머신러닝 기술을 활용한 뇌졸중 분류방안연구 = A Study on the Classification of Stroke Using Machine Learning Technology

다국어 초록 (Multilingual Abstract)

Stroke is the most common, dangerous single institutional disease and exacerbates the social burden in an aging society. Stroke can be examined through various imaging methods, and diagnosing stroke using CT images has the advantage of fewer space constraints and faster shooting time. However, the diagnosis through images is very difficult, so it is a big disadvantage of this method. In this paper, the study was conducted based on facial image data, not based on CT images, through the characteristics of imbalance in the face of stroke patients. Based on this concept, we proposed a preprocessing algorithm optimized for stroke using facial image data of patients. We developed machine learning-based algorithms by finding elements that can be quantified from facial images, and used data from stroke patients in actual hospitals to evaluate their performance. In order to evaluate the performance of the proposed algorithm and system, two hospital neurosurgeons diagnosed stroke separately for each stroke data and evaluated their performance by comparing their diagnosis with system results. Additionally, cross-checking and feedback allowed us to identify the underlying problem of stroke.

국문 초록 (Abstract)

뇌졸중은 가장 흔하고, 위험한 단일 기관 질환이며 고령화 사회에서 사회적 부담을 악화시킨다. 뇌졸중은 다양한 영상 검사법을 통해 검사할 수 있으며, CT 영상을 이용해 뇌졸중을 진단하면 공간 제약이 적고 촬영 시간이 빠르다는 장점이 있다. 그러나 영상을 통한 진단은 매우 어렵기 때문에 이 방법의 큰 단점이다. 본 논문에서는 뇌졸중 환자의 얼굴에서는 불균형이 나타난다는 특징을 통해 CT 이미지 기반이 아닌, 얼굴 이미지 데이터를 기반으로 학습을 진행했다. 이 개념을 바탕으로 환자의 얼굴 이미지 데이터를 이용해 뇌졸중에 최적화된 전처리 알고리즘을 제안했다. 얼굴 이미지에서 수치화 시킬 수 있는 요소를 찾아내어 머신러닝 기반 알고리즘을 개발하였고, 성능을 평가하기 위하여 실제 병원에서 뇌졸중 환자의 데이터를 활용하였다. 이번 연구는 제안된 알고리즘과 시스템의 성능을 평가하기 위해 병원 신경외과 전문의 2명이 뇌졸중 데이터마다 별도로 뇌졸중을 진단해 자신의 진단을 시스템 결과와 비교해 성과를 평가했다. 추가로 교차 검진과 피드백을 통해 뇌졸중의 근본적 문제를 확인할 수 있었다.

참고문헌 (Reference)

• 1 J. H. Pexman, "Use of the Alberta Stroke Program Early CT Score (ASPECTS) for Assessing CT Scans in Patients with Acute Stroke" 22 (22): 1534-1542, 2001
• 2 J. Wang, "Lung cancer detection using co-learning from chest CT images and clinical demographics" 10949-, 2019
• 3 A. C. Holland, "Emotion identification across adulthood using the Dynamic FACES database of emotional expressions in younger, middle aged, and older adults" 33 (33): 245-257, 2018
• 4 F. Gotoh, "Development of a Novel, Weighted, Quantifiable Stroke Scale: Japan Stroke Scale" 32 (32): 1800-1807, 2001
• 5 N. Guberina, "Detection of early infarction signs with machine learning-based diagnosis by means of the Alberta Stroke Program Early CT score (ASPECTS) in the clinical routine" 60 (60): 889-901, 2018
• 6 N. Pillay, "Automated Design of Machine Learning and Search Algorithms" 13 (13): 16-17, 2018
• 7 J. B. Yu, "Analysis of Research Trend on Machine Learning Based Malware Mutant Identification" 27 (27): 12-19, 2017