JP7709232B2 - 心臓疾患予測モデルの生成方法、サーバー及びコンピュータプログラム - Google Patents

Description

本発明の様々な実施形態は、将来発生しうる患者の心臓疾患を予測するニューラルネットワークモデルを提供するための方法に係り、より具体的には、ディープラーニングモデルを活用して心電図データに基づいて、心房細動を含む不整脈及びその他の心臓疾患のリスクを評価及び予測する技術に関する。

心電図（Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ、ＥＣＧ）データは、心臓の電気的活動を記録して心臓状態を診断するのに重要なツールとして広く使用されている。既存の多誘導心電図計は、心臓のリズム及び電気的伝導異常を探知して不整脈、特に心房細動などの心臓疾患の診断に核心的な役割を果たしてきた。心房細動を含む不整脈は、不規則又は異常な心臓拍動を特徴とする一般的な疾患であって、無症状又は軽度の症状を示して適切な検診なしでは発見し難い場合が多い。このような不整脈は、治療せずに放置すると、脳卒中、心不全、心臓突然死などの重篤な健康合併症につながる可能性があり、特に、心房細動は、脳卒中及び心不全のリスク増加に関連するため、重要な不整脈タイプの１つである。したがって、心房細動と不整脈の早期発見と介入は、これらの疾患を効果的に管理するために非常に重要である。
一方、既存の心電図計は、主に診断に焦点を置いており、将来の心臓疾患のリスクを予測又は階層化する上で限界がある。これは、既存の心電図分析方法が主に統計的分析に依存するためである。統計的方法論は、非線形的で複雑なパターンを十分に反映せず、患者の個々の心臓状態と様々な不整脈のリスクを精密に評価することが困難である。
さらに、統計ベースのモデルは、大量のデータを処理する際にディープラーニングベースの確率モデルに比べて性能が劣る。心電図データは、筋肉の動き、呼吸、他の装備から発生する電気的ノイズなどの信号の重なりに影響される可能性がある。これらの外部要因は、統計的方法論の精度を低下させるおそれがあり、結果として心臓疾患のリスクを正確に階層化及び定量化するのに大きな障害となる。

韓国公開特許公報第１０－２０２２－０１０４５８３号

本発明が解決しようとする課題は、前述した背景技術に対応して案出されたものであり、心電図データに基づいて、将来の心臓疾患のリスクを予測し、階層化することができる技術を提供するためである。
本発明が解決しようとする課題は、上述した課題に限定されず、上述していない別の課題は、以降の記載から通常の技術者に明確に理解できるであろう。

上記の課題を解決するための本発明の一実施形態に係る心臓疾患予測モデルの生成方法が開示される。前記方法は、複数の心電図データを取得するステップと、前記複数の心電図データに基づいて心臓疾患予測のためのモデルを生成するステップと、を含むことができる。
代案的な実施形態において、前記心臓疾患予測のためのモデルを生成するステップは、前記複数の心電図データに基づいて学習データセットを構築するステップと、前記学習データセットに基づいて一つ以上のネットワーク関数に対する学習を行うことにより、心臓疾患リスク予測モデルを生成するステップと、を含み、前記学習データセットは、互いに異なる学習目的に分類された第１学習データセット及び第２学習データセットを含み、前記心臓疾患リスク予測モデルは、患者の心電図データに基づいて、将来の心臓疾患のリスクに関する予測情報を階層化して提供することを特徴とすることができる。
代案的な実施形態において、前記第１学習データセットは、心電図データの特性を特性空間に変換する過程に対応する学習のためのデータを含み、前記第２学習データセットは、心臓リスク予測に関連するキャリブレーションのためのデータを含むことができる。
代案的な実施形態において、前記学習データセットを構築するステップは、前記複数の心電図データに対する前処理を行うステップを含み、前記前処理を行うステップは、前記複数の心電図データに対するノイズ前処理を行うステップと、前記ノイズ前処理された複数の心電図データを所定のウィンドウサイズに分割して複数のＲＯＩ信号を生成するステップと、前記複数の心電図データのリード単位でＨＲＶ特性情報を抽出するステップと、を含み、前記ＨＲＶ特性情報は、心拍間隔間の変動性に関する指標情報を含むことができる。
代案的な実施形態において、前記心臓疾患リスク予測モデルを生成するステップは、前記第１学習データセットを利用したマスキングベースの自己教師あり学習を介して埋め込みモデルを生成するステップと、前記埋め込みモデルを利用して、前記第２学習データセットに対応する複数のＲＯＩ信号のそれぞれに対応する潜在ベクトル（ｌａｔｅｎｔ ｖｅｃｔｏｒ）を抽出する埋め込み実行ステップと、クラスタリングモデルを利用して前記潜在ベクトルに対するクラスタリングを行うステップと、前記潜在ベクトル、及び各潜在ベクトルに対応するそれぞれのクラスターに対する情報に基づいて、ベクトルデータベース（ＤＢ、ＤａｔａＢａｓｅ）を構築するステップと、を含むことができる。
代案的な実施形態において、前記埋め込みモデルを生成するステップは、自己再構成モデルに、前記第１学習データセットに含まれたデータを入力として処理して、前記自己再構成モデルが、前記入力されたデータと類似した出力を生成するように、自己教師あり学習（ｓｅｌｆ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を誘導するステップと、前記学習の完了した自己再構成モデルから、エンコーダを抽出して前記埋め込みモデルを生成するステップと、を含み、前記自己再構成モデルは、入力されるデータの一部をマスキングし、マスキングされた部分を復元するニューラルネットワークモデルであって、次元減少ネットワーク関数及び次元復元ネットワーク関数を含むことができる。
代案的な実施形態において、前記クラスタリングモデルは、前記複数のＲＯＩ信号のそれぞれに対応する潜在ベクトル間の類似度距離に基づくクラスタリングを行うことを特徴とし、前記クラスタリングを行うステップは、前記クラスタリング結果に対応する複数のクラスターのそれぞれに対する代表ベクトルを抽出するステップを含むことができる。
代案的な実施形態において、前記方法は、予測対象者の心電図データを取得するステップと、前記予測対象者の心電図データに対する前処理を行うステップと、前記埋め込みモデルを利用して、前記前処理の完了した心電図データに対応する複数の潜在ベクトルを生成するステップと、前記複数の潜在ベクトルのそれぞれを前記複数のクラスターのそれぞれに対応する代表ベクトルのそれぞれと比較して、前記複数の潜在ベクトルのそれぞれを前記複数のクラスターのうちの１つに分類するステップと、前記複数の潜在ベクトルのそれぞれが前記複数のクラスターに分類される分類結果に基づいて、心臓疾患のリスクに関する階層化情報を生成するステップと、を含むことができる。
代案的な実施形態において、前記心臓疾患リスク予測モデルを生成するステップは、前記複数の心電図データのそれぞれに対応するユーザーメタ情報を取得するステップと、前記ベクトルデータベースから前記複数の潜在ベクトル、及び前記複数の潜在ベクトルに対応するクラスター情報を取得するステップと、前記ＨＲＶ特性情報、前記ユーザーメタ情報、前記複数の潜在ベクトル、及び前記潜在ベクトルに対応するクラスター情報に基づいて複数のツリーモデルに対する学習を行い、各ツリーモデルの出力を統合するアンサンブル学習を行って前記心臓疾患リスク予測モデルを生成するステップと、を含むことができる。
代案的な実施形態において、前記心臓疾患予測のためのモデルを生成するステップは、取得された前記複数の心電図データを訓練データセット、検証データセット及び試験データセットに分類するステップと、前記訓練データセット、検証データセット及び試験データセットに分類された心電図データのそれぞれから所定のウィンドウサイズに分割されたＲＯＩ心電図データを取得するステップと、前記訓練データセットに含まれた心電図データから取得された第１ＲＯＩ心電図データを患者の心臓疾患を予測するためのディープラーニングモデルに入力することに対応して、前記第１ＲＯＩ心電図データのそれぞれの心臓疾患クラスを予測するように前記ディープラーニングモデルを学習させるステップと、前記検証データセットに含まれた心電図データから取得された第２ＲＯＩ心電図データを前記学習されたディープラーニングモデルに適用して前記心臓疾患クラスを区分するための閾値を決定するステップと、をさらに含むことができる。
代案的な実施形態において、前記決定するステップは、前記第２ＲＯＩ心電図データのそれぞれに対して同一の心電図データから分離されたＲＯＩ心電図データのそれぞれに対する確率スコアを収集するステップと、前記収集された第２ＲＯＩ心電図データのそれぞれに対する確率スコアを平均して最終確率スコアを導出するステップと、前記導出された最終確率スコアに基づいて前記心臓疾患クラスを区分するための閾値を微調整するステップと、を含むことができる。
代案的な実施形態において、前記決定された閾値は、前記ディープラーニングモデルの重みと共に保存されることができる。

本発明の他の実施形態によれば、心臓疾患予測モデルの生成方法を行うサーバーが開示される。前記サーバーは、１つ以上のインストラクションを保存するメモリーと、前記メモリーに保存された１つ以上のインストラクションを実行するプロセッサと、を含み、前記プロセッサは、前記１つ以上のインストラクションを実行することにより、前述した心臓疾患予測モデルの生成方法を行うことができる。
本発明の別の実施形態によれば、コンピュータから読み出し可能な記録媒体に保存されたコンピュータプログラムが開示される。前記コンピュータプログラムは、ハードウェアであるコンピュータに結合され、心臓疾患予測モデルの生成方法を行うことができる。
本発明のその他の具体的な事項は、詳細な説明及び図面に含まれている。

本発明の様々な実施形態によれば、患者の心電図データからＲＯＩ心電図データを抽出し、抽出されたＲＯＩ心電図データをディープラーニングモデルに適用することにより、患者の心臓疾患予測精度を向上させることができる。
また、本発明は、複数の機械学習モデルを利用して将来の心臓疾患のリスクを予測することにより、患者が本人の健康状態を把握し、心臓疾患を予防することができる効果を提供することができる。これにより、心臓疾患の早期発見と迅速な対応を可能にして、患者の生命を保護し、治療結果を改善することができる機会を提供する。
また、本発明は、心電図データを一々分析しなければならない医療スタッフの物理的時間を自動化されたＡＩベースの処理過程を介して大幅に減少させることにより、スクリーニングの効率性を高め、医療現場の機会費用を減少させることができる効果を提供することができる。
また、本発明は、ＨＲＶ特性情報と、埋め込みモデルから抽出された潜在ベクトルと、患者の年齢などのメタデータとをアンサンブルするために、複数のツリー系列機械学習モデルを用いてアンサンブルを行うことにより、心臓疾患リスクの予測精度をさらに向上させることができる。
本発明の効果は、上述した効果に限定されず、上述していない別の効果は、以降の記載から通常の技術者に明確に理解できるであろう。

本発明の一実施形態に係る心臓疾患予測モデルの生成方法を行うコンピューティング装置の構成図である。 本発明の一実施形態に係る心臓疾患を予測するためのディープラーニングモデルの学習方法を示すフローチャートである。 本発明の一実施形態に係る心電図データの分類方法を示す図である。 本発明の一実施形態に係る心電図データを個別心臓拍動に細分化する方法を示す図である。 本発明の一実施形態に係るディープラーニングモデルの種類を示す図である。 本発明の一実施形態に係るディープラーニングモデルの種類を示す図である。 本発明の一実施形態に係るディープラーニングモデルの種類を示す図である。 本発明の一実施形態に係るディープラーニングモデルの学習ステップを示す図である。 本発明の一実施形態に係る学習されたディープラーニングモデルを用いて心臓疾患を予測する方法を示すフローチャートである。 本発明の一実施形態に係るディープラーニングモデルを用いた心臓疾患予測ステップを示す図である。 本発明の一実施形態に係る心臓疾患予測モデルの生成方法に関する例示的なフローチャートである。 本発明の一実施形態に係る複数の心電図データに対する前処理過程を例示的に示すフローチャートである。 本発明の一実施形態に係る潜在ベクトルに対する埋め込みを行い、その遂行結果に基づいてベクトルデータベースを構築する過程を例示的に示すフローチャートである。 本発明の一実施形態に係る埋め込みモデルを生成する過程を例示的に示すフローチャートである。 本発明の一実施形態に係る自己再構成モデル、及び学習された自己再構成モデルから埋め込みモデルを生成する過程を説明するための例示図である。 本発明の一実施形態に係る複数のツリー系列モデルのアンサンブル学習を介して心臓疾患リスク予測モデルを生成する過程を説明するための例示的なフローチャートである。

実施形態に対する特定の構造的又は機能的説明は、例示のための目的のみで開示されたものであって、様々な形態に変更されて実現できる。よって、実際に実現される形態は、開示された特定の実施形態のみに限定されるものではなく、本明細書の範囲は、実施形態で説明した技術的思想に含まれる変更、均等物、又は代替物を含む。
第１又は第２などの用語を、様々な構成要素を説明するために使用できるが、これらの用語は、ある構成要素を他の構成要素から区別する目的でのみ解釈されるべきである。例えば、第１構成要素は第２構成要素と命名でき、同様に、第２構成要素は第１構成要素と命名できる。
ある構成要素が他の構成要素に「連結されて」いると記載された場合には、他の構成要素に直接連結又は接続されていることも、それらの間に別の構成要素が介在することもあると理解されるべきである。
単数の表現は、文脈上明らかに異なる意味を有しない限り、複数の表現を含む。本文書において、「Ａ又はＢ」、「Ａ及びＢのうちの少なくとも１つ」、「Ａ又はＢのうちの少なくとも１つ」、「Ａ、Ｂ又はＣ」、「Ａ、Ｂ及びＣのうちの少なくとも１つ」、及び「Ａ、Ｂ又はＣのうちの少なくとも１つ」などのフレーズのそれぞれは、そのフレーズのうちの該当するフレーズに一緒に列挙された項目のいずれか、又はそれらの可能なすべての組み合わせを含むことができる。本明細書において、「含む」又は「有する」などの用語は、説明された特徴、数字、ステップ、動作、構成要素、部品、又はこれらの組み合わせが存在することを指定するものであり、１つ又はそれ以上の他の特徴、数字、ステップ、動作、構成要素、部品、又はこれらの組み合わせの存在又は付加の可能性を予め排除しないと理解されるべきである。
他に定義されない限り、技術的又は科学的用語を含めてここで使用されるすべての用語は、当技術分野における通常の知識を有する者によって一般に理解されるのと同じ意味を有する。一般的に使用される辞書で定義されている用語は、関連技術の文脈上の意味と一致する意味を有すると解釈されるべきであり、本明細書で明白に定義しない限り、理想的又は過度に形式的な意味で解釈されない。
以下、実施形態を添付図面を参照して詳細に説明する。添付図面を参照して説明するにあたり、図面符号に関係なく、同一の構成要素は同一の参照符号を付し、これに対する重複説明は省略する。
本発明は、複数の患者に対応する複数の心電図データを取得し、取得された複数の心電図データに基づいて心臓疾患予測のためのモデルを生成することができる。実施形態において、心臓疾患を予測するためのモデルは、心電図データから重要なパターンと特徴を抽出し、これに基づいて心臓疾患の可能性を予測するニューラルネットワークモデルであり得る。本発明のコンピューティング装置は、複数の心電図データを学習に適した形態に加工し、加工されたデータを利用して心臓疾患予測のためのモデルを学習させる。
一実施形態によれば、本発明は、心臓疾患予測のためのモデルとして、ディープラーニングモデル及び心臓疾患リスク予測モデルを生成して提供することができる。実施形態において、本発明は、複数の心電図データを多様な形態に加工し、それぞれ異なる方式でニューラルネットワークを学習させ、様々な予測モデルを生成して提供することができる。以下では、様々な図面を参照して、心臓疾患予測のためのモデルの生成方法を詳細に説明する。

図１は、本発明の一実施形態に係る心臓疾患予測モデルの生成方法を行うコンピューティング装置の構成図である。
図１に示すように、コンピューティング装置１００は、１つ以上のプロセッサ１１０と、プロセッサ１１０によって行われるプログラム１３０をロード（ｌｏａｄ）又は保存するメモリー１２０と、を含むことができる。図１のコンピューティング装置１００に含まれた構成要素は、一例に過ぎず、本発明の属する技術分野における通常の技術者であれば、図１に示された構成要素に加えて他の汎用的な構成要素がさらに含まれることができることが分かる。
プロセッサ１１０は、コンピューティング装置１００の各構成の全般的な動作を制御する。プロセッサ１１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＮＰＵ（Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、又は本発明の技術分野によく知られている任意の形態のプロセッサのうちの少なくとも１つを含めで構成できる。また、プロセッサ１１０は、本発明の様々な実施形態に係る方法／動作を実行するための少なくとも１つのアプリケーション又はプログラムに対する演算を行うことができる。コンピューティング装置１００は、１つ以上のプロセッサを備えることができる。
メモリー１２０は、コンピューティング装置１００に含まれた構成要素（例えば、プロセッサ１１０）によって使用される様々なデータ、命令及び情報のうちの１つ又は２つ以上の組み合わせを保存する。メモリー１２０は、揮発性メモリー及び／又は不揮発性メモリーを含むことができる。
プログラム１３０は、本発明の様々な実施形態に係る方法／動作が実現された１つ以上の動作（ａｃｔｉｏｎ）を含むことができ、メモリー１２０にソフトウェア形態で保存されることができる。ここで、動作は、プログラム１３０で実現される命令語に対応する。例えば、プログラム１３０は、複数の患者から取得された心電図データを訓練データセット、検証データセット及び試験データセットに分類する動作、訓練データセット、検証データセット及び試験データセットに分類された心電図データのそれぞれから所定のウィンドウサイズに分割されたＲＯＩ心電図データを取得する動作、訓練データセットに含まれた心電図データから取得された第１ＲＯＩ心電図データを、患者の心臓疾患を予測するためのディープラーニングモデルに入力することに対応して、第１ＲＯＩ心電図データのそれぞれの心臓疾患クラスを予測するようにディープラーニングモデルを学習させる動作、検証データセットに含まれた心電図データから取得された第２ＲＯＩ心電図データを学習されたディープラーニングモデルに適用して心臓疾患クラスを区分するための閾値を決定する動作を行うようにするインストラクションを含むことができる。
実施形態によって、所定のウィンドウサイズに分割されたＲＯＩ心電図データは、個別心臓拍動を意味することができるが、これに限定されない。以下では、実施形態によって説明の便宜のために所定のウィンドウサイズに分割されたＲＯＩ心電図データに対して個別心臓拍動を例示として説明することができるが、各実施形態に適用されるＲＯＩ心電図データの種類は、これに限定されない。

プログラム１３０がメモリー１２０にロードされると、プロセッサ１１０は、プログラム１３０を実現するための複数の動作を実行させることにより、本発明の様々な実施形態に係る方法／動作を行うことができる。
プログラム１３０の実行画面は、ディスプレイ１４０を介して表示できる。図１の場合、ディスプレイ１４０は、コンピューティング装置１００に連結される別途の装置として表されるが、スマートフォン、タブレットなど、ユーザーが携帯しうる端末などのコンピューティング装置１００の場合、ディスプレイ１４０がコンピューティング装置１００の構成要素になることができる。ディスプレイ１４０に表現される画面は、プログラムに情報を入力する前又はプログラムの実行結果であり得る。
図２は、本発明の一実施形態に係る心臓疾患を予測するためのディープラーニングモデルの学習方法を示すフローチャートである。
図２に示されたディープラーニングモデルの学習方法は、図１に示されたコンピューティング装置のプロセッサによって行われる。ステップ２１０で、プロセッサは、複数の患者から取得された心電図データを訓練データセット、検証データセット及び試験データセットに分類することができる。まず、複数の患者から取得された心電図データは、正常洞リズム（Ｔｒｕｅ－Ｎｏｒｍａｌ Ｓｉｎｕｓ Ｒｈｙｔｈｍ、Ｔ－ＮＳＲ）、心房細動－正常洞リズム（Ａｆｉｂ－Ｎｏｒｍａｌ Ｓｉｎｕｓ Ｒｈｙｔｈｍ、ＡＦ－ＮＳＲ）及び臨床的に重要な不整脈－正常洞リズム（Ｃｌｉｎｉｃａｌｌｙ Ｉｍｐｏｒｔａｎｔ Ａｒｒｈｙｔｈｍｉａ－Ｎｏｒｍａｌ Ｓｉｎｕｓ Ｒｈｙｔｈｍ、ＣＩＡ－ＮＳＲ）のグループに区分されることができる。このとき、複数の患者から取得された心電図データは、１０秒１２リード（ｌｅａｄ）心電図データであり得るが、このような心電図データの種類は、一つの例示に過ぎず、上記の例に限定されない。

一方、臨床的に重要な不整脈（Ｃｌｉｎｉｃａｌｌｙ ｉｍｐｏｒｔａｎｔ ａｒｒｈｙｔｈｍｉａ、ＣＩＡ）は、Ａｔｒｉａｌ ａｒｒｈｙｔｈｍｉａ（心房性不整脈）、Ｖｅｎｔｒｉｃｕｌａｒ ａｒｒｈｙｔｈｍｉａ（心室性不整脈）、Ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ（心房細動）及びＢＢＢ（脚ブロック）を含むことができる。Ａｔｒｉａｌ ａｒｒｈｙｔｈｍｉａは、心房に起因する不整脈であり、３０秒以上の持続的又は３０秒以内の非持続的な不整脈を意味し、Ａｔｒｉａｌ ｐｒｅｍａｔｕｒｅ ｃｏｍｐｌｅｘ、ｏｒ Ｓｕｓｔａｉｎｅｄ／ｎｏｎ－ｓｕｓｔａｉｎｅｄ Ａｔｒｉａｌ ｒｈｙｔｈｍなどが含まれることができる。Ｖｅｎｔｒｉｃｕｌａｒ ａｒｒｈｙｔｈｍｉａは、心室に起因する不整脈であって、３０秒以上の持続的又は３０秒以内の非持続的な不整脈を意味し、Ｖｅｎｔｒｉｃｕｌａｒ ｐｒｅｍａｔｕｒｅ ｃｏｍｐｌｅｘ、ｏｒ Ｓｕｓｔａｉｎｅｄ／Ｎｏｎ－ｓｕｓｔａｉｎｅｄ Ｖｅｎｔｒｉｃｕｌａｒ ａｒｒｈｙｔｈｍｉａなどが含まれることができる。Ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎは、心房の規則的な電気信号と収縮がなく、これによる不規則な心室の収縮を示す不整脈を意味することができる。最後に、ＢＢＢは、心室を介した心臓の信号を伝達する右脚（Ｒｉｇｈｔ ｂｕｎｄｌｅ）又は左脚（Ｌｅｆｔ ｂｕｎｄｅｌ）の信号伝達が遮断されて特徴的な心電図上のパターンを示す不整脈を意味することができる。
Ｔ－ＮＳＲグループは、心房細動や不整脈の病歴がなく、１年に正常洞リズム心電図が３回以上ある患者の心電図で構成できる。ＡＦ－ＮＳＲグループは、正常洞リズム心電図と、当該正常洞リズム心電図から１４日以内に発生した心房細動又は心房粗動心電図とが対をなす患者の心電図で構成できる。同様に、ＣＩＡ－ＮＳＲグループは、正常洞リズム心電図と、当該正常洞リズム心電図から１４日以内に発生した不整脈心電図とが対をなす患者の心電図で構成できる。
プロセッサは、このように区分されたＴ－ＮＳＲグループ、ＡＦ－ＮＳＲグループ及びＣＩＡ－ＮＳＲグループに属する心電図データを、心臓疾患予測のためのディープラーニングモデルに適用可能な訓練データセット、検証データセット及び試験データセットに分類することができる。
一例として、図３は、本発明の一実施形態に係る心電図データの分類方法を示す図である。プロセッサは、Ｔ－ＮＳＲグループ、ＡＦ－ＮＳＲグループ、及びＣＩＡ－ＮＳＲグループに属する心電図データ３１０を予測しようとする心臓疾患別に区分することができる。一例として、プロセッサは、心電図データ３１０を、心房細動を予測するためにＴ－ＮＳＲグループ及びＡＦ－ＮＳＲグループに属する心電図データ３２０と、不整脈を予測するためにＴ－ＮＳＲグループ及びＣＩＡ－ＮＳＲグループに属する心電図データ３３０とに区分することができる。

その後、プロセッサは、それぞれの心臓疾患別に区分された心電図データ３２０、３３０を、当該心電図データ３２０、３３０が生成された任意の日付を基準に訓練データセット、検証データセット、及び試験データセットに分類することができる。
一例として、図３に示すように、心電図データ３２０、３３０が２０１７年５月２３日～２０２２年５月２３日の間に取得された場合、プロセッサは、心電図データ３２０、３３０を任意の日付（例えば、２０２１年６月１１日）に基づいて、該当日より前の心電図データを一定の割合によって訓練データセット及び検証データセットに分類し、該当日以後（該当日を含む）の心電図データを試験データセットに分類することができる。図３の例では、心電図データ３２０、３３０が訓練データセット（６０％）、検証データセット（２０％）及び試験データセット（２０％）の割合に分類されたが、このような分類割合は、１つの例示に過ぎず、上記の例に限定されない。
ステップ２２０で、プロセッサは、訓練データセット、検証データセット及び試験データセットに分類された心電図データのそれぞれから個別心臓拍動を取得することができる。プロセッサは、正確で信頼できるデータを取得するために、訓練データセット、検証データセット及び試験データセットに分類された１０秒１２リード心電図データに対して前処理を行うことができる。
より具体的には、プロセッサは、訓練データセット、検証データセット及び試験データセットに分類された心電図データの入力をＸＭＬ（ｅＸｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）ファイル形式で受けることができる。プロセッサは、入力データから、患者の名前、年齢、性別などの定型データ部分と連続的な信号からなる非定型データ部分をパーシング（ｐａｒｓｉｎｇ）することができる。その後、プロセッサは、連続的な信号からなる非定型データ部分に対してノイズ除去前処理を行い、心臓拍動のキーマーカーを区分することができる。プロセッサは、このように区分された心臓拍動のキーマーカーを介して、連続的な信号からなる非定型データから不連続的な個別心臓拍動を取得することができる。
一例として、図４を参照すると、プロセッサは、１０秒１２リード心電図データをＢａｓｅ６４暗号化でデコードした後、ノイズ除去及びクレンジングのために移動平均カーネルのあるＩＩＲバタワースＳＯＳフィルターと電力線ノイズフィルターを通過させることができる。次に、プロセッサは、ノイズ除去された１０秒１２リード心電図データを、ＱＲＳピーク感知アルゴリズムを用いて個別心臓拍動に細分化することができる。
その結果、プロセッサは、図３に示すように、単一の１０秒１２リード心電図データから複数の不連続的な個別心臓拍動を取得することができ、このように取得された個別心臓拍動は、より正確な心臓疾患予測のためにディープラーニングモデルを学習するのに使用できる。

ステップ２３０で、プロセッサは、訓練データセットに含まれた心電図データから取得された第１個別心臓拍動を、患者の心臓疾患を予測するためのディープラーニングモデルに入力することに対応して、第１個別心臓拍動のそれぞれの心臓疾患クラスを予測するようにディープラーニングモデルを学習させることができる。
このとき、プロセッサは、ＲｅｓＮｅｔ－１８、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）が含まれたＣｏｎｖ１Ｄ、及びトランスフォーマが含まれたＣｏｎｖ１Ｄのうちのいずれかのディープラーニングモデルを用いて、第１個別心臓拍動のそれぞれの心臓疾患クラスを予測するように学習させることができる。
一例として、図５ａのようなＲｅｓＮｅｔ－１８は、様々なコンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）などの畳み込み演算を用いて入力の必須特徴を抽出することができるディープラーニングモデルである。ＣＮＮアーキテクチャの勾配消失（Ｖａｎｉｓｈｉｎｇ Ｇｒａｄｉｅｎｔ）問題を解決するために、ＲｅｓＮｅｔ－１８は、図５ａに示すように、入力データがネットワーク上の複数の層をスキップして、出力層に直接連結される方式であるスキップ連結を介して残余学習を行うことができる。
ＲｅｓＮｅｔ－１８のディープラーニングモデルは、固定長の入力を必要とするため、プロセッサは、個別心臓拍動の長さをすべての個別心臓拍動の平均長さに固定することができる。一例として、全ての個別心臓拍動の平均長さが７００である場合、プロセッサは、７００より長い心臓拍動長さを有する個別心臓拍動に対してはスライシング（Ｓｌｉｃｉｎｇ）を行い、７００より短い心臓拍動長さを有する個別心臓拍動には、ゼロパディングを行うことで、長さが７００となるように固定することができる。
他の一例として、図５ｂのようなＬＳＴＭが含まれたＣｏｎｖ１Ｄは、順次データからローカル時間パターン及び長距離時間パターンを全てキャプチャすることができる。このとき、Ｃｏｎｖ１Ｄ層は、ローカル時間パターンの感知に優れており、ＬＳＴＭ層は、長期的な従属性のモデル化に優れている。
別の一例として、図５ｃのようなトランスフォーマが含まれたＣｏｎｖ１Ｄは、入力データのローカルパターン及びグローバル従属性を全てキャプチャすることができる。このとき、トランスフォーマ層は、グローバル従属性のモデル化に適しており、Ｃｏｎｖ１Ｄ層は、ローカルパターンの感知に効果的であり得る。入力長が固定されているＲｅｓＮｅｔ－１８とは異なり、トランスフォーマが含まれたＣｏｎｖ１Ｄは、様々な入力サイズを収容することができるという利点がある。
一方、図６は、本発明の一実施形態に係るディープラーニングモデルの学習ステップを示す図である。図６を参照すると、プロセッサは、対数損失のある２進交差エントロピーと初期学習率０．０００１のＡｄａｍＷオプティマイザーを用いて、ディープラーニングモデルのパラメータを最適化することができる。このとき、２進交差エントロピーは、ディープラーニングモデルの学習における予測結果と実際の正解との差を減らす損失関数であり、ＡｄａｍＷオプティマイザーは、このような損失関数に基づいて実際のディープラーニングモデルの更新に関与するアルゴリズムである。プロセッサは、このような２進交差エントロピー及びＡｄａｍＷオプティマイザーに最適化されたディープラーニングモデルの出力に対してシグモイド（Ｓｉｇｍｏｉｄ）関数を適用することにより、第１個別心臓拍動のそれぞれの心臓疾患クラスに対する確率値を０～１の範囲で取得することができる。

ステップ２４０で、プロセッサは、検証データセットに含まれた心電図データから取得された第２個別心臓拍動率を、学習されたディープラーニングモデルに適用して、心臓疾患クラスを区分するための閾値を決定することができる。
より具体的には、プロセッサは、図６に示すように、第２個別心臓拍動のそれぞれに対して同一の心電図データから分離された個別心臓拍動のそれぞれに対する確率値を収集し、収集されたすべての第２個別心臓拍動のそれぞれに対する確率値を収集し、収集された全ての第２個別心臓拍動に対する確率値を平均して最終確率スコアを導出した後、導出された最終確率スコアに基づいて心臓疾患クラスを区分するための最適な閾値を微調整することができる。
このとき、最適な閾値は、０～１の間の閾値を０．０１単位で適用して心臓疾患クラス、すなわちＴ－ＮＳＲ及びＡＦ－ＮＳＲクラス又はＴ－ＮＳＲ及びＣＩＡ－ＮＳＲクラスに対する検証データセットにおける最高のＦ１スコアを達成することにより取得できる。
このとき、Ｆ１スコアは、下記式１のように定義できる。
ここで、
は、正しく分類された予測陽性の割合を示し、検出された結果がどれほど正確であるか、すなわち、検出結果のうち実際の物体がどれほど含まれているかを示すことができる。
は、正しく分類された真陽性の割合を示し、実際の対象物体を見逃すことなくどれほどよく捕捉するかを示す指標である。また、
は、それぞれ実陽性、真陰性に分類されたサンプルを意味し、
は、それぞれ偽陽性、偽陰性に分類されたサンプルを意味する。
プロセッサは、このような心臓疾患クラスに対する最適な閾値をディープラーニングモデルの重みと共に保存することができる。
図７は、本発明の一実施形態に係る学習されたディープラーニングモデルを用いて心臓疾患を予測する方法を示すフローチャートである。
図７に示されたディープラーニングモデルを用いた心臓疾患予測方法は、図１に示されたコンピューティング装置のプロセッサによって行われる。プロセッサは、ステップ７１０のように心臓疾患クラスを予測しようとする患者の心電図データを受信することで、ステップ７２０のように受信された心電図データから個別心臓拍動を取得することができる。このとき、受信される心電図データ及び取得される個別心臓拍動は、図３に開示された試験データセットに対応することができる。
ステップ７３０で、プロセッサは、取得された個別心臓拍動を、患者の心臓疾患予測のためのディープラーニングモデルに入力して、個別心臓拍動のそれぞれに対して特定の心臓疾患クラスとして予測される確率値を導出することができる。
ステップ７４０で、プロセッサは、個別心臓拍動のそれぞれに対して導出された確率値を用いて患者の心臓疾患を予測することができる。より具体的には、プロセッサは、すべての個別心臓拍動のそれぞれに対して導出された確率値の平均を閾値と比較することにより、患者の心臓疾患クラスを区分することができる。

一例として、図８は、本発明の一実施形態に係るディープラーニングモデルを用いた心臓疾患予測ステップを示す図である。図８を参照すると、プロセッサは、学習されたディープラーニングモデルの重み及び閾値をロード（Ｌｏａｄ）した後、個別心臓拍動のそれぞれに対する確率値を導出することができる。プロセッサは、このように導出されたすべての個別心臓拍動の確率値の平均値を求めることができる。
一例として、プロセッサは、Ｔ－ＮＳＲと判断する確率値の平均であるＴ－ＮＳＲ Ｌｏｇｉｔ値が第１閾値θ_１よりも大きく、且つＣＩＡ－ＮＳＲと判断する確率値の平均であるＣＡ－ＮＳＲ Ｌｏｇｉｔ値が第２閾値θ_２より小さい場合、当該患者の心臓疾患クラスを正常状態、すなわちＴ－ＮＳＲと判断することができる。
又は、プロセッサは、Ｔ－ＮＳＲ Ｌｏｇｉｔ値が第１閾値θ_１より大きく、且つＣＩＡ－ＮＳＲ Ｌｏｇｉｔ値が第２閾値θ_２より大きい場合、Ｔ－ＮＳＲ Ｌｏｇｉｔ値とＣＩＡ－ＮＳＲ Ｌｏｇｉｔ値とを比較してより大きい値を最終予測として選択することができる。一例として、ＣＩＡ－ＮＳＲ Ｌｏｇｉｔ値がＴ－ＮＳＲ Ｌｏｇｉｔ値より大きい場合、当該患者の心臓疾患クラスを、不整脈が発生しうるＣＩＡ－ＮＳＲと判断することができる。
また、プロセッサは、Ｔ－ＮＳＲ Ｌｏｇｉｔ値が第１閾値θ_１より小さく、且つＣＩＡ－ＮＳＲ Ｌｏｇｉｔ値が第２閾値θ_２より小さい場合、Ｔ－ＮＳＲ Ｌｏｇｉｔ値とＣＩＡ－ＮＳＲ Ｌｏｇｉｔ値とを比較してより大きい値を最終予測として選択することができる。
最後に、プロセッサは、Ｔ－ＮＳＲ Ｌｏｇｉｔ値が第１閾値θ_１より小さく、且つＣＩＡ－ＮＳＲ Ｌｏｇｉｔ値が第２閾値θ_２より大きい場合、該当患者の心臓疾患クラスを不整脈が発生しうるＣＩＡ－ＮＳＲと判断することができる。
このような心臓疾患クラスを区分する４つの方法は、Ｔ－ＮＳＲとＡＦ－ＮＳＲの区分にも同様に適用できる。
以下では、図９～図１４を参照して、本発明の一実施形態に係るＨＲＶ特性情報、潜在ベクトル、潜在ベクトルに対応するクラスター情報、及びメタデータを利用する方法と、複数のツリーモデル出力をアンサンブルして心臓疾患を予測する方法について具体的に説明する。

図９は、本発明の一実施形態に係る心臓疾患予測モデルの生成方法に関する例示的なフローチャートを示す。
本発明の一実施形態によれば、心臓疾患予測モデルの生成方法は、複数の心電図データを取得するステップ（Ｓ１０００）を含むことができる。
実施形態によれば、複数の心電図データは、複数の患者に対応して取得されるものであり、様々な方式で収集できる。一実施形態において、本発明における心電図データは、心臓の電気的活動を記録して心臓状態を評価するのに関連する多誘導心電図（ＥＣＧ、Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ）データを意味することができる。多誘導心電図データは、様々な誘導（すなわち、リード）を介して得られた心臓電気信号を含み、これにより心臓のリズム、電気伝導状態及びその他の心臓機能に対する総合的な情報を提供する。
実施形態において、複数の患者から取得される複数の心電図データは、正常心電図データ、不整脈に関連する心電図データ、及びその他の心臓状態に対する心電図データを含むことができる。具体的な実施形態において、複数の患者から取得された心電図データは、正常洞リズム（Ｔｒｕｅ－Ｎｏｒｍａｌ Ｓｉｎｕｓ Ｒｈｙｔｈｍ、Ｔ－ＮＳＲ）、心房細動－正常洞リズム（Ａｆｉｂ－Ｎｏｒｍａｌ Ｓｉｎｕｓ Ｒｈｙｔｈｍ、ＡＦ－ＮＳＲ）、及び臨床的に重要な不整脈－正常洞リズム（Ｃｌｉｎｉｃａｌｌｙ Ｉｍｐｏｒｔａｎｔ Ａｒｒｈｙｔｈｍｉａ－Ｎｏｒｍａｌ Ｓｉｎｕｓ Ｒｈｙｔｈｍ、ＣＩＡ－ＮＳＲ）のグループに区分されることができる。このとき、複数の患者から取得された心電図データは、１０秒１２リード心電図データであり得るが、このような心電図データの種類は、一例に限定されない。
一実施形態において、複数の心電図データの取得は、メモリー１２０に保存されたデータを受信又はロード（ｌｏａｄ）することであり得る。複数の心電図データの取得は、有線／無線通信手段に基づいて他のストレージメディアに、他のコンピューティング装置、同一のコンピューティング装置内の別途の処理モジュールから複数の心電図データを受信又はロードすることであり得る。一例として、ユーザー（例えば、患者、又は医療提供者）は、ユーザー端末を介してコンピューティング装置１００に接続してコンピューティング装置１００から心臓疾患予測のためのユーザーインタフェースの提供を受け、提供されたユーザーインタフェースに心電図データをドラッグアンドドロップ（ｄｒａｇ ａｎｄ ｄｒｏｐ）する方式でコンピューティング装置１００へ心電図データを伝達することができる。

様々な実施形態によれば、本発明のコンピューティング装置１００は、取得される複数の心電図データに対するデータ増強を行うことができる。具体的には、コンピューティング装置１００は、リード対を利用したデータ増強を行うことにより、ニューラルネットワークの学習のための学習データを増強させることができる。
詳細に説明すると、心電図データのそれぞれの場合、リード別に取得できる。例えば、１－ｌｅａｄ、３－ｌｅａｄ、１２－ｌｅａｄなどの様々なリード構成で心電図データが収集されることができ、これは、心臓の様々な部分における電気的活動を記録してより総合的な心臓状態を評価するのに使用される。
例えば、１２－ｌｅａｄシグナルの場合、比較的短い時間の間、多くの信号を取得することができるが、総データ量が制限的であり得る。一方、１－ｌｅａｄ（ワンリード）シグナルは、さらに長い時間の間記録されるが、データの多様性が制限されている。これらの２類型のデータが一緒に使用されると、より正確な心臓状態評価が可能であるが、実際に、このようなデータペアの数は不十分であることがある。
この問題を解決するために、本発明のコンピューティング装置１００は、１つのリードデータに基づいて他のリードデータを生成する再構築モデルを生成することができる。再構築モデルは、ワンリードデータを入力として受け、これに基づいてマルチリードデータを生成する役割を果たす。この過程は、ワンリードデータを３－ｌｅａｄ、又はそれ以上のリード（１２－ｌｅａｄ）に拡張して、より多くのリードデータがあるかのように学習データを増強する効果を持つ。
再構築モデルの学習は、ワンリードとマルチリードデータとの相関関係を学習する過程を含む。このために、ワンリードとマルチリードデータの両方が存在するペアデータを用いて再構築モデルを学習させる。学習過程で、モデルは、ワンリードデータからマルチリードデータを再現する方法を学び、このとき、ワンリードデータの特徴とこれから類推することが可能なマルチリード信号のパターンを学習する。
モデル学習が完了した後、再構築モデルは、ワンリードデータのみでもマルチリード信号を生成することができ、これにより実際のマルチリードデータの不足を補うことができる。これにより、データの多様性が増加し、モデルの一般化性能が向上する。このように生成されたマルチリードデータ（すなわち、補強されたマルチリードデータ）は、既存のマルチリードデータと共にニューラルネットワーク学習に使用されることにより、モデルがさらに様々なリード構成を学習し、様々な心臓状態に対する予測性能を向上させることができる。
結果的に、再構築モデルによるデータ増強は、学習データの量を実質的に増加させて、モデルの予測精度を高め、心臓疾患予測モデルの信頼性を強化させる。これにより、医療スタッフが患者の健康状態をさらに正確に診断し、より効果的な治療及び予防計画を樹立することができるように役立つ。
本発明の一実施形態によれば、心臓疾患予測モデルの生成方法は、複数の心電図データに基づいて学習データセットを構築するステップ（Ｓ２０００）を含むことができる。
一実施形態において、複数の心電図データを介して学習データセットを構築することは、各心電図データの重要な特徴とパターンを学習するために、様々なデータを収集及び構成する過程である。これにより、心臓疾患の予測に必要な様々な事例とパターンを含むデータセットが生成される。

実施形態によれば、本発明の学習データセットは、心臓疾患の予測に関連する様々なデータを含むものであり、ニューラルネットワークモデルを訓練するための訓練データセット、モデルの性能を評価し最適化するための検証データセット、及びモデルの一般化性能を評価するための試験データを含むことができる。
一実施形態において、学習データセットは、互いに異なる学習目的に分類された第１学習データセット及び第２学習データを含むことができる。第１学習データセット及び第２学習データセットは、互いに異なるニューラルネットワークモデルを学習させるために分類されたデータであり得る。第１学習データセット及び第２学習データセットは、コンピューティング装置１００によって分類できる。
例えば、最初の学習データセットは、埋め込みモデルの学習過程で利用され、当該データセットは、心電図データの主要特徴を抽出し表現するのに重点を置く。第２学習データセットは、心臓疾患のリスクを予測するモデルの学習に使用され、当該データセットは、予測モデルの精度を高めるためのキャリブレーション及び性能評価に使用され得る。
具体的には、第１学習データセットは、心電図データの特性を特性空間に変換する過程に対応する学習のためのデータを含むことができる。第１学習データセットは、ＥＣＧ表現学習（ＥＣＧ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ Ｌｅａｒｎｉｎｇ）のためのデータであり、心電図データ信号の多様な特性とパターンを抽出し、埋め込むのに利用できる。また、第２学習データセットは、心臓のリスクの予測に関連するキャリブレーションのためのデータを含むことができる。すなわち、第２学習データセットは、心臓のリスクを補正するためのデータであり、モデルが予測したリスクをより正確に当てるために利用できる。
実施形態によれば、学習データセットを構築するステップは、複数の心電図データに対する前処理を行うステップを含むことができる。
図１０は、本発明の一実施形態に係る複数の心電図データに対する前処理過程を例示的に示すフローチャートである。
図１０を参照すると、複数の心電図データに対する前処理方法は、複数の心電図データに対するノイズ前処理を行うステップ（Ｓ２１００）、ノイズ前処理された複数の心電図データを所定のウィンドウサイズに分割して複数のＲＯＩ信号を取得するステップ（Ｓ２２００）と、複数の心電図データのリード単位でＨＲＶ（Ｈｅａｒｔ Ｒａｔｅ Ｖａｒｉａｂｉｌｉｔｙ）特性情報を抽出するステップ（Ｓ２３００）と、を含むことができる。一実施形態において、ＨＲＶ特性情報は、心拍間隔間の変動性に関する指標情報を含むことができる。

より詳細に説明すると、まず、ステップＳ２１００で取得された複数の心電図データからノイズ除去のための前処理が行われる。ここで、ノイズ除去のための前処理は、ローパスフィルタリング（Ｌｏｗｐａｓｓ Ｆｉｌｔｅｒｉｎｇ）及びノイズ除去（Ｎｏｉｓｅ Ｒｅｍｏｖａｌ）を含み、これは、心電図信号のベースラインノイズを除去するためのものである。具体的には、ローパスフィルタリングは、心電図データから周波数帯域制限方式を介して高周波成分を除去して信号の純度を高め、ノイズ除去は、時系列分析技法を活用して心電図データから不要な雑音を減らして重要な信号成分をより明確にする。このような前処理過程は、心電図信号の歪みを最小限に抑え、心臓活動をより正確に評価するための信号品質の向上に寄与する。
また、実施形態によれば、コンピューティング装置１００は、モデル学習の多様性とロバスト性を高めるためのデータ増強を行うことができる。コンピューティング装置１００は、様々なノイズパターンをシミュレートする方式によってデータ増強を行い、これによりモデルが実際の環境で発生しうる様々なノイズ状況に対して学習し適応することができるようにする。
具体的な実施形態において、心電図データの前処理過程で、ガウスノイズ（Ｇａｕｓｓｉａｎ ｎｏｉｓｅ）、ジッターノイズ（Ｊｉｔｔｅｒ ｎｏｉｓｅ）、ランダムタイムウォーピング（Ｒａｎｄｏｍ Ｔｉｍｅ Ｗａｒｐｉｎｇ）、スケーリング（Ｓｃａｌｉｎｇ）、アンプリチュードモジュレーション（Ａｍｐｌｉｔｕｄｅ Ｍｏｄｕｌａｔｉｏｎ）、及びフェーズシフティング（Ｐｈａｓｅ Ｓｈｉｆｔｉｎｇ）などの実際の心電図測定環境で発生しうる様々なノイズを人為的に追加してデータセットを増加することにより、モデルが様々な環境で発生しうるノイズに対して学習し適応することができるようにする。このようなノイズの追加及び除去過程は、データの品質を向上させ、モデルの一般化性能を向上させるという利点がある。
その後、ステップＳ２２００でノイズ除去された心電図データは、所定のウィンドウサイズに分割されて複数のＲＯＩ信号に整理される。実施形態によって、ＲＯＩ信号は、心電図データのそれぞれから意味のある心臓拍動が含まれた変形可能なウィンドウサイズ単位で、ＱＲＳ Ｃｏｍｐｌｅｘ（心臓拍動）を少なくとも３～５個含む範囲として定義される。一実施形態において、ＱＲＳ Ｃｏｍｐｌｅｘは、心臓の電気的活動中の心室の脱分極を示し、心電図における主要な特徴として心拍動の開始と終了を識別することに寄与することができる。例えば、各ＲＯＩ信号は、３０秒～１分単位に分割でき、これは、心電図信号における重要なパターンを分析し、心臓拍動の規則性及び異常を識別するのに有用である。
コンピューティング装置１００は、ＲＯＩ信号を抽出して、心臓拍動の主要特性をより正確に分析することができるデータに整理する。これは、心電図信号の特定のパターンと異常の兆候を識別し、心臓疾患のリスクを評価するのに重要な役割を果たす。
また、ステップ（Ｓ２３００）で、ＨＲＶ特性情報抽出過程が行われる。ＨＲＶ特性情報は、時間の経過による心拍の周期的な変化を測定する指標であり、心臓の活動を反映する重要な信号特性である。例えば、コンピューティング装置１００は、心電図データを３０秒～１分単位に分割して複数のＲＯＩ信号を取得し、各ＲＯＩ信号に対応してＨＲＶ特性を抽出する。これは、既存のビット単位分析よりもさらに長い時間範囲でデータを分析することにより、心臓の全般的な活動性をより正確に評価するためである。
コンピューティング装置１００は、周波数分析又は時間領域分析などの方式によって各ＲＯＩ信号からＨＲＶ特性を導出する。具体的な実施形態において、コンピューティング装置１００は、様々な分析技法を適用して各ＲＯＩ信号に対応するＨＲＶ特性情報を抽出することができる。具体的な例として、コンピューティング装置は、スペクトル分析による高周波及び低周波成分の評価、及びＮＮ間隔の統計的分析を介してＨＲＶ特性情報を抽出することができる。

スペクトル分析は、周波数領域で心拍変異度を評価して、高周波成分は主に副交感神経系の活動を反映し、低周波成分は交感及び副交感神経系の混合活動を示す。これは、自律神経系のバランス状態を把握するのに有用である。ＮＮ間隔の統計的分析は、時間領域における心拍間隔の変動性を評価して心臓の自律神経系活動性を定量化する。これは、心拍の不規則性、ストレス反応、心臓の健康状態などを評価する上で重要な指標になる可能性がある。
一実施形態において、リード（ｌｅａｄ）単位で抽出されたＨＲＶ特性情報には、ＲＭＳＳＤ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ ｏｆ Ｓｕｃｃｅｓｓｉｖｅ Ｄｉｆｆｅｒｅｎｃｅｓ）、ＳＤＮＮ（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ ＮＮ ｉｎｔｅｒｖａｌｓ）、ＳＤＡＮＮ（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ａｖｅｒａｇｅ ＮＮ ｉｎｔｅｒｖａｌｓ）などが含まれることができる。具体的に、ＲＭＳＳＤは、連続的な心拍間隔の差の二乗平均の平方根を意味し、主に副交感神経系の影響を反映する。ＳＤＮＮは、すべての正常心拍間隔の標準偏差を示し、自律神経系の全体的な変動性を示す。ＳＤＡＮＮは、一定期間の平均心拍間隔の標準偏差を測定して長期的な心拍変動性を評価する。これらの指標は、心臓の自律神経系の活動性を評価し、心臓の健康状態を総合的に分析する上で重要な役割を果たす。すなわち、ＨＲＶ特性情報は、それぞれ心拍変異度の様々な側面を反映し、心拍動の不規則性、自律神経系活動性などを評価するのに使用され、心臓疾患のリスクの予測に基盤となり得る。
本発明の一実施形態によれば、心臓疾患予測モデルの生成方法は、学習データセットに基づいて１つ以上のネットワーク関数に対する学習を行うことにより、心臓疾患リスク予測モデルを生成するステップ（Ｓ３０００）を含むことができる。
図１１は、本発明の一実施形態に係る潜在ベクトルに対する埋め込みを行い、その遂行結果に基づいてベクトルデータベースを構築する過程を例示的に示すフローチャートである。
図１１を参照すると、心臓疾患リスク予測モデルを生成するステップは、第１学習データセットを利用したマスキングベースの自己教師あり学習を介して埋め込みモデルを生成するステップ（Ｓ３１００）と、埋め込みモデルを利用して第２学習データセットに対応する複数のＲＯＩ信号のそれぞれに対応する潜在ベクトル（ｌａｔｅｎｔ ｖｅｃｔｏｒ）を抽出する埋め込み実行ステップ（Ｓ３２００）と、クラスタリングモデルを利用して潜在ベクトルに対するクラスタリングを行うステップ（Ｓ３３００）と、潜在ベクトル、及び各潜在ベクトルに対応するそれぞれのクラスターに対する情報に基づいてベクトルデータベース（ＤＢ、ＤａｔａＢａｓｅ）を構築するステップ（Ｓ３４００）と、を含むことができる。

より詳細に説明すると、ステップＳ３１００で、コンピューティング装置１００は、第１学習データセットに基づいて埋め込みモデルを生成することができる。
埋め込みモデルは、心電図データの複雑なパターンを低次元空間で表現することができるように学習されたモデルであり得る。埋め込みモデルは、心電図データに対応する複数のＲＯＩ信号が入力される場合、各ＲＯＩ信号に対応する潜在ベクトルを生成することができる。
ここで、潜在ベクトルは、心電図データの重要な特徴を圧縮的に表現した低次元ベクトルであってもよい。これは、高次元データである心電図信号を理解し分析しやすくするために、信号の主要情報を含んでいる形態に変換されたデータ表現である。潜在ベクトルは、心電図データのパターンに基づいて心臓の健康状態を評価するか、或いは疾患の兆候を感知するのに有用な情報を提供することができる。
埋め込みモデルを生成する方法についての具体的な説明は、以下で図１２及び図１３を参照して後述する。
図１２は、本発明の一実施形態に係る埋め込みモデルを生成する過程を例示的に示すフローチャートである。図１３は、本発明の一実施形態に係る自己再構成モデル及び学習された自己再構成モデルから埋め込みモデルを生成する過程を説明するための例示図である。
図１２を参照すると、埋め込みモデルを生成するステップは、自己再構成モデルに、第１学習データセットに含まれたデータを入力として処理して、自己再構成モデルが、前記入力されたデータと同様の出力を生成するように、自己教師あり学習（ｓｅｌｆ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を誘導するステップ（Ｓ３１１０）と、学習の完了した自己再構成モデルから、エンコーダを抽出して埋め込みモデルを生成するステップ（Ｓ３１２０）と、を含むことができる。
自己再構成モデルは、入力と出力を介して学習する過程でデータの重要な特徴を内在的に学習するように設計されたモデルであり得る。
一実施形態において、自己再構成モデルは、入力されるデータの一部をマスキングし、マスキングされた部分を復元するニューラルネットワークモデルであり、エンコーダ（又は、次元減少ネットワーク関数）及びデコーダ（又は、次元復元ネットワーク関数）を含むことができる。一実施形態において、本発明の自己再構成モデルは、心電図データで重要なパターンを学習して、マスキングされた信号を正確に復元するＭＡＥ（Ｍａｓｋｅｄ ＡｕｔｏＥｎｃｏｄｅｒ）であり得るが、これに限定されない。
自己再構成モデルは、心電図信号（具体的には、各ＲＯＩ信号）の一部を意図的に隠し、残りの部分に基づいて信号全体を再構成する過程を介してデータの重要な特徴を効果的に学習することができる。
自己再構成モデルは、入力と出力との間の復元誤りを最小限に抑える方式で学習を行い、これにより信号の重要な特性を効果的に抽出し表現することができる。自己再構成モデルは、特にデータが複雑又は不完全であるとき、データの内在された構造を理解し活用することに強みがある。
より詳細に説明すると、図１３に示すように、自己再構成モデル８００は、入力データを次元縮小させた後、再び復元する過程によって重要な特徴を学習することができる。自己再構成モデルは、エンコーダ（又は次元減少ネットワーク関数）８１０及びデコーダ（又は次元復元ネットワーク関数）８２０を含むことができる。自己再構成モデル８００は、エンコーダ８１０を介して高次元データを低次元潜在空間に変換し、この過程でデータの核心情報を圧縮し、ノイズを低減する。その後、デコーダ８２０を用いて、圧縮された低次元表現を元の高次元空間に復元しようとし、これによりデータの重要なパターンを学習し再現することができる。

実施形態によれば、コンピューティング装置１００は、自己再構成モデル８００を、マスキング学習方式を介して学習されるように誘導することができる。この方式では、入力データの一部を意図的にマスキングし、モデルがマスキングされた部分を復元するように学習する。例えば、マスクを被せなければ、自己再構成モデルは、ＱＲＳ Ｃｏｍｐｌｅｘではなく、ノイズに偏って学習できるため、マスキングを介して重要な特徴に集中して学習することができるようにする。これにより、モデルは、入力データの残りの部分から重要なパターンと特徴を抽出して、マスキングされた情報を正確に復元する能力を開発する。これは、データのノイズや不完全な部分にも頑強に作動することができるという利点がある。
また、マスキングされた部分を復元する過程でデータの脈絡を理解し、重要な特徴を学習することができるため、心電図データなどの複雑な医療データを分析し解釈するのに非常に有用である。マスクを適用することにより、モデルは、ＱＲＳ Ｃｏｍｐｌｅｘなどの主要信号に集中して、心臓疾患の正確な診断と評価のための高信頼性のデータ分析を可能にする。
すなわち、本発明は、心電図データの分析と解釈において信頼性を高めるために、自己再構成モデルをマスキング学習方式で訓練して重要な心臓信号に集中するようにする。これは、モデルがデータの脈絡を理解し、主要特徴を学習することができるようにして、ＱＲＳ Ｃｏｍｐｌｅｘなどの核心信号を正確に把握して復元することができるようにする。
自己再構成モデルは、信号全体を再現することを目的とし、特定の有意味な範囲の信号をマスキングした後、そのマスキングされた部分を復元することに焦点を合わせる。具体的な例として、心電図信号の全体範囲で有意な部分をマスキングし、このマスキングされた領域内でＱＲＳ Ｃｏｍｐｌｅｘが３つ程度含まれるようにする。自己再構成モデルは、この領域を集中的に学習し、損失関数は、この領域に対してのみ計算される。このような方式で、モデルは、重要な信号を中心にデータの特徴を学習し、これによりデータの全体的な脈絡をより正確に理解し再現することができる。
その結果、心電図データから発生しうるノイズや不完全な部分にも頑強に作動し、心臓疾患の早期診断と評価に必要な高信頼性のデータ分析を可能にする。このような接近法は、心電図信号の分析における重要な情報の損失を最小限に抑え、正確な心臓状態評価を支援して医療データの解釈を大幅に向上させることができる。
一実施形態によれば、自己再構成モデル８００は、少なくとも１つの隠し層（ｈｉｄｄｅｎ ｌａｙｅｒ）を含むことができ、奇数の隠し層が入出力層の間に配置されることができる。それぞれの層のノードの数は、入力層のノードの数からボトルネック層（エンコード）と呼ばれる中間層まで縮小され、その後、ボトルネック層から出力層（入力層と対称）への縮小と対称的に拡張されてもよい。この場合、図１３では、エンコーダ８１０の層とデコーダ８２０の層とが対称であることが示されているが、本発明は、これに限定されず、エンコーダ８１０の層とデコーダ８２０の層のノードは対称であってもそうでなくてもよい。自己再構成モデル８００は、非線形次元減少を行うことができる。入力層及び出力層の数は、入力データの前処理後に残った入力データの項目の数と対応することができる。自己再構成モデル８００の構造でエンコーダ８１０に含まれた隠れ層のノードの数は、入力層から離れるほど減少する構造を有することができる。ボトルネック層（エンコーダとデコーダとの間に位置する最も少ないノードを有する層）のノードの数は、小さすぎる場合、十分な量の情報が伝達されない可能性があるので、特定の数以上（例えば、入力層の半分以上など）に維持されることもできる。

実施形態において、コンピューティング装置１００は、第１学習データセットに対応する複数のＲＯＩ信号を介して自己再構成モデルを学習させ、これにより、モデルは心電図データの重要な特徴及びパターンを学習する。学習された自己再構成モデルは、複数の心電図データのそれぞれに適用され、入力されたデータの一部をマスキングし、これを復元する過程を経て、心電図信号の主な特徴を抽出し分析する。
まとめると、コンピューティング装置１００は、心電図データの分析及び解釈において高い信頼性を確保するために自己再構成モデルのマスキング学習方式で学習を誘導する。この過程で、自己再構成モデルは、ＱＲＳ Ｃｏｍｐｌｅｘなどの主要信号に集中して、心臓拍動の固有の分布を学習する。自己再構成モデルが心電図データの原本信号を再現する間、心電図データ自体が持っている重要な特徴、例えばＱＲＳ Ｃｏｍｐｌｅｘのピークなどを効果的に学習する。
次のステップＳ３１２０で、学習が完了した自己再構成モデルからエンコーダを抽出して埋め込みモデルを生成する。学習された自己再構成モデルにおけるエンコーダ部分は、高次元データの重要な特徴を圧縮し、ノイズを除去するように学習（すなわち、第１学習データセットによる事前学習）されているので、入力されるデータ（例えば、第２学習データセットに含まれた複数のＲＯＩ信号）に対応して低次元潜在ベクトルを出力することができる。
実施形態によれば、生成された埋め込みモデルの場合、データの特徴を圧縮して表現するため、入力されるデータ間の類似性を潜在空間で効果的に反映することができることを特徴とすることができる。例えば、類似した入力データに対応して、埋め込みモデルは、類似した潜在空間上の潜在ベクトルを出力する。例えば、第１ＲＯＩ信号と類似した第２ＲＯＩ信号の第２潜在ベクトルは、第１ＲＯＩ信号に対応する第１潜在ベクトルと類似した潜在空間上に位置する。すなわち、潜在空間上で近い位置に配置される。
これとは逆に、入力データが互いに異なる場合（すなわち、大きな差がある場合）、埋め込みモデルは、これらのデータを潜在空間内で互いに離れた位置に配置する。これにより、心電図データの特徴的なパターンに基づいてデータ間の類似性と差異を明確に区分することができ、これは、心臓疾患の診断及び評価過程で利用できる。
すなわち、本発明は、第１学習データセットを利用して自己再構成モデルが自己学習されるように誘導し、学習の完了した自己再構成モデルからエンコーダを抽出して埋め込みモデルを形成する。
コンピューティング装置１００は、第１学習データセットを利用して埋め込みモデルを生成した後、埋め込みモデルを利用して第２学習データセットに対応する複数のＲＯＩ信号のそれぞれに対応する潜在ベクトルを抽出する埋め込みを行うことができる。
より具体的には、第２学習データセットに含まれた各ＲＯＩ信号は、コンピューティング装置１００によって埋め込みモデルに入力として提供され、埋め込みモデルは、当該信号の主要特徴を圧縮して低次元潜在ベクトルを出力する。潜在ベクトルは、ＲＯＩ信号の複雑なパターンを簡潔に表現したものであり、各ＲＯＩ信号間の類似性と差異を潜在空間で反映する。例えば、第２学習データセットに含まれた心電図データのＲＯＩ信号のうち、類似したパターンの信号は、潜在空間上で互いに近い位置の潜在ベクトルとして出力される。

その後、ステップ（Ｓ３３００）で、コンピューティング装置１００は、クラスタリングモデルを利用して潜在ベクトルに対するクラスタリングを行うことができる。
実施形態によれば、コンピューティング装置１００は、クラスタリングモデルを利用して前記潜在ベクトルに対するクラスタリングを行うことができる。
一例として、クラスタリングモデルは、埋め込みモデルが抽出した潜在ベクトルを利用してクラスタリングを行うように学習されたモデルであり、ＫＮＮ（Ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒｓ）モデルであり得る。
一実施形態において、クラスタリングモデルは、複数のＲＯＩ信号のそれぞれに対応する潜在ベクトル間の類似度距離によるクラスタリングを行うことを特徴とすることができる。
より詳細に説明すると、クラスタリング過程では、各潜在ベクトル間の距離又は類似度を計算し、これらのベクトルがどれほど近いか或いは類似するかを判断する。ここで、距離は、一般にユークリッド距離又はコサイン類似度などの測定方法を用いて計算される。
例えば、特定のＲＯＩ信号から抽出された潜在ベクトルＡと、他のＲＯＩ信号から抽出された潜在ベクトルＢとの距離を計算して、これらの２つのベクトルがどれほど類似するかを評価する。もしＡとＢの距離が近い場合、これらの２つのベクトルは、同じ又は類似のパターンを含む心電図信号を表すものと見なすことができる。クラスタリングモデルは、このような距離情報に基づいて潜在ベクトルを複数のクラスターにグループ化する。
ＫＮＮモデルの場合、特定のベクトルのＫ個の最も近い隣接ベクトルを見つけ、それらの隣接ベクトルの属するクラスターに当該ベクトルを含ませる方式でクラスタリングを行う。例えば、Ｋ＝３の場合、潜在ベクトルＡの最も近い３つの近隣ベクトルを見つけ、それらの隣接ベクトルの属するクラスターのうち、多数の属するクラスターにＡを割り当てる。このような過程は、すべての潜在ベクトルに対して繰り返し行われ、最終的に類似した特徴を共有するベクトルが同じクラスターにグループ化される。
この過程は、心電図データの様々なパターンを分類し、各パターンが心臓疾患の特定の類型又はリスクレベルとどのように関連するかを分析するのに有用である。例えば、特定のクラスターが心臓拍動の不規則性に関連する信号を含んでいる場合、当該クラスターは、不整脈などの疾患の指標として利用できる。
より具体的な例として、クラスタリングモデルを利用して各潜在ベクトルに対するクラスタリングを行う場合、４つのクラスターが形成できる。このクラスタリング過程では、各潜在ベクトル間の類似度に基づいてベクトルをグループ化する。
第１クラスター、第２クラスター、第３クラスター、第４クラスターの４つのクラスターがあると仮定すると、これらのクラスターは、それぞれ異なる心電図パターンを代表することができる。例えば、第１クラスターは、正常な心拍パターンを有する信号を含むことができ、第２クラスターは、不整脈などの特定の異常を有する信号を含むことができる。第３クラスターと第４クラスターは、それぞれ異なる類型の心臓疾患又は状態を反映する信号を含むことができる。前述した説明では、クラスター（又は群）が４つ形成できることを説明するが、これは、例示に過ぎず、実際のクラスターの数は、データの特性及びクラスタリングモデルの設定に応じて変わり得る。

このようなクラスタリングは、心電図データにおいて特定のパターン又は異常を自動的に識別し、各クラスターの特徴を分析して心臓疾患の早期診断及び管理に有用な情報を提供することができる。クラスタリング結果は、医療専門家が患者の状態を総合的に評価し、カスタマイズされた治療計画を樹立するのに重要なデータを提供する。
また、ステップＳ３４００で、コンピューティング装置１００は、潜在ベクトル、及び各潜在ベクトルに対応するそれぞれのクラスターに対する情報に基づいてベクトルデータベースを構築することができる。
本発明のベクトルデータベースは、埋め込みベクトルと所属クラスター情報、並びに各ベクトル間の距離に対する情報を保存し管理するためのＮｏＳＱＬデータベースサーバーであり得る。
本発明のベクトルデータベースは、様々な心電図データから抽出された潜在ベクトルの分析及び管理に最適化されている。これにより、心電図信号の特徴的なパターンを体系的に保存し、必要に応じてこれを検索して活用することができる。
一例として、本発明のベクトルデータベースは、患者の心電図データに基づくリスク評価及び状態モニタリングを支援することができる。特定の患者の新しく収集された心電図データが入ると、当該データから抽出された潜在ベクトルを、ベクトルデータベースに格納された既存のベクトルと比較して類似度を評価することができる。この類似度評価を介して、患者の心電図データがどのクラスターに属するのか、及び当該クラスターが以前に観察されたパターンのどれと類似するのかを把握することができる。
また、実施形態において、コンピューティング装置１００は、クラスタリング結果に対応する複数のクラスターのそれぞれに対する代表ベクトル、すなわちｐｒｉｎｃｉｐａｌ ｖｅｃｔｏｒを抽出することができる。このようなｐｒｉｎｃｉｐａｌ ｖｅｃｔｏｒは、各クラスターを代表するベクトルであり、クラスター内の潜在ベクトルの中心を表すことができる。
より具体的には、ベクトルデータベースに格納されたデータが膨大である場合、例えば、３０万件の心電図データを検索するのに多くの時間がかかることがある。一般に、特定の患者の新しい心電図データが入力される場合、前処理過程で複数のＲＯＩ信号に分割され、各ＲＯＩ信号に対する埋め込み過程を介して８０～１２０個の埋め込みベクトルが生成される。例えば、新しい心電図データが、データベースに格納された全てのベクトルと個別的に比較される場合、計算量が多いため非効率的であり得る。これは、多くの時間がかかり、リアルタイム分析が必要な状況では適さない。
これにより、探索時間を短縮し且つ効率化を高めるために、患者の心電図データに基づいて生成された潜在ベクトルを各クラスターのｐｒｉｎｃｉｐａｌ ｖｅｃｔｏｒと比較して類似のクラスターを迅速に識別することができる。この過程で各埋め込みベクトルとｐｒｉｎｃｉｐａｌ ｖｅｃｔｏｒとの内積を計算して類似度を評価し、この情報に基づいて当該心電図データがどのクラスターに属するかを判断する。

この方法は、データ全体を一々比較する代わりに、各クラスターを代表するｐｒｉｎｃｉｐａｌ ｖｅｃｔｏｒと比較することにより、迅速に関連クラスターを識別することを可能にする。その結果、心電図データの迅速な分析と効率的な管理が可能であり、心臓疾患のリスクを迅速に評価し、患者の状態をリアルタイムでモニタリングする上で重要な役割を果たす。
また、実施形態において、以下の過程を介して、予測対象者の心電図データに対する心臓疾患予測情報が生成できる。
実施形態において、予測対象者の心電図データに対する心臓疾患予測情報の生成方法は、予測対象者の心電図データを取得するステップと、予測対象者の心電図データに対する前処理を行うステップと、埋め込みモデルを利用して前処理の完了した心電図データに対応する複数の潜在ベクトルを生成するステップと、複数の潜在ベクトルのそれぞれを複数のクラスターのそれぞれに対応する代表ベクトルのそれぞれと比較して、複数の潜在ベクトルのそれぞれを前記複数のクラスターのうちの１つに分類するステップと、複数の潜在ベクトルのそれぞれが複数のクラスターに分類される分類結果に基づいて、心臓疾患のリスクに関する階層化情報を生成するステップと、を含むことができる。
実施形態において、予測対象者は、心臓疾患のリスクを評価し管理するための目的で心電図検査を受けた個人であり得る。これは、一般的な健康診断を受ける人々、心臓疾患の家族歴がある人々、又は以前に心臓疾患と診断されたか或いは関連症状を示した患者であり得る。予測対象者は、定期的な心電図モニタリングを介して心臓状態を継続的に評価し、心臓疾患の早期発見及び予防のために本発明のコンピューティング装置１００を利用することができる。
より詳細に説明すると、予測対象者の心電図データを取得した後、このデータを前処理してノイズを除去し、信号を精製する。ここで、前処理は、前述した説明でのように、心電図データの品質を向上させるために不要な信号成分を除去し、重要な信号特徴を強調する過程を含むことができ、各心電図信号を適切な単位（所定のウィンドウサイズ）に分割して処理する過程を含むことができる。所定のウィンドウサイズは、一般に、心電図データにおいて重要な情報が含まれた区間、例えば３０秒～１分程度の長さとして定義できる。この過程で、心電図データは、一定の時間間隔で分割され、それぞれの区間が独立的に分析できる。
前処理された心電図データは、埋め込みモデル（例えば、第１学習データセットを介して事前に学習された自己再構成モデルから抽出されたエンコーダ）に入力され、それぞれのデータから潜在ベクトル（又は埋め込みベクトル）が生成される。生成された潜在ベクトルは、ベクトルデータベースに格納された既存のベクトルと比較され、類似度に応じて各ベクトルが特定のクラスターに分類される。各クラスターは、心臓状態を反映する特定のパターンを持っているので、潜在ベクトルがどのクラスターに属するかによって心臓疾患のリスクが評価される。

また、コンピューティング装置１００は、複数の潜在ベクトルが複数のクラスターに分類される分類結果に基づいて心臓疾患のリスクに関する階層化情報を生成することができる。より具体的には、予測対象者の心電図データの場合、前処理過程で特定の時間単位に分割されて複数のＲＯＩ信号として取得され、各ＲＯＩ信号が埋め込みモデルの入力として処理されることにより、複数のＲＯＩ信号のそれぞれに対する潜在ベクトルが生成される。この場合、各潜在ベクトルがどのクラスターにどれほど分類されるかに対する分類結果に応じて、心臓疾患のリスクに関する予測情報が生成できる。
より具体的な例として、予測対象者の心電図データが１０個の３０秒のＲＯＩ信号で構成された場合、当該１０個のＲＯＩ信号のそれぞれは、埋め込みモデルを介して１０個の潜在ベクトルに変換され、当該１０個のベクトルは、所定の４つのクラスターのうちの一つに分類できる。ここで、所定の各クラスターは、特定の心臓状態を示し、第１クラスターが最も高いリスクを示す群集であり、第４クラスターに行くほどリスクが低い群集であり得る。
コンピューティング装置１００は、１０個の入力信号が各クラスターにどのように分類されるかによって全体リスクを予測することができる。
例えば、８つの信号が第１クラスターに、２つの信号が第２クラスターに属する場合、患者の心臓疾患のリスクが非常に高いと評価できる。これに対し、５つの信号が第２クラスター、３つの信号が第３クラスター、２つの信号が第４クラスターに属する場合には、リスクが中程度と評価されることができる。もし第３クラスターに２つ、第４クラスターに８つが属する場合には、リスクが低いと評価され、第４クラスターに１０個がすべて属する場合には、患者の心臓疾患のリスクは非常に低いと評価され得る。
すなわち、本発明のコンピューティング装置１００は、埋め込みモデルを利用して心電図データのＲＯＩ信号を分析して潜在ベクトルを取得し、各潜在ベクトルが学習データセットに基づいてクラスタリングモデルを介して所定のクラスターのうちどのクラスターに属するかを評価することにより、患者の心臓疾患のリスクを階層化された形態で予測することができる。言い換えれば、コンピューティング装置１００は、埋め込みモデルによって生成された潜在ベクトルを所定のクラスターと比較して、各ベクトルの属するクラスターを把握し、この情報に基づいて患者の心臓状態を多次元的に評価する。
このような階層化されたリスク予測方式は、心電図データ分析の精度を高め、患者の心臓状態に対する総合的な理解を助ける。したがって、本発明のコンピューティング装置は、患者の心臓疾患のリスクを体系的かつ明確に階層化して提供することにより、医療専門家が適切な予防措置又は治療計画を樹立する上で重要な情報を提供することができる。これにより、心臓疾患の早期発見と適切な対応を可能にして、患者の健康管理に寄与することができる。

図１４は、本発明の一実施形態に係る複数のツリー系列モデルのアンサンブル学習を介して心臓疾患リスク予測モデルを生成する過程を説明するための例示的なフローチャートを示す。
図１４を参照すると、心臓疾患リスク予測モデルを生成するステップは、複数の心電図データのそれぞれに対応するユーザーメタ情報を取得するステップ（Ｓ３５００）、ベクトルデータベースから複数の潜在ベクトル及び複数の潜在ベクトルに対応するクラスター情報を取得するステップ（Ｓ３６００）と、ＨＲＶ特性情報、ユーザーメタ情報、複数の潜在ベクトル、及び潜在ベクトルに対応するクラスター情報に基づいて複数のツリーモデルに対する学習を行い、各ツリーモデルの出力を統合するアンサンブル学習を行って心臓疾患リスク予測モデルを生成するステップ（Ｓ３７００）と、を含むことができる。
より具体的には、ステップＳ３５００で、ユーザーメタ情報を取得するステップは、患者の年齢、性別、病歴、生活習慣などの個人健康情報を収集する過程を含むことができる。このような情報は、個々人の健康状態と特性をよく反映し、心電図データの解釈に重要な影響を及ぼす。特に、このようなメタ情報は、心臓疾患のリスクをより正確に評価するために必要な重要な変数として利用される。これにより、患者の個人的な健康要因を考慮して、カスタマイズされた予測と評価が可能になる。
ステップＳ３６００では、ベクトルデータベースから複数の潜在ベクトルと各ベクトルに対応するクラスター情報を取得する。潜在ベクトルは、心電図データの特徴を要約したものであり、クラスター情報は、当該ベクトルの属する特定の心臓状態又は疾患のパターンを示す。これにより、患者の心電図データがどのクラスターに属するかを確認し、そのクラスターが示す心臓疾患のリスクを評価することができる。
ステップＳ３７００では、ＨＲＶ特性情報、ユーザーメタ情報、潜在ベクトル及びクラスター情報に基づいて複数のツリーモデルを学習させる。各ツリーモデルは、決定木、ランダムフォレスト、勾配ブースティング木など、様々なツリーベースの機械学習アルゴリズムを用いて心臓疾患のリスクを予測する。
ここで、クラスター情報は、ベクトルデータベースから取得でき、各ベクトルの所属クラスター情報、及びベクトル間の距離に対する情報を含むことができる。例えば、クラスター情報は、各潜在ベクトルがどのクラスターに属するのかと、クラスター内でベクトル間の類似度又は差異を示す距離情報を提供する。このような情報は、特定の心電図パターンがどのクラスターに属するのか、及びこのパターンが他の心電図データと比較してどれほど類似するか或いは異なるかを評価する上で重要な役割を果たす。これにより、心電図データの特性を分析し、当該データが特定の疾患又は状態に関連しているかをより正確に把握することができる。
より具体的には、ＨＲＶ特性情報、ユーザーメタ情報、潜在ベクトル及びクラスター情報に基づいて、複数のツリー系列モデルを学習させる過程は、次の通りである。
まず、ＨＲＶ特性情報は、心電図データから抽出された心拍変異度指標であり、心臓自律神経系の活動性を反映する。ユーザーメタ情報は、患者の年齢、性別、病歴、生活習慣などの個人別の健康状態を示す情報である。潜在ベクトルは、心電図データの特徴を低次元空間において表現した値であり、クラスター情報は、これらのベクトルがどの心臓状態又は疾患に関連するかを示す。
これらの様々な情報は、複数のツリーベースのモデルを学習させるための入力変数として使用される。例えば、ランダムフォレストモデルは、これらの入力変数を用いて複数の決定木を構成し、各ツリーの結果を総合して最終予測を提供する。勾配ブースティング木は、連続的なモデル学習を介して各ステップで以前モデルの誤差を補正し、より精密な予測を目標とする。

この場合、クラスター情報は、特に重要であり得る。各潜在ベクトルの属するクラスターと他のベクトルとの距離情報は、心電図データの特性をより深く理解し、心臓疾患のリスクを評価するのに使用される。このような情報は、複数のツリーモデルにおいて重要な決定要素として作用し、各モデルがこの情報に基づいてデータのパターンを学習させる。
最終アンサンブル過程では、個別ツリーモデルの予測結果を統合して一つの総合的な予測結果を導出する。この過程で、各モデルの重みが調整されて最終予測の信頼度と精度を高める。アンサンブル過程は、個別モデルの弱点を補完し、強みを結合して、より頑強で一貫した予測を提供する。
結果的に、このような総合的学習とアンサンブル過程は、心電図データの多次元な特性を反映して心臓疾患のリスクを正確かつ精密に予測することを可能にする。
その後、各ツリーモデルの出力を統合するアンサンブル学習が行われ、これは、個別モデルの予測結果を結合して最終予測の精度と信頼性を高める。アンサンブル学習を介して、心臓疾患のリスクをより精密に予測することができ、これにより患者の健康状態を総合的に評価し、早期診断と予防的治療計画を樹立することができる。
すなわち、本発明は、複数のツリー系列モデルに対するアンサンブル学習を介して様々なモデルの強みを結合して単一モデルよりもさらに高い予測性能を提供し、データのノイズや変動に対するロバスト性を向上させることができる。これにより、モデルが様々な患者データに対して一貫した予測を提供することができ、予測の不確実性を減らす。
まとめると、本発明のコンピューティング装置は、心臓疾患のリスクをより正確に予測するために３つのニューラルネットワークモデルを利用することを特徴とする。第一に、埋め込みモデルは、心電図データを低次元潜在ベクトルに変換して重要な信号特徴を要約する。第二に、クラスタリングモデルは、潜在ベクトルをクラスタリングして各ベクトルの所属クラスターを決定する。最後に、心臓疾患リスク予測モデルは、ＨＲＶ特性情報、ユーザーメタ情報、潜在ベクトル、クラスター情報を結合して心臓疾患リスクを予測する。このような統合された接近方式によって、コンピューティング装置は、心臓疾患のリスクをより精密かつ一貫して予測することができる。
特に、最終心臓疾患リスク予測過程で、ＨＲＶ特性情報、ユーザーメタ情報、潜在ベクトル、クラスター情報の４つの変数を利用して複数のツリー系列モデルが使用され、これらのモデルは、それぞれの出力を生成する。アンサンブル学習を介して、この出力を統合して最終出力、すなわち心臓疾患のリスクを予測する結果を生成する。このような構成により、心臓疾患リスクの予測精度が向上し、様々な変数の組み合わせを介して、より多次元的かつ包括的な評価が可能となる。これは、患者の個別的な健康状態をより正確に反映し、医療スタッフが患者のリスクを明確に理解し、最適な治療計画を樹立する上で重要な役割を果たす。

これにより、最終学習完了を介して生成される心臓疾患リスク予測モデルは、患者の心電図データに基づいて将来の心臓疾患のリスクに関する予測情報を階層化して提供することができる。階層化された情報は、患者の心臓の健康状態を多次元的に評価し、個別的な治療計画を樹立する上で重要な役割を果たす。これは、医療スタッフが患者のリスクをより明確に理解し、より精密な治療及び予防的措置を講じることを可能にすることにより、心臓疾患の早期発見及び管理に寄与する。
具体的には、このシステムは、心電図データと患者のメタ情報を総合的に分析して心臓疾患の発生可能性を様々なリスクレベルに区分する。例えば、低、中、高などとリスクを階層化して提供することにより、医療スタッフが特定の患者に対してどの程度の注意を払うべきかを明確に分かることができる。これにより、高リスク群患者は、早期診断と治療を受ける可能性が高くなり、低リスク群患者は、不要な検査を減らし、効率的な健康管理が可能となる。その結果、医療資源の効率的な配分を支援し、心臓疾患による合併症を予防し、患者の生活の質を向上させる上で重要な役割を果たすことができる。
以上で説明された実施形態は、ハードウェア構成要素、ソフトウェア構成要素、及び／又はハードウェア構成要素及びソフトウェア構成要素の組み合わせで実現できる。例えば、実施形態で説明された装置、方法及び構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、又は命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行し応答することができる他の任意の装置などのように、汎用コンピュータ又は特殊目的コンピュータを用いて実現できる。処理装置は、オペレーティングシステム（ＯＳ）、及び前記オペレーティングシステム上で行われるソフトウェアアプリケーションを行うことができる。また、処理装置は、ソフトウェアの実行に応答して、データをアクセス、保存、操作、処理及び生成することもできる。理解の便宜のために、処理装置は、１つが使用されると説明された場合もあるが、当該技術分野における通常の知識を有する者は、処理装置が複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）及び／又は複数類型の処理要素を含むことができることが分かる。例えば、処理装置は、複数のプロセッサ又は１つのプロセッサ及び１つのコントローラを含むことができる。また、並列プロセッサ（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）などの、他の処理構成（ｐｒｏｃｅｓｓｉｎｇ ｃｏｎｆｉｇｕｒａｔｉｏｎ）も可能である。
ソフトウェアは、コンピュータプログラム（ｃｏｍｐｕｔｅｒ ｐｒｏｇｒａｍ）、コード（ｃｏｄｅ）、命令（ｉｓｔｒｕｃｔｉｏｎ）、又はこれらのうちの１つ以上の組み合わせを含むことができ、所望の通りに動作するように処理装置を構成するか、或いは独立的又は結合的に（ｃｏｌｌｅｃｔｉｖｅｌｙ）処理装置を命令することができる。ソフトウェア及び／又はデータは、処理装置によって解釈されるか、或いは処理装置に命令又はデータを提供するために、任意のタイプの機械、構成要素（ｃｏｍｐｏｎｅｎｔ）、物理的装置、仮想装置（ｖｉｒｔｕａｌ ｅｑｕｉｐｍｅｎｔ）、コンピュータストレージメディア又は装置に保存できる。ソフトウェアは、ネットワークに接続されたコンピュータシステム上に分散され、分散された方法で保存又は実行されることもできる。ソフトウェア及びデータは、コンピュータ可読記録媒体に保存できる。

実施形態に係る方法は、様々なコンピュータ手段を介して行われるプログラム命令の形で実現されてコンピュータ可読媒体に記録できる。コンピュータ可読媒体は、プログラム命令、データファイル、データ構造などを単独で又は組み合わせて保存することができ、媒体に記録されるプログラム命令は、実施形態のために特別に設計及び構成されたものであってもよく、コンピュータソフトウェアの当業者に公知されて使用可能なものであってもよい。コンピュータ可読記録媒体の例には、ハードディスク、フロッピーディスク、磁気テープなどの磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ－ＲＯＭ、ＤＶＤなどの光記録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）などの磁気光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリーなどのプログラム命令を保存及び実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令の例には、コンパイラによって作成されるような機械語コードだけでなく、インタープリターなどを用いてコンピュータによって実行できる高級言語コードを含む。
上述したハードウェア装置は、実施形態の動作を行うために、１つ又は複数のソフトウェアモジュールとして作動するように構成されてもよく、その逆も同様である。
以上のように、実施形態はたとえ限定された図面によって説明されたが、当該技術分野における通常の知識を有する者であれば、これに基づいて様々な技術的修正及び変形を適用することができる。例えば、説明された技術が、説明された方法とは異なる順序で行われるか、及び／又は、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で組み合わせ又は結合されるか、或いは他の構成要素又は均等物によって対置又は置換されても、適切な結果が達成され得る。
したがって、他の実現、他の実施形態及び特許請求の範囲と均等なものも、後述する特許請求の範囲の範囲に属する。

１００ コンピューティング装置
１１０ プロセッサ
１２０ メモリー
１３０ プログラム
１４０ ディスプレイ

Claims (12)

1. コンピューティング装置の一つ以上のプロセッサで行われる方法において、
   複数の心電図データを取得するステップと、
   前記複数の心電図データに基づいて心臓疾患予測のためのモデルを生成するステップと、を含み、
   前記心臓疾患予測のためのモデルを生成するステップは、
   前記複数の心電図データに基づいて学習データセットを構築するステップと、
   前記学習データセットに基づいて一つ以上のネットワーク関数に対する学習を行うことにより、心臓疾患リスク予測モデルを生成するステップと、を含み、
   前記学習データセットは、互いに異なる学習目的に分類された第１学習データセット及び第２学習データセットを含み、
   前記心臓疾患リスク予測モデルは、患者の心電図データに基づいて、将来の心臓疾患のリスクに関する予測情報を階層化して提供し、
   前記学習データセットを構築するステップは、
   前記複数の心電図データに対する前処理を行うステップを含み、
   前記前処理を行うステップは、
   前記複数の心電図データに対するノイズ前処理を行うステップと、
   前記ノイズ前処理された複数の心電図データを所定のウィンドウサイズに分割して複数のＲＯＩ信号を生成するステップと、
   前記複数の心電図データのリード単位でＨＲＶ特性情報を抽出するステップと、を含み、
   前記ＨＲＶ特性情報は、心拍間隔間の変動性に関する指標情報を含む、
   心臓疾患予測モデルの生成方法。
2. 前記第１学習データセットは、心電図データの特性を特性空間に変換する過程に対応する学習のためのデータを含み、
   前記第２学習データセットは、心臓リスク予測に関連するキャリブレーションのためのデータを含む、請求項１に記載の心臓疾患予測モデルの生成方法。
3. 前記心臓疾患リスク予測モデルを生成するステップは、
   前記第１学習データセットを利用したマスキングベースの自己教師あり学習を介して埋め込みモデルを生成するステップと、
   前記埋め込みモデルを利用して、前記第２学習データセットに対応する複数のＲＯＩ信号のそれぞれに対応する潜在ベクトル（ｌａｔｅｎｔ ｖｅｃｔｏｒ）を抽出する埋め込み実行ステップと、
   クラスタリングモデルを利用して前記潜在ベクトルに対するクラスタリングを行うステップと、
   前記潜在ベクトル、及び各潜在ベクトルに対応するそれぞれのクラスターに対する情報に基づいて、ベクトルデータベース（ＤＢ、ＤａｔａＢａｓｅ）を構築するステップと、を含む、請求項１に記載の心臓疾患予測モデルの生成方法。
4. 前記埋め込みモデルを生成するステップは、
   自己再構成モデルに、前記第１学習データセットに含まれたデータを入力として処理して、前記自己再構成モデルが、前記入力されたデータと類似した出力を生成するように、自己教師あり学習（ｓｅｌｆ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を誘導するステップと、
   前記学習の完了した自己再構成モデルから、エンコーダを抽出して前記埋め込みモデルを生成するステップと、を含み、
   前記自己再構成モデルは、
   入力されるデータの一部をマスキングし、マスキングされた部分を復元するニューラルネットワークモデルであって、次元減少ネットワーク関数及び次元復元ネットワーク関数を含む、請求項３に記載の心臓疾患予測モデルの生成方法。
5. 前記クラスタリングモデルは、
   前記複数のＲＯＩ信号のそれぞれに対応する潜在ベクトル間の類似度距離によるクラスタリングを行うことを特徴とし、
   前記クラスタリングを行うステップは、
   前記クラスタリング結果に対応する複数のクラスターのそれぞれに対する代表ベクトルを抽出するステップを含む、請求項３に記載の心臓疾患予測モデルの生成方法。
6. 前記方法は、
   予測対象者の心電図データを取得するステップと、
   前記予測対象者の心電図データに対する前処理を行うステップと、
   前記埋め込みモデルを利用して、前記前処理の完了した心電図データに対応する複数の潜在ベクトルを生成するステップと、
   前記複数の潜在ベクトルのそれぞれを前記複数のクラスターのそれぞれに対応する代表ベクトルのそれぞれと比較して、前記複数の潜在ベクトルのそれぞれを前記複数のクラスターのうちの１つに分類するステップと、
   前記複数の潜在ベクトルのそれぞれが前記複数のクラスターに分類される分類結果に基づいて、心臓疾患のリスクに関する階層化情報を生成するステップと、を含む、請求項５に記載の心臓疾患予測モデルの生成方法。
7. 前記心臓疾患リスク予測モデルを生成するステップは、
   前記複数の心電図データのそれぞれに対応するユーザーメタ情報を取得するステップと、
   前記ベクトルデータベースから前記複数の潜在ベクトル、及び前記複数の潜在ベクトルに対応するクラスター情報を取得するステップと、
   前記ＨＲＶ特性情報、前記ユーザーメタ情報、前記複数の潜在ベクトル、及び前記潜在ベクトルに対応するクラスター情報に基づいて複数のツリーモデルに対する学習を行い、各ツリーモデルの出力を統合するアンサンブル学習を行って前記心臓疾患リスク予測モデルを生成するステップと、を含む、請求項３に記載の心臓疾患予測モデルの生成方法。
8. コンピューティング装置の一つ以上のプロセッサで行われる方法において、
   複数の心電図データを取得するステップと、
   前記複数の心電図データに基づいて心臓疾患予測のためのモデルを生成するステップと、を含み、
   前記心臓疾患予測のためのモデルを生成するステップは、
   取得された前記複数の心電図データを訓練データセット及び検証データセットに分類するステップと、
   前記訓練データセット及び検証データセットに分類された心電図データのそれぞれから所定のウィンドウサイズに分割されたＲＯＩ心電図データを取得するステップと、
   前記訓練データセットに含まれた心電図データから取得された第１ＲＯＩ心電図データを、患者の心臓疾患を予測するためのディープラーニングモデルに入力することに対応して、前記第１ＲＯＩ心電図データのそれぞれの心臓疾患クラスを予測するように前記ディープラーニングモデルを学習させるステップと、
   前記検証データセットに含まれた心電図データから取得された第２ＲＯＩ心電図データを前記学習されたディープラーニングモデルに適用して前記心臓疾患クラスを区分するための閾値を決定するステップと、をさらに含む、心臓疾患予測モデルの生成方法。
9. 前記決定するステップは、
   前記第２ＲＯＩ心電図データのそれぞれに対して同一の心電図データから分離されたＲＯＩ心電図データのそれぞれに対する確率スコアを収集するステップと、
   前記収集された第２ＲＯＩ心電図データのそれぞれに対する確率スコアを平均して最終確率スコアを導出するステップと、
   前記導出された最終確率スコアに基づいて前記心臓疾患クラスを区分するための閾値を微調整するステップと、を含む、請求項８に記載の心臓疾患予測モデルの生成方法。
10. 前記決定された閾値は、前記ディープラーニングモデルの重みと共に保存される、請求項８に記載の心臓疾患予測モデルの生成方法。
11. 一つ以上のインストラクションを保存するメモリーと、
    前記メモリーに保存された前記一つ以上のインストラクションを実行するプロセッサと、を含み、
    前記プロセッサは、前記１つ以上のインストラクションを実行することにより、請求項１又は８に記載の方法を行う、サーバー。
12. ハードウェアであるコンピュータに結合され、請求項１又は８に記載の方法を行うことができるようにコンピュータ可読記録媒体に保存されたコンピュータプログラム。