知財求人 - 知財ポータルサイト「IP Force」
特表2024-533534説明可能な人工知能に基づく医療データの解釈方法、プログラム及び装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-09-12
(54)【発明の名称】説明可能な人工知能に基づく医療データの解釈方法、プログラム及び装置
(51)【国際特許分類】
G16H 50/20 20180101AFI20240905BHJP
G06N 5/045 20230101ALI20240905BHJP
G06N 3/045 20230101ALI20240905BHJP
【ＦＩ】
G16H50/20
G06N5/045
G06N3/045
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2024516646
(86)(22)【出願日】2022-09-21
(85)【翻訳文提出日】2024-03-14
(86)【国際出願番号】 KR2022014131
(87)【国際公開番号】W WO2023048470
(87)【国際公開日】2023-03-30
(31)【優先権主張番号】10-2021-0126786
(32)【優先日】2021-09-25
(33)【優先権主張国・地域又は機関】KR
(31)【優先権主張番号】10-2022-0118351
(32)【優先日】2022-09-20
(33)【優先権主張国・地域又は機関】KR
(81)【指定国・地域】
(71)【出願人】
【識別番号】523010225
【氏名又は名称】メディカル・エーアイ・カンパニー・リミテッド
【氏名又は名称原語表記】Ｍｅｄｉｃａｌ ＡＩ Ｃｏ．， Ｌｔｄ．
【住所又は居所原語表記】１６３， Ｙａｎｇｊａｅｃｈｅｏｎ－ｒｏ Ｇａｎｇｎａｍ－ｇｕ Ｓｅｏｕｌ ０６３０２ Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ
(74)【代理人】
【識別番号】110002789
【氏名又は名称】弁理士法人ＩＰＸ
(72)【発明者】
【氏名】クォン・ジュン・ミョン
(72)【発明者】
【氏名】チャン・ジョンファン
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA04
(57)【要約】
本開示の一実施例によって、コンピューティング装置によって実行される、説明可能な人工知能に基づく医療データの解釈方法、プログラム及び装置が開示される。前記方法は、第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させる段階と、前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる段階と、を含むことができる。
【選択図】 図３
【選択図】 図３
【特許請求の範囲】
【請求項1】
少なくとも一つのプロセッサ（ｐｒｏｃｅｓｓｏｒ）を含むコンピューティング装置によって実行される、説明可能な人工知能に基づく医療データの解釈方法であって、第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させる段階と、
前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる段階と、
を含む、方法。
【請求項2】
前記第２神経回路網モデルは、前記疾患の陽性又は陰性が前記第２医療データと反対に推定されるように前記第２医療データの特徴を変換することによって第３医療データを生成する第１サブ神経回路網モデルと、
前記疾患の陽性又は陰性が前記第２医療データと同じに推定されるように前記第３医療データの特徴を変換することによって第４医療データを生成する第２サブ神経回路網モデルと、
を含む、請求項１に記載の方法。
【請求項3】
前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる段階は、前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された第１神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階と、
前記特徴の変換された第２医療データ、又は前記特徴の変換された第２医療データに対する陽性又は陰性の推定結果のうちの少なくとも一つを入力変数とする損失関数に基づいて前記第２神経回路網モデルを学習させる段階と、
を含む、請求項１に記載の方法。
【請求項4】
前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階は、前記第２神経回路網モデルに含まれた第１サブ神経回路網モデルに基づいて、陰性と推定される第２医療データの特徴を変換することにより、前記第２医療データと反対の陽性と推定される第３医療データを生成する段階と、
前記第２神経回路網モデルに含まれた第２サブ神経回路網モデルに基づいて、前記第３医療データの特徴を変換することにより、前記陰性と推定される第２医療データに対応する第４医療データを生成する段階と、
を含む、請求項３に記載の方法。
【請求項5】
前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階は、前記学習された第１神経回路網モデルに前記第３医療データを入力し、前記第３医療データに対する前記疾患の陽性又は陰性を推定した結果を示す予測データを生成する段階と、
をさらに含む、請求項４に記載の方法。
【請求項6】
前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階は、前記第２サブ神経回路網モデルに前記陰性と推定される第２医療データを入力して、前記陰性と推定される第２医療データに対応する第５医療データを生成する段階、
をさらに含む、請求項５に記載の方法。
【請求項7】
前記損失関数は、前記第１サブ神経回路網モデルが前記疾患の陰性に相当する入力の特徴を変換して、前記疾患の陽性に相当する出力を生成するかを評価するための第１損失関数と、
前記第２サブ神経回路網モデルが前記第１サブ神経回路網モデルの出力の特徴を変換して、前記第１サブ神経回路網モデルの入力を復元するかを評価するための第２損失関数と、
前記第２サブ神経回路網モデルが前記第１サブ神経回路網モデルの入力に基づいて前記第１サブ神経回路網モデルの入力と同じ出力を生成するかを評価するための第３損失関数と、
を含む、請求項６に記載の方法。
【請求項8】
前記特徴の変換された第２医療データ、又は前記特徴の変換された第２医療データに対する陽性又は陰性の推定結果のうちの少なくとも一つを入力変数とする損失関数に基づいて前記第２神経回路網モデルを学習させる段階は、前記第４医療データ、前記第５医療データ、又は前記予測データのうちの少なくとも一つを入力変数とする損失関数に基づいて前記第１サブ神経回路網モデル及び前記第２サブ神経回路網モデルを学習させる段階、
を含む、請求項６に記載の方法。
【請求項9】
前記第４医療データ、前記第５医療データ、又は前記予測データのうちの少なくとも一つを入力変数とする損失関数に基づいて前記第１サブ神経回路網モデル及び前記第２サブ神経回路網モデルを学習させる段階は、前記予測データを入力変数とする第１損失関数を演算し、前記第１損失関数の演算結果である第１損失が減少するように前記第１サブ神経回路網モデルを学習させる段階と、
前記第４医療データを入力変数とする第２損失関数を演算し、前記第２損失関数の演算結果である第２損失が減少するように、前記第１サブ神経回路網モデル、又は前記第２サブ神経回路網モデルのうちの少なくとも一つを学習させる段階と、
前記第５医療データを入力変数とする第３損失関数を演算し、前記第３損失関数の演算結果である第３損失が減少するように前記第２サブ神経回路網モデルを学習させる段階と、
を含む、請求項８に記載の方法。
【請求項10】
前記第１医療データ及び前記第２医療データは、心電図データを含み、前記疾患は、高カリウム血症（ｈｙｐｅｒｋａｌｅｍｉａ）を含む、請求項１に記載の方法。
【請求項11】
前記第２医療データの特徴は、前記高カリウム血症が陰性である心電図データと前記高カリウム血症が陽性である心電図データとの間の形態学的（ｍｏｒｐｈｏｌｏｇｉｃａｌ）差に基づく、請求項１０に記載の方法。
【請求項12】
少なくとも一つのプロセッサを含むコンピューティング装置によって実行される、説明可能な人工知能に基づく医療データの解釈方法であって、心電図データを含む医療データを獲得する段階と、
第２神経回路網モデルに基づいて前記医療データの特徴を変換することにより、第１神経回路網モデルによって疾患の陽性又は陰性が前記医療データと反対に推定される出力データを生成する段階と、
を含み、
前記第２神経回路網モデルは、医療データに対する疾患の陽性又は陰性を推定するように学習された第１神経回路網モデルを用いて事前に学習されたものである、方法。
【請求項13】
前記医療データと前記出力データとを視覚的に比較するための使用者インターフェースを生成する段階、をさらに含む、請求項１２に記載の方法。
【請求項14】
コンピュータ可読の保存媒体に保存されたコンピュータプログラム（ｐｒｏｇｒａｍ）であって、前記コンピュータプログラムは、一つ以上のプロセッサ（ｐｒｏｃｅｓｓｏｒ）によって実行される場合、説明可能な人工知能に基づく医療データの解釈のための動作を実行させ、
前記動作は、
第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させる動作と、
前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる動作と、
を含む、コンピュータプログラム。
【請求項15】
説明可能な人工知能に基づく医療データの解釈のためのコンピューティング装置であって、少なくとも一つのコア（ｃｏｒｅ）を含むプロセッサ（ｐｒｏｃｅｓｓｏｒ）と、
前記プロセッサで実行可能なプログラムコード（ｃｏｄｅ）を含むメモリ（ｍｅｍｏｒｙ）と、
医療データを獲得するためのネットワーク部（ｎｅｔｗｏｒｋ ｕｎｉｔ）と、
を含み、
前記プロセッサは、
第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させ、
前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる、装置。
【発明の詳細な説明】
【技術分野】
【0001】
本開示の内容は医療分野のディープラーニング技術に関し、具体的には疾患探知に使用されるディープラーニングモデルの意思決定過程を解釈し、解釈結果に基づいて医療データと疾患との間の相関関係を説明する方法に関する。
【0002】
【背景技術】
【0003】
人工知能の最大の限界は、正確な意思決定過程、すなわちブラックボックスの限界を明らかにすることができないという点である。すなわち、我々は人工知能の誤判断に関連した過程及び理由が分からない。このような限界はエラーのモニタリング及び感知を妨げるので、医療分野で致命的であるしかない。このような限界を克服するために、現在、多くの研究が行われている。
【0004】
例えば、従来の研究の中で一つは、疾患を感知するのに重要なデータ領域を表示するために、感度マップ（ｓｅｎｓｉｔｉｖｉｔｙ ｍａｐ）を使用する。しかしながら、感度マップは重要であると判断される領域のみを表示し、当該領域のどの特徴が疾患に関連しているかを説明することはできないという欠点がある。従来の研究の中で他の一つは、疾患のそれぞれの特徴を説明するモジュールを統合して疾患を感知するアンサンブル技法を使用する。当該研究は疾患を感知するための決定にどの特徴が関与したかを説明することができる。しかしながら、当該研究はモジュールとして予め決定された特徴のみを使用するので、実質的に人工知能がどの意思決定を実行するかは分からない限界が存在する。
【0005】
【発明の概要】
【発明が解決しようとする課題】
【0006】
本開示は前述した背景技術に対応して案出されたものであり、疾患探知のためのディープラーニングモデルの判断及び決定の理由を説明することができ、このような説明に基づいて医療データのどの特徴が疾患に関連するかを解釈することができる方法を提供することを目的とする。
【0007】
ただし、本開示で解決しようとする課題は以上で言及した課題に限定されず、言及しなかった他の課題は下の記載から明らかに理解可能であろう。
【0008】
【課題を解決するための手段】
【0009】
前述したような課題を実現するための本開示の一実施例によって、コンピューティング装置によって実行される、説明可能な人工知能に基づく医療データの解釈方法が開示される。前記方法は、第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させる段階と、前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる段階と、を含むことができる。
【0010】
代案として、前記第２神経回路網モデルは、前記疾患の陽性又は陰性が前記第２医療データと反対に推定されるように前記第２医療データの特徴を変換することによって第３医療データを生成する第１サブ神経回路網モデルと、前記疾患の陽性又は陰性が前記第２医療データと同じに推定されるように前記第３医療データの特徴を変換することによって第４医療データを生成する第２サブ神経回路網モデルと、を含むことができる。
【0011】
代案として、前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる段階は、前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された第１神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階と、前記特徴の変換された第２医療データ、又は前記特徴の変換された第２医療データに対する陽性又は陰性の推定結果のうちの少なくとも一つを入力変数とする損失関数に基づいて前記第２神経回路網モデルを学習させる段階と、を含むことができる。
【0012】
代案として、前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階は、前記第２神経回路網モデルに含まれた第１サブ神経回路網モデルに基づいて、陰性と推定される第２医療データの特徴を変換することにより、前記第２医療データと反対の陽性と推定される第３医療データを生成する段階と、前記第２神経回路網モデルに含まれた第２サブ神経回路網モデルに基づいて、前記第３医療データの特徴を変換することにより、前記陰性と推定される第２医療データに対応する第４医療データを生成する段階と、を含むことができる。
【0013】
代案として、前記第２神経回路網モデルを用いて前記第２医療データの特徴を変換し、前記学習された神経回路網モデルを用いて前記特徴の変換された第２医療データに対する陽性又は陰性を推定する段階は、前記第２サブ神経回路網モデルに前記陰性と推定される第２医療データを入力して、前記陰性と推定される第２医療データに対応する第５医療データを生成する段階と、前記学習された第１神経回路網モデルに前記第３医療データを入力して、前記第３医療データに対する前記疾患の陽性又は陰性を推定した結果を示す予測データを生成する段階と、をさらに含むことができる。
【0014】
代案として、前記損失関数は、前記第１サブ神経回路網モデルが前記疾患の陰性に相当する入力の特徴を変換して、前記疾患の陽性に相当する出力を生成するかを評価するための第１損失関数と、前記第２サブ神経回路網モデルが前記第１サブ神経回路網モデルの出力の特徴を変換して、前記第１サブ神経回路網モデルの入力を復元するかを評価するための第２損失関数と、前記第２サブ神経回路網モデルが前記第１サブ神経回路網モデルの入力に基づいて前記第１サブ神経回路網モデルの入力と同じ出力を生成するかを評価するための第３損失関数と、を含むことができる。
【0015】
代案として、前記特徴の変換された第２医療データ、又は前記特徴の変換された第２医療データに対する陽性又は陰性の推定結果のうちの少なくとも一つを入力変数とする損失関数に基づいて前記第２神経回路網モデルを学習させる段階は、前記第４医療データ、前記第５医療データ、又は前記予測データのうちの少なくとも一つを入力変数とする損失関数に基づいて前記第１サブ神経回路網モデル及び前記第２サブ神経回路網モデルを学習させる段階、を含むことができる。
【0016】
代案として、前記第４医療データ、前記第５医療データ、又は前記予測データのうちの少なくとも一つを入力変数とする損失関数に基づいて前記第１サブ神経回路網モデル及び前記第２サブ神経回路網モデルを学習させる段階は、前記予測データを入力変数とする第１損失関数を演算し、前記第１損失関数の演算結果である第１損失が減少するように前記第１サブ神経回路網モデルを学習させる段階と、前記第４医療データを入力変数とする第２損失関数を演算し、前記第２損失関数の演算結果である第２損失が減少するように、前記第１サブ神経回路網モデル、又は前記第２サブ神経回路網モデルのうちの少なくとも一つを学習させる段階と、前記第５医療データを入力変数とする第３損失関数を演算し、前記第３損失関数の演算結果である第３損失が減少するように前記第２サブ神経回路網モデルを学習させる段階と、を含むことができる。
【0017】
代案として、前記第１医療データ及び前記第２医療データは、心電図データを含むことができる。そして、前記疾患は、高カリウム血症（ｈｙｐｅｒｋａｌｅｍｉａ）を含むことができる。
【0018】
代案として、前記第２医療データの特徴は、前記高カリウム血症が陰性である心電図データと前記高カリウム血症が陽性である心電図データとの間の形態学的（ｍｏｒｐｈｏｌｏｇｉｃａｌ）差に基づき得る。
【0019】
一方、前述したような課題を実現するための本開示の代案的実施例によって、コンピューティング装置によって実行される、説明可能な人工知能に基づく医療データの解釈方法が開示される。前記方法は、心電図データを含む医療データを獲得する段階と、第２神経回路網モデルに基づいて前記医療データの特徴を変換することにより、第１神経回路網モデルによって疾患の陽性又は陰性が前記医療データと反対に推定される出力データを生成する段階と、を含むことができる。ここで、前記第２神経回路網モデルは、医療データに対する疾患の陽性又は陰性を推定するように学習された第１神経回路網モデルを用いて事前に学習されたものであり得る。
【0020】
代案として、前記方法は、前記医療データと前記出力データとを視覚的に比較するための使用者インターフェースを生成する段階、をさらに含むことができる。
【0021】
前述したような課題を実現するための本開示の一実施例によって、コンピュータ可読の保存媒体に保存されたコンピュータプログラム（ｐｒｏｇｒａｍ）が開示される。前記コンピュータプログラムは、一つ以上のプロセッサ（ｐｒｏｃｅｓｓｏｒ）によって実行される場合、説明可能な人工知能に基づく医療データの解釈のための動作を実行させる。ここで、前記動作は、第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させる動作と、前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させる動作と、を含むことができる。
【0022】
前述したような課題を実現するための本開示の一実施例によって、説明可能な人工知能に基づく医療データの解釈のためのコンピューティング装置が開示される。前記装置は、少なくとも一つのコア（ｃｏｒｅ）を含むプロセッサ（ｐｒｏｃｅｓｓｏｒ）と、前記プロセッサで実行可能なプログラムコード（ｃｏｄｅ）を含むメモリ（ｍｅｍｏｒｙ）と、医療データを獲得するためのネットワーク部（ｎｅｔｗｏｒｋ ｕｎｉｔ）と、を含むことができる。ここで、前記プロセッサは、第１医療データに基づいて、前記第１医療データに対する疾患の陽性又は陰性を推定するように第１神経回路網モデルを学習させ、前記学習された第１神経回路網モデルを用いて、第２医療データに対する前記疾患の陽性又は陰性が反対に推定されるように前記第２医療データの特徴を変換する第２神経回路網モデルを学習させることができる。
【0023】
【発明の効果】
【0024】
本開示は疾患探知のためのディープラーニングモデルの判断及び決定の理由を説明することができ、このような説明によって医療データのどの特徴が疾患に関連するかを解釈することができる方法を提供することができる。
【0025】
【図面の簡単な説明】
【0026】
【図1】本開示の一実施例によるコンピューティング装置のブロック図である。
【0027】
【図2】本開示の一実施例による第１神経回路網モデルを用いた疾患の陽性又は陰性の分類過程を示すブロック図である。
【0028】
【図3】本開示の一実施例による第２神経回路網モデルを用いた医療データの解釈過程を示すブロック図である。
【0029】
【図4】本開示の一実施例によって学習された第２神経回路網モデルのシミュレーション（ｓｉｍｕｌａｔｉｏｎ）結果を示すグラフである。
【0030】
【図5】本開示の一実施例による神経回路網モデルの学習方法を示すフローチャートである。
【0031】
【図6】本開示の一実施例による神経回路網モデルを使用した医療データの解釈方法を示すフローチャートである。
【0032】
【発明を実施するための形態】
【0033】
以下では、添付図面を参照して本開示の技術分野で通常の知識を有する者（以下、当業者という）が容易に実施することができるように本開示の実施例を詳細に説明する。本開示で提示する実施例は当業者が本開示の内容を用いるか又は実施することができるように提供する。よって、本開示の実施例に対する多様な変形は当業者に明らかであろう。すなわち、本開示は様々な相異なる形態に具現可能であり、以下の実施例に限定されない。
【0034】
本開示の明細書全般にわたって同一又は類似の図面符号は同一又は類似の構成要素を指す。また、本開示を明確に説明するために、本開示についての説明に関係ない部分の図面符号は図面から省略することができる。
【0035】
本開示で使用する「又は」という用語は排他的「又は」ではなく、内包的「又は」を意味しようとする。すなわち、本開示で、他に特定しないか又は文脈上でその意味が明確ではない場合、「ＸはＡ又はＢを用いる」は自然的な内包的置換のうちの一つを意味するものと理解しなければならない。例えば、本開示で、他に特定しないか又は文脈上でその意味が明確ではない場合、「ＸはＡ又はＢを用いる」はＸがＡを用いるか、ＸがＢを用いるか、又はＸがＡ及びＢの両者を用いる場合のうちのいずれか一つと解釈することができる。
【0036】
本開示で使用する「及び／又は」という用語は、列挙する関連の概念のうちの一つ以上の概念の可能なすべての組合せを示しながら含むものと理解しなければならない。
【0037】
本開示で使用する「含む」及び／又は「含んでいる」という用語は、特定の特徴及び／又は構成要素が存在することを意味するものと理解しなければならない。ただし、「含む」及び／又は「含む」という用語は、一つ以上の他の特徴、他の構成要素及び／又はこれらの組合せの存在又は追加を排除しないものと理解しなければならない。
【0038】
本開示で、他に特定しないか又は単数の形態を示すものとして、文脈上明確ではない場合、単数は一般的に「一つ又はそれ以上」を含むことができるものと解釈しなければならない。
【0039】
本開示で使用する「第Ｎ（Ｎは自然数）」という用語は、本開示の構成要素を機能的観点、構造的観点、又は説明の便宜性などの所定の基準によって互いに区別するために使用する表現と理解することができる。例えば、本開示で、互いに異なる機能的役割を行う構成要素は第１構成要素又は第２構成要素に区別することができる。ただし、本開示の技術的思想内で実質的に同一であるが、説明の便宜のために区分しなければならない構成要素も第１構成要素又は第２構成要素に区別することもできる。
【0040】
本開示で使用する「獲得」という用語は、外部装置又はシステムに対して有無線通信ネットワークを介してデータを受信することだけでなく、オンデバイス（ｏｎ－ｄｅｖｉｃｅ）形態としてデータを生成することを意味するものと理解することができる。
【0041】
一方、本開示で使用する用語「モジュール（ｍｏｄｕｌｅ）」、又は「部（ｕｎｉｔ）」は、コンピュータ関連エンティティー（ｅｎｔｉｔｙ）、ファームウエア（ｆｉｒｍｗａｒｅ）、ソフトウェア（ｓｏｆｔｗａｒｅ）又はその一部、ハードウェア（ｈａｒｄｗａｒｅ）又はその一部、ソフトウェア及びハードウェアの組合せなどのようにコンピューティング資源を処理する独立的な機能単位を示す用語と理解することができる。ここで、「モジュール」、又は「部」は単一の要素で構成された単位であることもあり、複数の要素の組合せ又は集合と表現される単位であることもある。例えば、協議の概念として「モジュール」、又は「部」はコンピューティング装置のハードウェア要素又はその集合、ソフトウェアの特定の機能を果たす応用プログラム、ソフトウェアの実行によって具現される処理過程（ｐｒｏｃｅｄｕｒｅ）、又はプログラムの実行のための命令語の集合などを示すことができる。また、広義の概念として「モジュール」、又は「部」はシステムを構成するコンピューティング装置自体、又はコンピューティング装置で実行されるアプリケーションなどを示すことがある。ただし、上述した概念は一例示に過ぎないので、「モジュール」、又は「部」の概念は本開示の内容に基づいて当業者が理解可能な範疇内で多様に定義可能である。
【0042】
本開示で使用する「モデル（ｍｏｄｅｌ）」という用語は、特定の問題を解決するために、数学的概念及び言語を使用して具現するシステム、特定の問題を解決するためのソフトウェア単位の集合、又は特定の問題を解決するための処理過程に対する抽象画模型と理解することができる。例えば、神経回路網（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）「モデル」は学習によって問題解決能力を有する神経回路網として具現されるシステム全般を示すことができる。ここで、神経回路網は、ノード（ｎｏｄｅ）又はニューロン（ｎｅｕｒｏｎ）を連結するパラメーター（ｐａｒａｍｅｔｅｒ）を学習によって最適化して問題解決能力を有することができる。神経回路網「モデル」は単一の神経回路網を含むこともでき、複数の神経回路網が組み合わせられた神経回路網集合を含むこともできる。
【0043】
本開示で使用する「ブロック（ｂｌｏｃｋ）」という用語は、種類、機能などのような多様な基準によって区分された構成の集合と理解することができる。よって、一つの「ブロック」に分類される構成は基準によって多様に変更可能である。例えば、神経回路網「ブロック」は少なくとも一つの神経回路網を含む神経回路網集合と理解することができる。ここで、神経回路網「ブロック」に含まれた神経回路網は、分類基準となる共通の目的を達成するために一定の演算を実行するものと仮定することができる。
【0044】
前述した用語の説明は本開示の理解を手伝うためのものである。したがって、前述した用語を本開示の内容を限定する事項として明示的に記載しない場合、本開示の内容を技術的思想を限定する意味として使用するものではではないことに気を付けなければならない。
【0045】
図１は本開示の一実施例によるコンピューティング装置のブロック構成図である。
【0046】
本開示の一実施例によるコンピューティング装置１００はデータの総合的な処理及び演算を行うハードウェア装置又はハードウェア装置の一部でもあり、通信ネットワークを介して連結されるソフトウェアに基づくコンピューティング環境でもあり得る。例えば、コンピューティング装置１００は集約的データ処理の機能を行い、資源を共有する主体であるサーバーでもあり、サーバーとの相互作用によって資源を共有するクライアント（ｃｌｉｅｎｔ）でもあり得る。また、コンピューティング装置１００は、複数のサーバー及びクライアントが互いに作用してデータを総合的に処理するクラウドシステム（ｃｌｏｕｄ ｓｙｓｔｅｍ）でもあり得る。上述した記載はコンピューティング装置１００の種類に関連した一例示に過ぎないので、コンピューティング装置１００の種類は本開示の内容に基づいて当業者が理解可能な範疇内で多様に構成可能である。
【0047】
図１を参照すると、本開示の一実施例によるコンピューティング装置１００はプロセッサ（ｐｒｏｃｅｓｓｏｒ）１１０と、メモリ（ｍｅｍｏｒｙ）１２０と、ネットワーク部（ｎｅｔｗｏｒｋ ｕｎｉｔ）１３０と、を含むことができる。ただし、図１は一例示に過ぎないので、コンピューティング装置１００は、コンピュータ環境を具現するための他の構成を含むことができる。また、前記開示した構成のうちの一部のみをコンピューティング装置１００に含むこともできる。
【0048】
本開示の一実施例によるプロセッサ１１０はコンピューティング演算を実行するためのハードウェア及び／又はソフトウェアを含む構成単位と理解することができる。例えば、プロセッサ１１０は、コンピュータプログラムを読み取って機械学習のためのデータ処理を実行することができる。プロセッサ１１０は、機械学習のための入力データの処理、機械学習のための特徴抽出、逆伝搬（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）に基づく誤差計算などのような演算過程を処理することができる。このようなデータ処理を実行するためのプロセッサ１１０は、中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、汎用グラフィック処理装置（ＧＰＧＰＵ：ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、テンソル処理装置（ＴＰＵ：ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、又はフィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などを含むことができる。上述したプロセッサ１１０の種類は一例示に過ぎないので、プロセッサ１１０の種類は本開示の内容に基づいて当業者が理解可能な範疇内で多様に構成可能である。
【0049】
プロセッサ１１０は、医療データに基づいて、疾患探知のための人工知能の判断及び意思決定過程の解釈に使用されるディープラーニングモデルに対する学習を実行することができる。プロセッサ１１０は、特定の疾患の発病に医療データのどの特徴が影響を及ぼすかに対する人工知能の判断の根拠を提供するように、医療データに基づいてディープラーニングモデルを学習させることができる。例えば、プロセッサ１１０は、ディープラーニングモデルに医療データを入力して、疾患の発病有無（すなわち、陽性又は陰性であるか）が反対に予測されるように、医療データを変換（ｔｒａｎｓｆｏｒｍａｔｉｏｎ）することができる。医療データが疾患の発病したヒト（すなわち、陽性のヒト）の医療データの場合、プロセッサ１１０は、ディープラーニングモデルを使用して、入力された医療データを疾患の発病しなかったヒト（すなわち、陰性のヒト）の医療データと予測されるように変換することができる。医療データが疾患の発病しなかったヒトの医療データの場合、プロセッサ１１０は、ディープラーニングモデルを使用して、入力された医療データを疾患の発病したヒトの医療データと予測されるように変換することができる。このような変換によって生成されたデータは、疾患の発病有無を基準に、入力と反対の特徴を示すことができる。プロセッサ１１０は、ディープラーニングモデルによって変換された医療データが示す入力と反対の特徴が明確に表現されるように、ディープラーニングモデルの順伝搬（ｆｏｒｗａｒｄ ｐｒｏｐａｇａｔｉｏｎ）及び逆伝搬（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を繰り返し実行してディープラーニングモデルを学習させることができる。プロセッサ１１０は、このような過程によって学習されたディープラーニングモデルを使用して、特定の疾患の診断のための人工知能の意思判断及び決定過程を説明することができる根拠を生成することができる。
【0050】
プロセッサ１１０は、疾患探知のための人工知能の判断及び意思決定過程の解釈のための使用者インターフェースを生成することができる。プロセッサ１１０は、上述したように学習されたディープラーニングモデルを使用して提供される人工知能の判断根拠を視覚化（ｖｉｓｕａｌｉｚａｔｉｏｎ）するための使用者インターフェースを生成することができる。例えば、プロセッサ１１０は、学習されたディープラーニングモデルによって変換された医療データとディープラーニングモデルの入力に相当する変換前の医療データとを互いに比較することができるように、グラフィックに基づく使用者インターフェースを生成することができる。ディープラーニングモデルによって変換された医療データは、疾患の発病有無を基準に、入力と反対の特徴を示すことができる。よって、ディープラーニングモデルによって変換された医療データと変換前の医療データとを比較すると、我々は疾患の発病に医療データのどの特徴が影響を及ぼすかを手軽く把握することができる。また、ディープラーニングモデルによって変換された医療データと変換前の医療データとを比較すると、我々は疾患の探知のための人工知能が疾患の発病に影響を及ぼす医療データの特徴をどのように解釈するかを手軽く把握することができる。このような比較及び把握を使用者が容易に実行することができるようにするために、プロセッサ１１０は、ディープラーニングモデルによって変換された医療データ及び変換前の医療データをそれぞれグラフィックで表現する使用者インターフェースを生成することができる。
【0051】
本開示の一実施例によるメモリ１２０はコンピューティング装置１００で処理されるデータを保存して管理するためのハードウェア及び／又はソフトウェアを含む構成単位と理解することができる。すなわち、メモリ１２０は、プロセッサ１１０が生成するか又は決定した任意の形態のデータ及びネットワーク部１３０が受信した任意の形態のデータを保存することができる。例えば、メモリ１２０は、フラッシュメモリタイプ（ｆｌａｓｈ ｍｅｍｏｒｙ ｔｙｐｅ）、ハードディスクタイプ（ｈａｒｄ ｄｉｓｋ ｔｙｐｅ）、マルチメディアカードマイクロタイプ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ ｔｙｐｅ）、カードタイプのメモリ、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＳＲＡＭ（ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（ｅｌｅｃｔｒｉｃａｌｌｙ ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、ＰＲＯＭ（ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、磁気メモリ、磁気ディスク、及び光ディスクのうちの少なくとも一つのタイプの保存媒体を含むことができる。また、メモリ１２０は、データを所定の体制で統制して管理するデータベース（ｄａｔａｂａｓｅ）システムを含むこともできる。上述したメモリ１２０の種類は一例示に過ぎないので、メモリ１２０の種類は本開示の内容に基づいて当業者が理解可能な範疇内で多様に構成可能である。
【0052】
メモリ１２０は、プロセッサ１１０が演算を実行するのに必要なデータ、データの組合せ、及びプロセッサ１１０で実行可能なプログラムコード（ｃｏｄｅ）などを構造化及び組職化して管理することができる。例えば、メモリ１２０は、後述するネットワーク部１３０を介して受信した医療データを保存することができる。メモリ１２０は、神経回路網モデルが医療データを受けて学習を実行するように動作させるプログラムコード、神経回路網モデルが医療データを受け、コンピューティング装置１００の使用目的に応じて推論を行うように動作させるプログラムコード、及びプログラムコードが実行されることによって生成された加工データなどを保存することができる。
【0053】
本開示の一実施例によるネットワーク部１３０は任意の形態の公知の有無線通信システムを介してデータを送受信する構成単位と理解することができる。例えば、ネットワーク部１３０は、ローカルエリアネットワーク（ＬＡＮ：ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、広帯域符号分割多重接続（ＷＣＤＭＡ（登録商標）：ｗｉｄｅｂａｎｄ ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＬＴＥ（ｌｏｎｇ ｔｅｒｍ ｅｖｏｌｕｔｉｏｎ）、ワイブロ（ＷｉＢｒｏ：ｗｉｒｅｌｅｓｓ ｂｒｏａｄｂａｎｄ ｉｎｔｅｒｎｅｔ）、５世代移動通信（５Ｇ）、超広帯域無線通信（ｕｌｔｒａｗｉｄｅ－ｂａｎｄ）、シグビー（ＺｉｇＢｅｅ（登録商標））、無線周波数（ＲＦ：ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ）通信、無線ＬＡＮ（ｗｉｒｅｌｅｓｓ ＬＡＮ）、ワイファイ（ｗｉｒｅｌｅｓｓ ｆｉｄｅｌｉｔｙ）、近距離無線通信（ＮＦＣ：ｎｅａｒ ｆｉｅｌｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、又はブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ（登録商標））などのような有無線通信システムを使用してデータ送受信を行うことができる。上述した通信システムは一例示に過ぎないので、ネットワーク部１３０のデータ送受信のための有無線通信システムは上述した例示の他に多様に適用可能である。
【0054】
ネットワーク部１３０は、任意のシステム又は任意のクライアントなどとの有無線通信を介して、プロセッサ１１０が演算を実行するのに必要なデータを受信することができる。また、ネットワーク部１３０は、任意のシステム又は任意のクライアントなどとの有無線通信を介して、プロセッサ１１０の演算によって生成されたデータを送信することができる。例えば、ネットワーク部１３０は、病院環境内のデータベース、医療データの標準化などの作業を行うクラウドサーバー、又はコンピューティング装置などとの通信を介して医療データを受信することができる。ネットワーク部１３０は、前述したデータベース、サーバー、又はコンピューティング装置などとの通信を介して、神経回路網モデルの出力データ、及びプロセッサ１１０の演算過程で導出される中間データ、加工データなどを送信することができる。
【0055】
図２は本開示の一実施例による第１神経回路網モデルを用いた疾患の陽性又は陰性の分類過程を示すブロック図である。
【0056】
図２を参照すると、本開示の一実施例によるコンピューティング装置１００のプロセッサ１１０は、第１医療データ１０に基づいて、疾患探知のための第１神経回路網モデル２００に対する学習を実行することができる。プロセッサ１１０は、第１神経回路網モデル２００が疾患の陽性又は陰性を分類するように、第１医療データ１０に基づいて第１神経回路網モデル２００を学習させることができる。ここで、第１医療データ１０は、疾患の診断に形態学的（ｍｏｒｐｈｏｌｏｇｉｃａｌ）解釈が活用される生体信号関連のデータを含むことができる。
【0057】
例えば、プロセッサ１１０は、第１神経回路網モデル２００に第１医療データ１０に含まれた心電図データを入力して、第１医療データ１０の測定対象に対する高カリウム血症（ｈｙｐｅｒｋａｌｅｍｉａ）の陽性又は陰性を予測することができる。プロセッサ１１０は、損失関数を用いて、第１医療データ１０に対する高カリウム血症の陽性又は陰性の予測結果をＧＴ（ｇｒｏｕｎｄ ｔｒｕｔｈ）と比較することができる。プロセッサ１１０は、比較結果に基づいて、第１神経回路網モデル２００の加重値（ｗｅｉｇｈｔ）などのようなパラメーターを再構成することができる。プロセッサ１１０は、このような演算を損失関数が収斂するまで繰り返し実行して、第１医療データ１０に基づいて第１神経回路網モデル２００を学習させることができる。第１神経回路網モデル２００の学習は、上述した例示である教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）以外にも、半教師あり学習（ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）などによって実行することができる。
【0058】
一方、第１神経回路網モデル２００は、第１医療データ１０から特徴を抽出するための神経回路網２１０と、抽出された特徴に基づいて疾患の陽性又は陰性を分類するための神経回路網２２０と、を含むことができる。例えば、第１神経回路網モデル２００の特徴抽出のための神経回路網２１０は、残差（ｒｅｓｉｄｕａｌ）神経回路網を含むことができる。特徴抽出のための神経回路網２１０はｎ個（ｎは自然数）の残差ブロック（ｂｌｏｃｋ）で構成され得る。ｎ個の残差ブロックのそれぞれは、畳込みレイヤー（ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）、活性化（ａｃｔｉｖａｔｉｏｎ）レイヤー、ドロップアウト（ｄｒｏｐｏｕｔ）レイヤー、及びバッチ正規化（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ）レイヤーを含むことができる。第１神経回路網モデル２００の分類のための神経回路網２２０は、特徴抽出のための神経回路網２１０によって生成された特徴マップをチャネル別に（ｃｈａｎｎｅｌ－ｗｉｓｅ）平均化することができる。分類のための神経回路網２２０は、全結合レイヤー（ＦＣＬ：ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）及びソフトマックス（ｓｏｆｔｍａｘ）活性化レイヤーを介して、疾患が陽性又は陰性である確率を計算することができる。
【0059】
図３は本開示の一実施例による第２神経回路網モデルを用いた医療データの解釈過程を示すブロック図である。
【0060】
本開示の一実施例によるコンピューティング装置１００のプロセッサ１１０は、第２医療データ２０に基づいて、疾患探知のための第１神経回路網モデル２００の判断及び決定過程の解釈のための第２神経回路網モデルの学習を実行することができる。プロセッサ１１０は、第２神経回路網モデルが第１神経回路網モデル２００のタスク（ｔａｓｋ）を基準に、第２医療データ２０に対する反対因子（ｃｏｕｎｔｅｒ ｆａｃｔｏｒ）を生成するように、第２医療データ２０に基づいて第２神経回路網モデルを学習させることができる。プロセッサ１１０は、第２神経回路網モデルが第１神経回路網モデル２００のデータ解釈及び意思決定過程を説明するのに使用可能な比較データを生成するように、第２神経回路網モデルを学習させることができる。ここで、プロセッサ１１０は、第２神経回路網モデルの学習過程で事前に学習された第１神経回路網モデル２００を使用することができる。そして、第２医療データ２０は、疾患の診断に形態学的解釈が活用される生体信号関連のデータを含むことができる。
【0061】
具体的には、図３を参照すると、プロセッサ１１０は、第２神経回路網モデルに含まれた第１サブ神経回路網モデル３１０に基づいて、第２医療データ２０の特徴を変換することができる。ここで、第２医療データ２０の特徴変換は、第２医療データ２０に対する第１神経回路網モデル２００の予測結果と反対の結果が導出されるように、第２医療データ２０に基づいて新しいデータを生成する演算過程と理解することができる。プロセッサ１１０は、第１サブ神経回路網モデル３１０を介して、第２医療データ２０と疾患の陽性又は陰性が反対に推定されるように、第２医療データ２０の特徴を変換して第３医療データ３０を生成することができる。ここで、第１サブ神経回路網モデル３１０は、第２医療データ２０から特徴を抽出するための神経回路網３１１と、抽出された特徴を変換して疾患の陽性又は陰性が第２医療データ２０と反対に推定される第３医療データ３０を生成する神経回路網３１２と、を含むことができる。第１サブ神経回路網モデル３１０の特徴抽出のための神経回路網３１１は、第１神経回路網モデル２００の特徴抽出のための神経回路網２１０に対応し得る。よって、第１サブ神経回路網モデル３１０の学習過程で特徴抽出のための神経回路網３１１に対する学習は実行せず、第３医療データ３０を生成する神経回路網３１２に対する学習のみを実行することができる。
【0062】
例えば、プロセッサ１１０は、第２医療データ２０に含まれた心電図データを第１サブ神経回路網モデル３１０に入力することができる。ここで、第２医療データ２０に含まれた心電図データは、高カリウム血症が陰性であるヒトの心電図データであり得る。プロセッサ１１０は、第１サブ神経回路網モデル３１０を介して、第２医療データ２０に含まれた心電図データのＰＲ間隔、ＱＲＳ持続時間、Ｔ振幅などのような形態学的特徴を変換することができる。そして、プロセッサ１１０は、第１サブ神経回路網モデル３１０に基づく第２医療データ２０の形態学的特徴の変換により、高カリウム血症が陽性と推定される心電図データを含む第３医療データ３０を生成することができる。すなわち、プロセッサ１１０は、第１サブ神経回路網モデル３１０を使用し、高カリウム血症が陰性である心電図データの形態学的特徴を変換して、第１神経回路網モデル２００によって高カリウム血症が陽性と推定される心電図データを生成することができる。
【0063】
プロセッサ１１０は、第２神経回路網モデルに含まれた第２サブ神経回路網モデル３２０に基づいて、第３医療データ３０の特徴を変換することができる。ここで、第３医療データ３０の特徴変換は、第２医療データ２０に対する第１神経回路網モデル２００の予測結果と同じ結果が導出されるように、第３医療データ３０を第２医療データ２０に復元する演算過程と理解することができる。プロセッサ１１０は、第２サブ神経回路網モデル３２０を介して、第２医療データ２０と疾患の陽性又は陰性が同一であると推定されるように第３医療データ３０の特徴を変換して、第２医療データ２０に対応する第４医療データ４０を生成することができる。ここで、第２サブ神経回路網モデル３２０は、第３医療データ３０から特徴を抽出するための神経回路網３２１と、抽出された特徴を変換して第２医療データ２０に対応する第４医療データ４０を生成する神経回路網３２２と、を含むことができる。第２サブ神経回路網モデル３２０の特徴抽出のための神経回路網３２１は、第１神経回路網モデル２００の特徴抽出のための神経回路網２１０に対応し得る。よって、第２サブ神経回路網モデル３２０の学習過程で特徴抽出のための神経回路網３２１に対する学習は実行せず、第４医療データ４０を生成する神経回路網３２２に対する学習のみを実行することができる。
【0064】
例えば、プロセッサ１１０は、第１サブ神経回路網モデル３１０を介して生成された心電図データを含む第３医療データ３０を第２サブ神経回路網モデル３２０に入力することができる。ここで、第３医療データ３０に含まれた心電図データは、第１神経回路網モデル２００によって高カリウム血症が陽性であると推定されるデータであり得る。プロセッサ１１０は、第２サブ神経回路網モデル３２０を介して、心電図のＰＲ間隔、ＱＲＳ持続時間、Ｔ振幅などのような指標を基準に、第３医療データ３０に含まれた心電図データの形態学的特徴を変換することができる。そして、プロセッサ１１０は、第２サブ神経回路網モデル３２０に基づく第３医療データ３０の形態学的特徴の変換により、第２医療データ２０に近い第４医療データ４０を生成することができる。言い替えれば、プロセッサ１１０は、第２サブ神経回路網モデル３２０を介して、第１サブ神経回路網モデル３１０によって生成された第３医療データ３０を再び第２医療データ２０に復元する演算を実行することができる。すなわち、プロセッサ１１０は、第２サブ神経回路網モデル３２０を使用し、高カリウム血症が陽性であると推定される心電図データの形態学的特徴を変換して、高カリウム血症が陰性の心電図データを生成することができる。
【0065】
上述したように、プロセッサ１１０は、第１サブ神経回路網モデル３１０及び第２サブ神経回路網モデル３２０を使用して第２医療データ２０のドメイン（ｄｏｍａｉｎ）を変換することができる。ここで、第２医療データ２０のドメインは、疾患の陽性又は陰性を基準に区分されるドメインと理解することができる。例えば、プロセッサ１１０は、第１サブ神経回路網モデル３１０を介して、特定の疾患の陰性ドメインに相当する第２医療データ２０を陽性ドメインに変換することができる。プロセッサ１１０は、第２サブ神経回路網モデル３２０を介して、陽性ドメインに変換された第２医療データ２０を再び陰性ドメインに変換することができる。ここで、第１サブ神経回路網モデル３１０を用いた陽性ドメイン変換及び第２サブ神経回路網モデル３２０を用いた陰性ドメイン変換は、第２医療データ２０のコンデンツ（ｃｏｎｔｅｎｔ）を最大限維持しながら第２医療データ２０のスタイル（ｓｔｙｌｅ）を変換する演算過程と理解することができる。
【0066】
プロセッサ１１０は、事前に学習された第１神経回路網モデル２００に基づいて、第１サブ神経回路網モデル３１０が生成した第３医療データ３０に対する疾患の陽性又は陰性を予測することができる。プロセッサ１１０は、事前に学習された第１神経回路網モデル２００に第３医療データ３０を入力して、第３医療データ３０に対する疾患の陽性又は陰性を推定した結果を含む予測データ５０を生成することができる。プロセッサ１１０は、事前に学習された第１神経回路網モデル２００を介して、第１サブ神経回路網モデル３１０が生成した第３医療データ３０が第２医療データ２０と反対に疾患の陽性又は陰性が予測されるかを確認することができる。すなわち、プロセッサ１１０は、事前に学習された第１神経回路網モデル２００を用いて第１サブ神経回路網モデル３１０の演算結果を評価することができる。言い替えれば、事前に学習された第１神経回路網モデル２００は、第１サブ神経回路網モデル３１０の演算結果を判別するためのモデルと理解することができる。
【0067】
例えば、プロセッサ１１０は、第１サブ神経回路網モデル３１０に、高カリウム血症が陰性である心電図データを含む第２医療データ２０を入力して生成された第３医療データ３０を第１神経回路網モデル２００に入力することができる。プロセッサ１１０は、第１神経回路網モデル２００の特徴抽出神経回路網２１０を介して、第３医療データ３０に含まれた心電図データの特徴を抽出することができる。そして、プロセッサ１１０は、第１神経回路網モデル２００の分類神経回路網２２０を介して、第３医療データ３０の特徴に基づいて第３医療データ３０に対する高カリウム血症が陽性又は陰性の確率を含む予測データ５０を生成することができる。第１サブ神経回路網モデル３１０が自分のタスクによって正常に第３医療データ３０を生成した場合、第１神経回路網モデル２００は、第３医療データ３０が高カリウム血症が陽性であると推定された結果を含む予測データ５０を出力することができる。すなわち、プロセッサ１１０は、第１神経回路網モデル２００を介して、第１サブ神経回路網モデル３１０が第２医療データ２０の特徴を変換して、第２医療データ２０と反対に高カリウム血症が陽性である第３医療データ３０を正常に生成したかを評価することができる。
【0068】
プロセッサ１１０は、第２サブ神経回路網モデル３２０に第２医療データ２０を入力して、第２医療データ２０に対応する第５医療データ６０を生成することができる。ここで、第５医療データ６０の生成は、第２サブ神経回路網モデル３２０が第２医療データ２０に疾患が陽性又は陰性であるかが対応データを生成するかを評価するための演算過程と理解することができる。第２サブ神経回路網モデル３２０は、基本的に第３医療データ３０に基づいて第２医療データ２０を復元するタスクを実行することができる。よって、第２サブ神経回路網モデル３２０に第２医療データ２０が入力されると、第２サブ神経回路網モデル３２０は理論的に第２医療データ２０に対応する第５医療データ６０を生成しなければならない。すなわち、プロセッサ１１０は、第２サブ神経回路網モデル３２０に第２医療データ２０を入力して、第２サブ神経回路網モデル３２０が自分のタスクを正常に実行するかを確認することができる。
【0069】
例えば、プロセッサ１１０は、第２サブ神経回路網モデル３２０に高カリウム血症が陰性である心電図データを含む第２医療データ２０を入力することができる。プロセッサ１１０は、第２サブ神経回路網モデル３２０を介して、第２医療データ２０に含まれた心電図データの形態学的特徴を変換して第５医療データ６０を生成することができる。第２サブ神経回路網モデル３２０は入力のコンデンツは維持しながらスタイルを変換することにより、第２医療データ２０と同じドメインに相当するデータを生成することが目標なので、第５医療データ６０は高カリウム血症が陰性である第２医療データ２０と同じデータであり得る。すなわち、第２サブ神経回路網モデル３２０が自分のタスクによって正常に第５医療データ６０を生成した場合、第２サブ神経回路網モデル３２０は高カリウム血症が陰性である第２医療データ２０をそのまま出力するものと理解することができる。
【0070】
図３を参照すると、プロセッサ１１０は、第１損失関数に基づいて、第１サブ神経回路網モデル３１０に対する学習を実行することができる。ここで、第１損失関数は、第１サブ神経回路網モデル３１０が入力の特徴を変換して、入力と疾患の陽性又は陰性が反対の出力を生成するかを評価するための損失関数であり得る。そして、第１損失関数は、第３医療データ３０に対する疾患の陽性又は陰性の推定結果を含む予測データ５０及びＧＴ（ｇｒｏｕｎｄ ｔｒｕｔｈ）を入力変数とすることができる。例えば、第１損失関数は下記の数１のように表現することができる。
【0071】
【数1】
【0072】
ここで、ｙＡはＧＴ（ｇｒｏｕｎｄ ｔｒｕｔｈ）、
は予測データ５０に含まれた陽性又は陰性に対する予測確率である。数１では損失関数としてクロスエントロピー関数を表現しているが、本開示は当該関数に限定されない。
【0073】
プロセッサ１１０は、予測データ５０及びＧＴ（ｇｒｏｕｎｄ ｔｒｕｔｈ）を入力変数とする第１損失関数を演算して第１損失を導出することができる。プロセッサ１１０は、第１損失が減少するように、第１サブ神経回路網モデル３１０を学習させることができる。すなわち、プロセッサ１１０は、第１サブ神経回路網モデル３１０が第１神経回路網モデル２００を欺くために、第１損失を低めるように第１サブ神経回路網モデル３１０のパラメーターを再構成することができる。例えば、第１サブ神経回路網モデル３１０が高カリウム血症が陰性である心電図データを受ける場合、プロセッサ１１０は、第１損失関数を繰り返し演算して、第１損失が減少する方向に第１サブ神経回路網モデル３１０の生成神経回路網３１２のパラメーターを再構成することができる。ここで、第１サブ神経回路網モデル３１０の生成神経回路網３１２のパラメーター再構成は、第１神経回路網モデル２００が第１サブ神経回路網モデル３１０の出力を高カリウム血症が陽性である心電図データと予測するように、第１サブ神経回路網モデル３１０の生成神経回路網３１２を学習させる過程と理解することができる。ここで、第１サブ神経回路網モデル３１０の特徴抽出神経回路網３１１は第１神経回路網モデル２００の特徴抽出神経回路網２１０に対応するので、第１損失関数を用いた学習過程で第１サブ神経回路網モデル３１０の特徴抽出神経回路網３１１の学習は実行しなくてもよい。
【0074】
プロセッサ１１０は、第２損失関数に基づいて、第１サブ神経回路網モデル３１０又は第２サブ神経回路網モデル３２０のうちの少なくとも一つに対する学習を実行することができる。ここで、第２損失関数は、第２サブ神経回路網モデル３２０が第１サブ神経回路網モデル３１０の出力の特徴を変換して、第１サブ神経回路網モデル３１０の入力を復元するかを評価するための損失関数であり得る。そして、第２損失関数は、第１サブ神経回路網モデル３１０の入力である第２医療データ２０及び第３医療データ３０に基づいて第２サブ神経回路網モデル３２０によって生成された第４医療データ４０を入力変数とすることができる。すなわち、第２損失関数は、第１サブ神経回路網モデル３１０の入力と第１サブ神経回路網モデル３１０の出力に基づく第２サブ神経回路網モデル３２０の出力とを比較するための関数であり得る。例えば、第２損失関数は下記の数２のように表現することができる。
【0075】
【数2】
【0076】
ここで、ｘｒｅａｌ
Ａは第２医療データ２０、ｘｒｅｃｏｖｅｒ
Ａは第４医療データ４０である。数２では損失関数として平均平方誤差関数を表現しているが、本開示は当該関数に限定されない。
【0077】
プロセッサ１１０は、第２医療データ２０及び第４医療データ４０を入力変数とする第２損失関数を演算して第２損失を導出することができる。プロセッサ１１０は、第２損失が減少するように、第１サブ神経回路網モデル３１０又は第２サブ神経回路網モデル３２０のうちの少なくとも一つを学習させることができる。すなわち、プロセッサ１１０は、第４医療データ４０を第２医療データ２０に復元することができるようにするために、第２損失を低めるように、第１サブ神経回路網モデル３１０又は第２サブ神経回路網モデル３２０のうちの少なくとも一つのパラメーターを再構成することができる。例えば、第１サブ神経回路網モデル３１０が高カリウム血症が陰性である心電図データを受ける場合、プロセッサ１１０は、第２損失関数を繰り返し演算して、第２損失が減少する方向に、第１サブ神経回路網モデル３１０の生成神経回路網３１２及び第２サブ神経回路網モデル３２０の生成神経回路網３２２のパラメーターを再構成することができる。ここで、生成神経回路網３１２、３２２のパラメーターの再構成は、第２サブ神経回路網モデル３２０が第１サブ神経回路網モデル３１０の入力と同一である高カリウム血症が陰性である心電図データを生成するように、生成神経回路網３１２、３２２を学習させる過程と理解することができる。ここで、第１サブ神経回路網モデル３１０の特徴抽出神経回路網３１１及び第２サブ神経回路網モデル３２０の特徴抽出神経回路網３２１は第１神経回路網モデル２００の特徴抽出神経回路網２１０に対応するので、第１損失関数を用いた学習過程で特徴抽出神経回路網３１１、３２１の学習は実行しなくてもよい。プロセッサ１１０は、このような第２損失関数による学習を介して、第１サブ神経回路網モデル３１０の入力と無関係な第２サブ神経回路網モデル３２０の出力が生成されないように防ぐことができる。言い替えれば、プロセッサ１１０は、第２損失関数による学習を介して、第２サブ神経回路網モデル３２０の出力が第１サブ神経回路網モデル３１０の入力のコンデンツを最大限維持しながらスタイルのみが変換された形態になるようにすることができる。
【0078】
プロセッサ１１０は、第３損失関数に基づいて、第２サブ神経回路網モデル３２０に対する学習を実行することができる。ここで、第３損失関数は、第２サブ神経回路網モデル３２０が第１サブ神経回路網モデル３１０の入力に基づいて第１サブ神経回路網モデル３１０の入力と同じ出力を生成するかを評価するための損失関数であり得る。そして、第３損失関数は、第１サブ神経回路網モデル３１０の入力である第２医療データ２０及び第３医療データ３０に基づいて、第２サブ神経回路網モデル３２０によって生成された第５医療データ６０を入力変数とすることができる。すなわち、第３損失関数は、第１サブ神経回路網モデル３１０の入力及び第１サブ神経回路網モデル３１０の入力に基づく第２サブ神経回路網モデル３２０の出力を比較するための関数であり得る。例えば、第３損失関数は下記の数３のように表現することができる。
【0079】
【数3】
【0080】
ここで、ｘｒｅａｌ
Ａは第２医療データ２０、ｘｉｄｅｎ
Ａは第５医療データ６０である。数３では損失関数として平均平方誤差関数を表現しているが、本開示は当該関数に限定されない。
【0081】
プロセッサ１１０は、第２医療データ２０及び第５医療データ６０を入力変数とする第３損失関数を演算して第３損失を導出することができる。プロセッサ１１０は、第３損失が減少するように、第２サブ神経回路網モデル３２０を学習させることができる。すなわち、プロセッサ１１０は、第５医療データ６０と第２医療データ２０との間の差が最小になるようにするために、第３損失を低めるように、第２サブ神経回路網モデル３２０のパラメーターを再構成することができる。例えば、第２サブ神経回路網モデル３２０が高カリウム血症が陰性である心電図データを受ける場合、プロセッサ１１０は、第３損失関数を繰り返し演算して、第３損失が減少する方向に、第２サブ神経回路網モデル３２０の生成神経回路網３２２のパラメーターを再構成することができる。ここで、第２サブ神経回路網モデル３２０の生成神経回路網３２２のパラメーターの再構成は、第２サブ神経回路網モデル３２０が入力された心電図データと同一である高カリウム血症が陰性である心電図データを生成するように、第２サブ神経回路網モデル３２０の生成神経回路網３２２を学習させる過程と理解することができる。ここで、第２サブ神経回路網モデル３２０の特徴抽出神経回路網３２１は第１神経回路網モデル２００の特徴抽出神経回路網２１０に対応するので、第３損失関数を用いた学習過程で第２サブ神経回路網モデル３２０の特徴抽出神経回路網３２１の学習は実行しなくてもよい。このような第３損失関数による学習を介して、第２サブ神経回路網モデル３２０は変換すべきデータのドメインを正確に識別することができる。すなわち、プロセッサ１１０は、第３損失関数による学習を介して、第２サブ神経回路網モデル３２０が第１サブ神経回路網モデル３１０の入力と同じドメインを生成するように、第２サブ神経回路網モデル３２０を学習させることができる。
【0082】
一方、第１サブ神経回路網モデル３１０及び第２サブ神経回路網モデル３２０を含む第２神経回路網モデルの学習のための損失関数は、第１損失関数、第２損失関数及び第３損失関数の和で表現することができる。すなわち、プロセッサ１１０は、上述したそれぞれの損失関数の演算結果として導出された損失の総和を減少する方向に、第２神経回路網モデルを学習させることができる。このような学習を介して、第２神経回路網モデルは、第１神経回路網モデル２００が医療データのどの特徴を解釈して疾患の陽性又は陰性を予測したかを説明することができる根拠として、入力された医療データに対する反対因子を生成することができる。
【0083】
上述したように、第２神経回路網モデルが入力された医療データに対する反対因子を生成するように学習されると、医療データに対する第１神経回路網モデル２００の予測結果と医療データを受けた第２神経回路網モデルの出力に対する第１神経回路網モデル２００の予測結果とは正反対に導出され得る。例えば、医療データに対する事前に学習された第１神経回路網モデル２００の予測結果が陰性であると、医療データを受けた第２神経回路網モデルの出力に対する事前に学習された第１神経回路網モデル２００の予測結果は陽性であり得る。よって、第２神経回路網モデルの入力と第２神経回路網モデルの出力とを比較すると、第１神経回路網モデル２００が医療データのどの特徴に基づいて疾患の陽性又は陰性を判断したかを手軽く説明することができる。すなわち、第２神経回路網モデルは、第１神経回路網モデル２００のデータ解釈及び意思決定過程を説明するのに効果的に使用可能である。
【0084】
図４は本開示の一実施例によって学習された第２神経回路網モデルのシミュレーション結果を示すグラフである。
【0085】
本開示の一実施例によって学習された第２神経回路網モデルの検証のために、高カリウム血症が陰性に分類された患者の心電図記録から、１秒の間隔で２秒単位のウィンドウ（ｗｉｎｄｏｗ）を移動して９個の陰性サンプルを抽出した。そして、９個の陰性サンプルは学習された第２神経回路網モデルに入力して陽性サンプルに変換した。図４はサンプルの比較結果を示す。図４で重畳して表現された３個のグラフはそれぞれ陰性サンプルに相当する第１グラフ８１、第２神経回路網モデルによって生成された陽性サンプルに相当する第２グラフ８２、及び高カリウム血症が実際に陽性と診断された患者のサンプルに相当する第３グラフ８３である。
【0086】
第１グラフ８１と第２グラフ８２とを比較して見ると、第２神経回路網モデルによって生成された陽性サンプルは、陰性サンプルよりもＱＲＳ持続時間及びＰＲ間隔がそれぞれ平均１．１４倍、１．６４倍に大きく現れることを確認することができる。そして、第２神経回路網モデルによって生成された陽性サンプルでＴａｌｌ Ｔがある比率は４５．３４％であることから、陰性サンプルよりも２倍以上に有意に増加することを確認することができる。ここで、Ｔａｌｌ Ｔは、Ｔ振幅がＲピーク振幅の半分以上の場合と理解することができる。そして、第２グラフ８２と第３グラフ８３とを比較して見ると、第２グラフ８２が第３グラフ８３と類似の変化様相を示すことを確認することができる。
【0087】
上述した結果を見ると、本開示の一実施例によって学習された第２神経回路網モデルは、高カリウム血症の陽性又は陰性の予測に影響を及ぼす心電図の形態学的特徴を適切に変換して提案することができることが分かる。すなわち、本開示の一実施例によって学習された第２神経回路網モデルを使用すると、疾患の診断のための神経回路網モデル（例えば、本開示の第１神経回路網モデル）が心電図のどの形態学的特徴を考慮して高カリウム血症の陽性又は陰性を予測するかに対する基準を説明することができる。
【0088】
図５は本開示の一実施例による神経回路網モデルの学習方法を示すフローチャートである。
【0089】
図５を参照すると、本開示の一実施例によるコンピューティング装置１００は、第１医療データに基づいて、第１医療データに対する疾患の陽性又は陰性を推定するように、第１神経回路網モデルを学習させることができる（Ｓ１１０）。ここで、第１医療データは心電図のような逐次（ｓｅｑｕｅｎｔｉａｌ）情報を含む生体信号関連のデータであり得る。そして、第１神経回路網モデルが推定する疾患は高カリウム血症であり得る。高カリウム血症は極度に危ないレベルまで無症状の場合が多いので、特に病院の外では高カリウム血症の診断が難しい。よって、非侵襲的で日常生活で獲得することができる心電図を用いて高カリウム血症を診断することが注目されている実情である。このような必要性に応じて、第１神経回路網モデルは、心電図データを受けて心電図データの測定対象に対する高カリウム血症の発病有無を分類するモデルであり得る。ただし、データ及び疾患の種類は一例示に過ぎないので、本開示の第１神経回路網モデルのタスクは上述した例示に限定されない。
【0090】
コンピューティング装置１００は、Ｓ１１０段階で学習された第１神経回路網モデルを用いて、第２医療データに対する疾患の陽性又は陰性が反対に推定されるように、第２医療データの特徴を変換する第２神経回路網モデルを学習させることができる（Ｓ１２０）。ここで、第２神経回路網モデルは、第１神経回路網モデルの判断及び意思決定過程を説明するための根拠を提案するモデルと理解することができる。第２医療データは、第１医療データと同様に、心電図のような逐次情報を含む生体信号関連のデータであり得る。そして、第２医療データに対する疾患は高カリウム血症であり得る。
【0091】
具体的には、コンピューティング装置１００は、第２神経回路網モデルを用いて第２医療データの特徴を変換することができる。コンピューティング装置１００は、Ｓ１１０段階で学習された第１神経回路網モデルを用いて、特徴の変換された第２医療データに対する陽性又は陰性を推定することができる。ここで、第２神経回路網モデルは、疾患の陽性又は陰性が第２医療データと反対に推定されるように、第２医療データの特徴を変換することにより、第３医療データを生成する第１サブ神経回路網モデルと、疾患の陽性又は陰性が第２医療データと同じに推定されるように第３医療データの特徴を変換することにより、第４医療データを生成する第２サブ神経回路網モデルと、を含むことができる。
【0092】
例えば、コンピューティング装置１００は、第２神経回路網モデルに含まれた第１サブ神経回路網モデルに基づいて、陰性と推定される第２医療データの特徴を変換することにより、第２医療データと反対の陽性と推定される第３医療データを生成することができる。第２医療データが高カリウム血症が陰性と診断された患者の心電図データであれば、コンピューティング装置１００は、第２神経回路網モデルに含まれた第１サブ神経回路網モデルを介して、第２医療データの形態学的特徴を変換して、第１神経回路網モデルによって高カリウム血症が陽性と推定される心電図データである第３医療データを生成することができる。すなわち、第１サブ神経回路網モデルは、高カリウム血症が陰性である心電図データと高カリウム血症が陽性である心電図データとの間の形態学的差に基づいてデータの特徴を変換する演算を実行することができる。
【0093】
コンピューティング装置１００は、第２神経回路網モデルに含まれた第２サブ神経回路網モデルに基づいて、第３医療データの特徴を変換することにより、陰性と推定される第２医療データに対応する第４医療データを生成することができる。第３医療データが第１神経回路網モデルによって高カリウム血症が陽性と推定される心電図データであると、コンピューティング装置１００は、第２神経回路網モデルに含まれた第２サブ神経回路網モデルを介して、第３医療データの形態学的特徴を変換して、第２医療データに対応する第４医療データを生成することができる。すなわち、第２サブ神経回路網モデルは、高カリウム血症が陰性である心電図データと高カリウム血症が陽性である心電図データとの間の形態学的差に基づいてデータの特徴を変換する演算を実行することができる。
【0094】
コンピューティング装置１００は、Ｓ１１０段階で学習された第１神経回路網モデルに第３医療データを入力して、第３医療データに対する疾患の陽性又は陰性を推定した結果を示す予測データを生成することができる。第２医療データが高カリウム血症が陰性と診断された患者の心電図データであると、第１サブ神経回路網モデルによって生成された第３医療データは、第１神経回路網モデルによって高カリウム血症が陽性であると推定されなければならない。よって、第１サブ神経回路網モデルが正常に第３医療データを生成したかを評価するために、コンピューティング装置１００は、第１神経回路網モデルを介して第３医療データを分析して、高カリウム血症が陽性であるデータに相当するかを確認することができる。
【0095】
コンピューティング装置１００は、第２サブ神経回路網モデルに陰性と推定される第２医療データを入力して、陰性と推定される第２医療データに対応する第５医療データを生成することができる。第２医療データが高カリウム血症が陰性と診断された患者の心電図データであると、第２サブ神経回路網モデルによって生成された第５医療データも、第２医療データと同様に、第１神経回路網モデルによって高カリウム血症が陰性であると推定されなければならない。よって、第２サブ神経回路網モデルが正常にデータのドメインを識別しているかを評価するために、コンピューティング装置１００は、第２サブ神経回路網モデルが第２医療データと同じデータを生成するかを確認することができる。
【0096】
そして、コンピューティング装置１００は、特徴の変換された第２医療データ、又は特徴の変換された第２医療データに対する陽性又は陰性の推定結果のうちの少なくとも一つを入力変数とする損失関数に基づいて、第２神経回路網モデルを学習させることができる。言い替えれば、コンピューティング装置１００は、第４医療データ、第５医療データ、又は予測データのうちの少なくとも一つを入力変数とする損失関数に基づいて、第２神経回路網モデルに含まれた第１サブ神経回路網モデル及び第２サブ神経回路網モデルを学習させることができる。ここで、損失関数は、第１サブ神経回路網モデルが疾患の陰性に相当する入力の特徴を変換して、疾患の陽性に相当する出力を生成するかを反映するための第１損失関数と、第２サブ神経回路網モデルが第１サブ神経回路網モデルの出力の特徴を変換して、第１サブ神経回路網モデルの入力を復元するかを反映するための第２損失関数と、第２サブ神経回路網モデルが第１サブ神経回路網モデルの入力に基づいて第１サブ神経回路網モデルの入力と同じ出力を生成するかを反映するための第３損失関数と、を含むことができる。
【0097】
例えば、コンピューティング装置１００は、予測データを入力変数とする第１損失関数を演算し、第１損失関数の演算結果である第１損失が減少するように、第１サブ神経回路網モデルを学習させることができる。第２医療データが高カリウム血症が陰性と診断された患者の心電図データであると、コンピューティング装置１００は、第１損失関数を介して、予測データと高カリウム血症が陽性である心電図データに相当するＧＴ（ｇｒｏｕｎｄ ｔｒｕｔｈ）とを比較することができる。コンピューティング装置１００は、比較結果として導出された第１損失を最小化する方向に、第１サブ神経回路網モデルの神経回路網パラメーターをアップデートすることができる。ここで、第１損失を最小化するというのは、第１サブ神経回路網モデルが生成した第３医療データを第１神経回路網モデルが本当に高カリウム血症が陽性と診断された患者の心電図データと認識するように、第１サブ神経回路網モデルを学習させることと理解することができる。
【0098】
コンピューティング装置１００は、第４医療データを入力変数とする第２損失関数を演算し、第２損失関数の演算結果である第２損失が減少するように、第１サブ神経回路網モデル又は第２サブ神経回路網モデルのうちの少なくとも一つを学習させることができる。第２医療データが高カリウム血症が陰性と診断された患者の心電図データであると、コンピューティング装置１００は、第１損失関数を介して第２医療データと第４医療データとを比較することができる。コンピューティング装置１００は、比較結果として導出された第２損失を最小化する方向に、第１サブ神経回路網モデル又は第２サブ神経回路網モデルのうちの少なくとも一つの神経回路網パラメーターをアップデートすることができる。ここで、第２損失を最小化するというのは、第２サブ神経回路網モデルが生成した第４医療データが第３医療データから第２医療データを復元したデータに相当するように、第１サブ神経回路網モデル又は第２サブ神経回路網モデルのうちの少なくとも一つを学習させることと理解することができる。
【0099】
コンピューティング装置１００は、第５医療データを入力変数とする第３損失関数を演算し、第３損失関数の演算結果である第３損失が減少するように、第２サブ神経回路網モデルを学習させることができる。第２医療データが高カリウム血症が陰性と診断された患者の心電図データであると、コンピューティング装置１００は、第３損失関数を介して第２医療データと第５医療データとを比較することができる。コンピューティング装置１００は、比較結果として導出された第３損失を最小化する方向に、第２サブ神経回路網モデルの神経回路網パラメーターをアップデートすることができる。ここで、第３損失を最小化するというのは、第２サブ神経回路網モデルが第２医療データと同じ第５医療データを出力することができるように、第２サブ神経回路網モデルを学習させることと理解することができる。
【0100】
上述したように学習された第２神経回路網モデルは、解釈対象である第１神経回路網モデルの構造に依存しないという利点を有する。すなわち、本開示の一実施例による第２神経回路網モデルは、疾患の陽性又は陰性を分類するモデルであれば、何の構造のモデルでも解釈することができる柔軟性を有するという利点がある。また、本開示の一実施例による第２神経回路網モデルは、学習のために対をなす（ｐａｉｒｅｄ）データが必ずしも必要ではないという利点を有する。他の二つの条件で、心電図の形態学的差を分析するために、同じ患者から二つの心電図を準備する必要がないので、第２神経回路網モデルの学習のためのデータの収集が容易であるしかない。本開示の一実施例による第２神経回路網モデルは、対をなしていない（ｕｎｐａｉｒｅｄ）データセットで両グループの間の形態学的差を認識し、入力に対する反対要因を生成することができるからである。
【0101】
図６は本開示の一実施例による神経回路網モデルを使用した医療データの解釈方法を示すフローチャートである。
【0102】
図６を参照すると、本開示の一実施例によるコンピューティング装置１００は、心電図データを含む医療データを獲得することができる（Ｓ２１０）。例えば、コンピューティング装置１００がクラウドシステムのサーバー又はクライアントの場合、コンピューティング装置１００は病院環境内のデータベースとの通信又は心電図測定機器との通信を介して心電図データを受信することができる。コンピューティング装置１００が病院環境内のデータベースの場合、コンピューティング装置１００は、病院環境内の心電図測定機器などとの通信を介して心電図データを生成することができる。また、コンピューティング装置１００が心電図測定機器の場合、コンピューティング装置１００は自ら心電図測定過程を実行して心電図データを生成することができる。
【0103】
コンピューティング装置１００は、第２神経回路網モデルに基づいて、Ｓ２１０段階で獲得した医療データの特徴を変換することにより、疾患の陽性又は陰性が医療データと反対に推定される出力データを生成することができる（Ｓ２２０）。ここで、第２神経回路網モデルは、医療データに対する疾患の陽性又は陰性を推定するように学習された第１神経回路網モデルを用いて事前に学習されたものであり得る。事前に学習された第１神経回路網モデルを用いた第２神経回路網モデルの学習過程は上述した図５の内容と同一であるので、以下では具体的な説明を省略する。例えば、コンピューティング装置１００が高カリウム血症が陰性と判定された心電図データを獲得した場合、コンピューティング装置１００は、獲得した心電図データを第２神経回路網モデルに入力して心電図データの形態学的特徴を変換することができる。ここで、第２神経回路網モデルは、出力として生成されるデータが高カリウム血症の陽性と判定されるようにするために、心電図のＰＲ間隔、ＱＲＳ持続時間、Ｔ振幅などのような指標を基準に、入力心電図データの形状を変形することができる。コンピューティング装置１００は、第２神経回路網モデルを用いた特徴変換により、高カリウム血症が陽性と判定可能な電図データを生成することができる。ここで、第２神経回路網モデルの出力に相当する心電図データは、高カリウム血症の陽性又は陰性を分類する第１神経回路網モデルによって陽性と判定可能な心電図データであり得る。
【0104】
コンピューティング装置１００は、Ｓ１１０段階で獲得した医療データとＳ１２０段階で生成された第２神経回路網モデルの出力データとを視覚的に比較するための使用者インターフェースを生成することができる（Ｓ２３０）。Ｓ１２０段階で生成された第２神経回路網モデルの出力データはＳ１１０段階で獲得した医療データと、疾患の陽性又は陰性を基準に、反対の要因を示し得る。すなわち、Ｓ１２０段階で生成された第２神経回路網モデルの出力データは、疾患の陽性又は陰性を分類するための人工知能の判断過程を説明することができる根拠となることができる。よって、使用者がＳ１１０段階で獲得した医療データとＳ１２０段階で生成された第２神経回路網モデルの出力データとの比較によって人工知能の判断過程を手軽く理解することができるようにするために、コンピューティング装置１００は、両データを視覚的に比較する使用者インターフェースを生成することができる。
【0105】
例えば、コンピューティング装置１００は、図４のように、Ｓ１１０段階で獲得した医療データ及びＳ１２０段階で生成された第２神経回路網モデルの出力データのそれぞれをグラフ形態のグラフィックで生成することができる。ここで、コンピューティング装置１００は、使用者インターフェースの一領域によってグラフ形態のグラフィックで生成された両データを具現することができる。両データの間の比較を容易にするために、コンピューティング装置１００は、使用者インターフェースの一領域にグラフ形態のグラフィックを重畳して表示することができる。ここで、コンピューティング装置１００は、重畳したグラフに対する明確な比較のために、スケール（ｓｃａｌｅ）を一致させる作業を実行することができる。
【0106】
一方、コンピューティング装置１００は、使用者インターフェースをクライアントと共有して、クライアントを介してグラフィックを使用者に提供することができる。コンピューティング装置１００は自体の入出力部を介して使用者インターフェースを具現し、グラフィックを使用者に提供することもできる。
【0107】
前述した本開示の多様な実施例は追加の実施例と結合することができ、上述した詳細な説明から当業者が理解することができる範疇内で変更可能である。本開示の実施例はすべての面で例示的なものであり、限定的ではないものと理解しなければならない。例えば、単一型として説明したそれぞれの構成要素は分散して実施することもでき、同様に分散されたものとして説明した構成要素も結合した形態として実施することができる。よって、本開示の特許請求の範囲の意味、範囲及びその均等概念から導出されるすべての変更又は変形の形態を本開示の範囲に含まれるものと解釈しなければならない。
【符号の説明】
【0108】
１００ ：コンピューティング装置
１１０ ：プロセッサ
１２０ ：メモリ
１３０ ：ネットワーク部
２００ ：第１神経回路網モデル
２１０ ：特徴抽出神経回路網
２２０ ：分類神経回路網
３１０ ：第１サブ神経回路網モデル
３１１ ：特徴抽出神経回路網
３１２ ：生成神経回路網
３２０ ：第２サブ神経回路網モデル
３２１ ：特徴抽出神経回路網
３２２ ：生成神経回路網
１１０ ：プロセッサ
１２０ ：メモリ
１３０ ：ネットワーク部
２００ ：第１神経回路網モデル
２１０ ：特徴抽出神経回路網
２２０ ：分類神経回路網
３１０ ：第１サブ神経回路網モデル
３１１ ：特徴抽出神経回路網
３１２ ：生成神経回路網
３２０ ：第２サブ神経回路網モデル
３２１ ：特徴抽出神経回路網
３２２ ：生成神経回路網
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【国際調査報告】