[논문]딥러닝 기반 80대·90대·100대 남녀 대상 폐암 진단 후 사망률 예측에 관한 연구

변경근; 이덕규; 이세영

doi:10.17661/jkiiect.2023.16.2.87

딥러닝 기반 80대·90대·100대 남녀 대상 폐암 진단 후 사망률 예측에 관한 연구
A Study on the Prediction of Mortality Rate after Lung Cancer Diagnosis for Men and Women in 80s, 90s, and 100s Based on Deep Learning 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.16 no.2, 2023년, pp.87 - 96

변경근 (IT Policy and Management, Soongsil University) , 이덕규 (IT Policy and Management, Soongsil University) , 이세영 (IT Policy and Management, Soongsil University)

초록
AI-Helper

최근 의학계에서도 딥러닝 기술을 이용한 질병의 치료결과 예측 연구가 활발하다. 그러나, 소규모 환자 데이터와 특정한 딥러닝 알고리즘을 선택·활용, 연구를 진행하여 특정 조건 아래에서 의미 있는 결과를 보여주었다. 본 연구에서는 연구 결과의 일반화를 위하여 환자 대상을 좀 더 확대·세분화하여 80대·90대·100대 남녀 대상으로 폐암 진단 후 사망률 예측 연구 결과를 도출하였다. 건강보험심사평가원의 대규모 진료 정보와 다종의 딥러닝 알고리즘을 제공하는 AutoML을 이용, 80대·90대·100대 남녀의 폐암 진단 후 84개월간의 사망률 예측을 위해 Decision Tree, Random Forest, Gradient Boosting, XGBoost, Logistic Regression 등 5개 알고리즘별 모델을 생성하고 이를 통해 예측 성능을 비교하고 사망률에 영향을 미치는 요인에 대한 분석도 추진하였다. 연구 결과, 80대와 90대에서 남성이 여성보다 사망 예측률이 더 높았으며 100대에서는 여성의 사망 예측률이 남성보다 높게 나타났다. 그리고 사망률에 가장 큰 영향을 미치는 요인으로는 치료기간으로 분석되었다.

Abstract ▼ AI-Helper

Recently, research on predicting the treatment results of diseases using deep learning technology is also active in the medical community. However, small patient data and specific deep learning algorithms were selected and utilized, and research was conducted to show meaningful results under specific conditions. In this study, in order to generalize the research results, patients were further expanded and subdivided to derive the results of a study predicting mortality after lung cancer diagnosis for men and women in their 80s, 90s, and 100s. Using AutoML, which provides large-scale medical information and various deep learning algorithms from the Health Insurance Review and Assessment Service, five algorithms such as Decision Tree, Random Forest, Gradient Boosting, XGBoost, and Logistic Registration were created to predict mortality rates for 84 months after lung cancer diagnosis. As a result of the study, men in their 80s and 90s had a higher mortality prediction rate than women, and women in their 100s had a higher mortality prediction rate than men. And the factor that has the greatest influence on the mortality rate was analyzed as the treatment period.

주제어

표/그림 (33)

그림 그림 1. 연령별 사망자 수 구성비 Fig. 1. Composition ratio of death toll by age (Source: Statistics Korea)
그림 그림 2. 사망원인 순위 추이 Fig. 2. Changes in the ranking of causes of death (Source: Statistics Korea)
그림 그림 3. 2021년 암종별 사망자수 Fig. 3. Death toll by cancer species in 2021 (Source: National Cancer Information Center)
그림 그림 4. 연구모형 Fig. 4. Research model
표 표 1. 환자정보 데이터 구조 Table 1. Patient information data structure
표 표 2. 주병상 코드 설명 Table 2. Description of the main lesion code
그림 표 4. 성능평가 지표 Table 4. Performance evaluation index
그림 그림 5. 치료 결과 비율 Fig. 5. Treatment outcome ratio
그림 그림 7. 나이 비율 Fig. 7. The ratio of age
표 표 3. 5개 알고리즘 및 입력 파라미터 값 Table 3. 5 Algorithm and Input Parameter Values
그림 그림 6. 성비 Fig. 6. Gender ratio
그림 그림 8. 주병상 비율Fig. 8. Proportion of main lesion
그림 그림 9. 수술·비수술 비율 Fig. 9. Surgeryl/Non-surgery ratio
그림 그리 10. 치료기간 비율 Fig. 10. Treatment period ratio
그림 그림 11. 80대 남성 사망률 예측 결과 Fig. 11. The prediction results of mortality rate for men in 80s
표 표 6. 80대 남성 사망률 예측 결과 Table 6. The prediction results of mortality rate for men in 80s
표 표 7. 80대 남성 사망률에 영향을 미치는 요인 분석 결과 Table 7. Analysis of factors affecting mortality rate in men in 80s
그림 그림 12. 80대 여성 사망률 예측 결과 Fig. 12. The prediction results of mortality rate for women in 80s
그림 그림 13. 90대 남성 사망률 예측 결과 Fig. 13. The prediction results of mortality rate for men in 90s
표 표 8. 80대 여성 사망률 예측 결과 Table 8. The prediction results of mortality rate for women in 80s
표 표 9. 80대 여성 사망률에 영향을 미치는 요인 분석 결과 Table 9. Analysis of factors affecting mortality rate in women in 80s
표 표 10. 90대 남성 사망률 예측 결과 Table 10. The prediction results of mortality rate for men in 90s
그림 그림 15. 100대 남성 사망률 예측 결과 Fig. 15. The prediction results of mortality rate for men in 100s
그림 그림 14. 90대 여성 사망률 예측 결과 Fig. 14. The prediction results of mortality rate for women in 90s
표 표 11. 90대 남성 사망률에 영향을 미치는 요인 분석 결과 Table 11. Analysis of factors affecting mortality rate in men in 90s
표 표 12. 90대 여성 사망률 예측 결과 Table 12. The prediction results of mortality rate for women in 90s
표 표 13. 90대 여성 사망률에 영향을 미치는 요인 분석 Table 13. Analysis of factors affecting mortality rate in women in 90s
표 표 14. 100대 남성 사망률 예측 결과 Table 14. The prediction results of mortality rate for men in 100s
그림 그림 16. 100대 여성 사망률 예측 결과 Fig. 16. The prediction results of mortality rate for women in 100s
표 표 15. 100대 남성 사망률에 영향을 미치는 요인 분석 Table 15. Analysis of factors affecting mortality rate in men in 100s
표 표 16. 100대 여성 사망률 예측 결과 Table 16. The prediction results of mortality rate for women in 100s
표 표 17. 100대 영성 사망률에 영향을 미치는 요인 분석 Table 17. Analysis of factors affecting mortality rate in women in 100s
표 표 18. 80대·90대·100대 남녀 사망률 평균 예측 결과 Table 18. Results of predicting the average mortality rate of men and women in 80s, 90s, and 100s

참고문헌 (13)

K. K. Byun, D. G. Lee, and Y. T. Shin, "A？Study on the Prediction of Mortality Rate？after Lung Cancer Diagnosis for the Elderly？in their 80s and 90s Based on Deep？Learning," Annual Spring Conference of？KIPS, 29.1, pp. 452-455, 2022.
2021 Cause of Death Statistics, National？Statistical Office, 2022.
Major Cancer Mortality, National Cancer？Information Center, 2022.
Alshmrani, Goram Mufarah M., et al. "A？deep learning architecture for multi-class？lung diseases classification using chest？X-ray (CXR) images." Alexandria Engineering？Journal pp. 923-935, Nol. 64, 2023.
Bhattacharya, Debdatta, et al. "Classification？of Healthy and Diseased Lungs by？Pneumonia Using X-Rays and Gene？Sequencing With Deep Learning？Approaches." Smart Technologies in Data？Science and Communication. Springer,？Singapore, pp. 189-196, 2023.
Cheng, Nitao, et al. "Inferring？cell-type-specific genes of lung cancer based on deep learning." Current Gene？Therapy pp. 439-448, Vol. 22, No.5, 2022.

상세보기
Jin-ah Sim., Young Ae Kim., Ju Han Kim.,？Jong Mog Lee., Moon Soo Kim., Young Mog？Shim., Jae Ill Zo., Young Ho Yun., The？major effects of health-related quality of？life on 5-year survival prediction among？lung cancer survivors: applications of？machine learning, Scientific Reports, Vol？10, No. 10693, 2020.
Sehwa Moon, Janghwan Choi, Prediction of recurrence of lung cancer using deep？learning-based circulatory tumor cells, The？2020 Spring Conference of the Korean？Mechanical Society, pp 54-54, Aug. 2020.
Nicolas Coudray., Paolo Santiago Ocampo.,？Theodore Sakellaropoulos., Navneet Narula.,？Matija Snuderl., David Fenyo., Andre L？Moreira., Narges Razavian., Aristotelis？Tsirigos., Hyperparameter Tuning and？Pipeline Optimization via Grid Search？Method and Tree-Based AutoML in Breast？Cancer Prediction, Nat Med, pp 1559-1567,？Vol. 24, No. 10, Oct. 2018.
Ahmed S Sultan., Mohamed A Elgharib.,？Tiffany Tavares., Maryam Jessri., John R？Basile., The use of artificial intelligence,？machine learning and deep learning in？oncologic histopathology, Journal Oral？Pathol Med. 2020 Oct;49(9):849-856.
Shigao Huang., Jie Yang., Simon Fong., Qi？Zhao., Artificial intelligence in cancer diagnosis and prognosis: Opportunities and？challenges, Cancer Lett, pp. 61-71, Vol. 28,？No. 471, Feb. 2020.
Jieun Kil., Kwang Gi Kim., Young Jae？Kim., Hye Ryoung Koo., Jeong Seon Park.,？Deep Learning in Thyroid Ultrasonography？to Predict Tumor Recurrence in Thyroid？Cancers, Journal Korean Soc Radiol, pp.？1164-1174, Vol. 81, No. 5, 2020.
Ahmed Hosny., Chintan Parmar., Thibaud？P Coroller., Patrick Grossmann., Roman？Zeleznik., Avnish Kumar., Johan Bussink.,？Robert J Gillies., Raymond H Mak., Hugo J？W L Aerts., Deep learning for lung cancer prognostication: A retrospective？multi-cohort radiomics study, PLoS Med.？e1002711, Vol. 30, No.15, Nov. 2018.

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