. AI의 하위 영역인 ML 및 DL은 위험 계층화 및 치료 결과 최적화의 의료 문제에 대한 솔루션을 제공하는데 성공했다. AI는 의료 디지털화를 위한 핵심 기술이며 의료 기술을 혁신하고 정밀 의학을 확장하며 치료 방법을 개선할 수 있도록 하고 있다.
Esteva 등은 13만 장의 피부과 사진과 진피 사진을 사용하여 GoogleLeNet Inception V3 CNN을 훈련시켰으며 기능을 직접 개발하지는 않 았다[34]. CNN은 영상을 양성, 악성 또는 비종양성 병변으로 분류하는 데 있어 피부과 의사를 능가했 으며, 2명의 피부과 의사가 얻은 65%와 66%의 정확도에 비해 72%의 정확도에 도달했다. CNN은 다시 21명의 피부과 의사들을 제치고 두 종류의 피부암 즉, 암과 흑색종에 대한 치료 계획을 결정했다.
검토 결과, 의료영상 분야에서 AI가 응용되고 있는 분야는 Classification, Localization, 질병의 Detection, 질병의 Segmentation, 합성 영상의 Fit degree 등으로 나타났다. ML 학습을 위한 모델은 전통적인 방식의 특징 추출을 한 후 신경망의 네트워크에 특징 값을 입력하는 방식은 지양되는 것으로 나타났다. 그 대신에 신경망의 은닉층을 여러 개로 하는 DL 방식으로 변화되고 있는 것으로 나타났다.
본 논문에서는 의료영상 분석을 위해 연구된 논문들을 검토하였다. 검토 결과, 의료영상 분야에서 AI가 응용되고 있는 분야는 Classification, Localization, 질병의 Detection, 질병의 Segmentation, 합성 영상의 Fit degree 등으로 나타났다. ML 학습을 위한 모델은 전통적인 방식의 특징 추출을 한 후 신경망의 네트워크에 특징 값을 입력하는 방식은 지양되는 것으로 나타났다.
ML 학습을 위한 모델은 전통적인 방식의 특징 추출을 한 후 신경망의 네트워크에 특징 값을 입력하는 방식은 지양되는 것으로 나타났다. 그 대신에 신경망의 은닉층을 여러 개로 하는 DL 방식으로 변화되고 있는 것으로 나타났다. 그 이유는 컴퓨터의 메모리 량의 증가와 계산속도의 향상, 빅 데이터의 구축 등으로 특징 추출을 DL 과정에서 처리하는 것으로 생각된다.
그 대신에 신경망의 은닉층을 여러 개로 하는 DL 방식으로 변화되고 있는 것으로 나타났다. 그 이유는 컴퓨터의 메모리 량의 증가와 계산속도의 향상, 빅 데이터의 구축 등으로 특징 추출을 DL 과정에서 처리하는 것으로 생각된다. AI를 이용한 의료영상의 분석을 의료에 적용하기 위해서는 의사의 역할이 중요하다.
학습된 기능은 출력 기능 벡터를 구성하는 데 사용되었으며, 그런 다음방사형 기저 함수(RBF) 필터 또는 RF 분류기를 사용하여 양성 또는 악성 기능으로 분류하였다. 그들의 방법은 86%의 정확도로 결절을 분류했고 또한 다른 수준의 노이즈 입력에 대해서도 강력하다는 것을 확인하였다. Li 등은 MRI와 PET 영상 사이에 누락된 영상 데이터를 보간하기 위해 3-D CNN을 사용했다[25].
7632의 곡선 아래 영역(AUC) 점수를 달성했 다. 또한 420개의 영상으로 구성된 테스트 세트에서 CheXNet은 4명의 방사선 전문의의 성능과 일치하거나 향상되었으며 3명의 방사선 전문의로 구성된 패널의 성능도 향상되었다. Shon 등은 CNN을 지원 벡터 머신(SVM) 및 랜덤 포레스트(RF) 분류기와 결합하여 폐 영상 데이터베이스 컨소시엄 (LIDC-IDRI) 데이터 세트의 1010 레이블링된 폐 스캔을 기반으로 폐 결절을 양성 또는 악성으로 CT 영상을 분류했다[24].
CNN은 다시 21명의 피부과 의사들을 제치고 두 종류의 피부암 즉, 암과 흑색종에 대한 치료 계획을 결정했다. 이 작업은 생검으로 입증된 376개의 영상을 포함했으며, CNN은 0.91에서 0.96 사이의 AUC 점수를 달성했다.
전 세계 의료 시스템에서 EHR의 채택으로 AI가 검사, 개발 및 예측하기에 완벽하게 맞는 개인화된데이터 세트의 방대한 저장소가 생성되었다. AI의 하위 영역인 ML 및 DL은 위험 계층화 및 치료 결과 최적화의 의료 문제에 대한 솔루션을 제공하는데 성공했다.

후속연구

이를 통해 확신도가 높은 경우를 제외하고 낮은 경우는 의료진이 개입하는 방식으로 구현할 수 있다. CT 흉부 스캔에서 폐 종양을 발견한 다음, 국소화 및 분할하고 화학 요법이나 수술과 같은 다양한 치료 옵션을 계획할 수 있을 것이다. 분류는 MRI 뇌 스캔에 출혈성 뇌졸중을 나타내는 혈액이 존재하는지 여부를 임상 의사는 확인할 수 있을 것이다.
의사는 AI 알고리즘의 예측을 해석하고 분석할 수 있어야 한다. 이러한 이해를 위해서는 현재 의사를 위한 추가 의학 교육 및 전문성 개발과 의대에 재학 중인 학습자를 위한 개정된 커리큘럼이 필요해 보인다.

참고문헌 (36)

Becker's Health IT. Top 10 Countries for EHR Adoption, 2013. Available online at: https://www.beckershospitalreview.com/healthcare-information-technology/top-10-countries-for-ehr-adoption.html
The Health Institute for E-Health Policy. A Glimpse at EHR Implementation Around the World: The Lessons the US Can Learn, 2014. Available online at: https://www.e-healthpolicy.org/sites/e-healthpolicy.org/files/
S. M. Meystre, G. K. Savova, K. C. Kipper-Schuler, J. F. Hurdle, "Extracting information from textual documents in the electronic health record: a review of recent research", Yearbook of Medical Informatics, Vol. 17, No. 1, pp. 128-172, 2008. http://dx.doi.org/10.1055/s-0038-1638592

상세보기
A. T. Azar, S. M. El-Metwally, "Decision tree classifiers for automated medical diagnosis", Neural Computing and Applications, Vol. 23, No. 2, pp. 2387-2403, 2012. http://dx.doi.org/10.1007/s00521-012-1196-7

상세보기
F. Wang, R. Kaushal, D. Khullar, "Should health care demand interpretable artificial intelligence or accept "black box" medicine?", Annals of Internal Medicine, Vol. 172, pp. 59-60. 2020. http://dx.doi.org/10.7326/M19-2548

상세보기
T. M. Noguerol, F. Paulano-Godino, M. T. Martin-Valdivia, C. O. Menias, A. Luna, "Strengths, Weaknesses, Opportunities, and Threats Analysis of Artificial Intelligence and Machine Learning Applications in Radiology", Journal of The American College of Radiology, Vol. 16, No. 9, pp. 1239-1247, 2019. http://dx.doi.org/10.1016/j.jacr.2019.05.047

상세보기
M. Prosperi, J. S. Min, J. Bian, F. Modave, "Big data hurdles in precision medicine and precision public health", BMC Medical Informatics and Decision Making, Vol. 18, pp. 139, 2018. http://dx.doi.org/10.1186/s12911-018-0719-2

상세보기
Office of the National Coordinator for Health Information Technology. Non-federal Acute Care Hospital Electronic Health Record Adoption, Health IT Quick-Stat #47 2017. Available online at: https://www.healthit.gov/.
https://www.healthmeasures.net/explore-measurement-systems/promis
E. Shenkman, M. Hurt, W. Hogan, O. Carrasquillo, S. Smith, A. Brickman, D. Nelson, "OneFlorida Clinical Research Consortium: Linking a Clinical and Translational Science Institute With a Community-Based Distributive Medical Education Model", Academic Medicine (Ovid), Vol. 93, No. 3, pp. 451-455, 2018. http://dx.doi.org/10.1097/ACM.0000000000002029

상세보기
H. D. Yeo, H. K. Kan, "A Case Study on the Effect of the Artificial Intelligence Storytelling(AI+ST) Learning Method", Journal of The Korean Association of Information Education, Vol. 24, No. 5, pp. 495-509, 2020. http://doi.org/10.14352/jkaie.2020.24.5.495

원문보기 상세보기
S. B. Lee, H. J. Lee, V. R. Singh, "Determining the Degree of Malignancy on Digital Mammograms by Artificial Intelligence Deep Learning", ScholarGen Publishers, Vol. 3, No. 1, pp. 17-32, 2020. https://doi.org/10.31916/SJMI2020-01-03
C. Giordano, M. Brennan, B. Mohamed, P. Rashidi, F. Modave, P. Tighe, "Accessing Artificial Intelligence for Clinical Decision-Making", Frontiers in Digital Health, Vol. 3, pp. 645232, 2021. https://doi.org/10.3389/fdgth.2021.645232

상세보기
Y. H. Lee, K. J. Kim, S. I. Lee, D. J. Kim, "Seq2Seq model-based Prognostics and Health Management of Robot Arm", The Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 12, No. 3, pp. 242-250, 2019. https://doi.org/10.17661/jkiiect.2019.12.3.242

원문보기 상세보기
Christian Leibig, Vaneeda Allken, Murat Seckin Ayhan, Philipp Berens, Siegfried Wahl, "Leveraging Uncertainty Information from Deep Neural Networks for Disease Detection", Scientific Report, Vol. 7, pp. 1-14, 2017. http://dx.doi.org/10.1038/s41598-017-17876-z

상세보기
B. M. Wilamowski, "Neural network architectures and learning", IEEE International Conference on Industrial Technology, Vol. 1, pp. TU1-T12, 2003. https://doi.org/10.1109/ICIT.2003.1290197
A. Alansary, K. Kamnitsas, A. Davidson, R. Khlebnikov, M. Rajchl, C. Malamateniou, M. Rutherford, J. V. Hajnal, B. Glocker, D. Rueckert, B. Kainz,, "Fast Fully Automatic Segmentation of the Human Placenta from Motion Corrupted MRI", International Conference on Medical Image Computing and Computer-Assisted Intervention, Vol. 9901, pp. 589-597, 2016. https://doi.org/10.1007/978-3-319-46723-8_68
S. Albarqouni, C. Baur, F. Achilles, V. Belagiannis, S. Demirci, N. Navab, "AggNet: Deep learning from crowds for mitosis detection in breast cancer histology images", IEEE transactions on medical imagin, Vol. 35, Vol. 5, pp. 1313-1321, 2016. https://doi.org/10.1109/tmi.2016.2528120

상세보기
Xu Chen, Yue Zhao, Chuancai Liu, "Medical image segmentation using scalable functional variational Bayesian neural networks with Gaussian processes", Neurocomputing, Vol. 500, pp. 58-72, 2022. http://dx.doi.org/https://doi.org/10.1016/j.neucom.2022.05.055

상세보기
Y. Anavi, I. Kogan, E. Gelbart, O. Geva, H. Greenspan, "Visualizing and enhancing a deep learning framework using patients age and gender for chest X-ray image retrieval", Medical Imaging, Vol. 9785, pp. 978510, 2016. https://doi.org/10.1117/12.2217587
B. V. Calster, L. Wynants, "Machine Learning in Medicine", The New England Journal of Medicine, Vol. 380, pp. 1347-1358, 2019. https://doi.org/10.1056/nejmc1906060

상세보기
P. Rajpurkar, J. Irvin, K. Zhu, B. Yang, H. Mehta, T. Duan, D. Ding, A. Bagul, C. Langlotz, K. Shpanskaya, M. P. Lungren, A. Y. Ng, "CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning", 2017, https://doi.org/10.48550/arXiv.1711.05225
A. Singha, R. S. Thakur, T. Patel, "Deep Learning Applications in Medical Image Analysis", Biomedical Data Mining for Information Retrieval: Methodologies, Techniques and Applications, pp. 293-350, 2021. https://doi.org/10.1002/9781119711278.ch11
B. E. Shon, S. M. Jeong, "Intelligent Hospital Information System Model for Medical AI Research/Development and Practical Use", Journal of The Korea Convergence Society, Vol. 13, No. 3, pp. 67-75, 2022. http://dx.doi.org/10.15207/JKCS.2022.13.03.067

원문보기 상세보기
https://ko.d2l.ai/chapter_deep-learning-basics/underfit-overfit.html
S. B. Lo, S. A. Lou, J. S. Lin, M. T. Freedman, M. V. Chien, S. K. Mun, "Artificial convolution neural network techniques and applications for lung nodule detection", IEEE Transactions on Medical Imaging, Vol. 14, No. 4, pp. 711-718, 1995. https://doi.org/10.1109/42.476112

상세보기
A. Rajkomar, S. Lingam, A. G. Taylor, M. Blum, J. Mongan, "High-Throughput Classification of Radiographs Using Deep Convolutional Neural Networks", Journal of Digital Imaging, Vol. 30, No. 1, pp. 95-101, 2017. http://dx.doi.org/10.1007/s10278-016-9914-9

상세보기
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich, "Going deeper with convolutions", 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-9, 2015. https://doi.org/10.1109/CVPR.2015.7298594
K. Kuan, M. Ravaut, G. Manek, H. Chen, J. Lin, B. Nazir, C. Chen, Tse C. Howe, Z. Zeng, V. Chandrasekhar, "Deep Learning for Lung Cancer Detection: Tackling the Kaggle Data Science Bowl 2017 Challenge", eprint arXiv:1705.09435, 2017. http://dx.doi.org/10.48550/arXiv.1705.09435
W. Shen, M. Zhou, F. Yang, C. Yang, J. Tian, "Multi-scale Convolutional Neural Networks for Lung Nodule Classification", Information Processing in Medical Imaging, Vol. 24. pp. 588-599, 2015. https://doi.org/10.1007/978-3-319-19992-4_46

상세보기
R. Li, W. Zhang, H. I. Suk, L. Wang, J. Li, D. Shen, S. Ji, "Deep learning based imaging data completion for improved brain disease diagnosis", Medical image computing and computer-assisted intervention, Vol. 17, pp. 305-312, 2014. https://doi.org/10.1007/978-3-319-10443-0_39

상세보기
Ehsan Hosseini-Asl, Mohammed Ghazal, Ali Mahmoud, Ali Aslantas, Ahmed M Shalaby, Manual F Casanova, Gregory N Barnes, Georgy Gimel'farb, Robert Keynton, Ayman El-Baz, "Alzheimer's disease diagnostics by a 3D deeply supervised adaptable convolutional network", Frontiers in Bioscience (Landmark Edition), Vol. 23, No. 2, pp. 584-596, 2018. http://dx.doi.org/10.2741/4606

상세보기
Z. Yan, Y. Zhan, Z. Peng, S. Liao, Y. Shinagawa, D. N. Metaxas, X. S. Zhou, "Bodypart Recognition Using Multi-stage Deep Learning", International Conference on Information Processing in Medical Imaging, Vol. 24. pp. 449-461, 2015. https://doi.org/10.1007/978-3-319-19992-4_35
A. Esteva, B. Kuprel, R. A. Novoa, J. Ko, S. M. Swetter, H. M. Blau, S. Thrun, "Dermatologist-level classification of skin cancer with deep neural networks", Nature, Vol. 542, No. 7639, pp. 115-118, 2017. http://dx.doi.org/10.1038/nature21056

상세보기
H. C. Shin, M. R. Orton, D. J. Collins, S. J. Doran, M. O. Leach, "Stacked Autoencoders for Unsupervised Feature Learning and Multiple Organ Detection in a Pilot Study Using 4D Patient DataPDF", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 35, No. 8, pp. 1930-1943, 2013. https://doi.org/10.1109/TPAMI.2012.277

상세보기
B. A. H. I. Kaggle., "Kaggle Data Science Bowl", 2017.[Online]. Available: https://www.kaggle.com/c/data-science-bowl-2017.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증