※온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2021-06-30 데이터 최초 개방 소개
자궁경부암 진단을 위한 자궁경부 확대 영상, 세포검사, 조직검사 데이터
구축목적
인공지능 판독을 위한 표준화된 자궁경부암 진단 이미지 구축 및 공개를 통한 인공지능 데이터 선순환 생태계 조성
-
메타데이터 구조표 데이터 영역 헬스케어 데이터 유형 이미지 데이터 형식 데이터 출처 라벨링 유형 라벨링 형식 데이터 활용 서비스 데이터 구축년도/
데이터 구축량2020년/9.1만 -
구축 내용 및 제공 데이터량
구축 내용 및 제공 데이터량 표 구분 세부 항목(병변) 데이터 유형 제공 데이터 량 (건) 자궁경부
확대촬영
검사NORMAL png, jpg, json 13,160 LSIL jpg, json 16,093 HSIL jpg, json 7,536 CANCER jpg, json 5,434 계 42,223 자궁경부
세포검사Normal jpg, json 9,372 LSIL jpg, json 5,242 HSIL jpg, json 6,632 CANCER jpg, json 5,247 계 26,493 자궁경부
조직검사Normal jpg, json 6,882 LSIL jpg, json 5,839 HSIL jpg, json 5,657 CANCER jpg, json 5,367 계 23,745 총계 92,461 -
-
AI 모델 상세 설명서 다운로드
AI 모델 다운로드 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 자궁경부암 확대촬영 이미지 (NORMAL) / 병변 탐지 및 범주화 (NORMAL) Image Classification MASK R-CNN Accuracy 85 % 92.31 % 2 자궁경부암 확대촬영 이미지 (LSIL) / 병변 탐지 및 범주화 (LSIL) Image Classification MASK R-CNN Accuracy 85 % 87.13 % 3 자궁경부암 확대촬영 이미지 (HSIL) / 병변 탐지 및 범주화 (HSIL) Image Classification MASK R-CNN Accuracy 85 % 88.18 % 4 자궁경부암 확대촬영 이미지 (CANCER) / 병변 탐지 및 범주화 (CANCER) Image Classification MASK R-CNN Accuracy 85 % 93.83 % 5 자궁경부암 세포검사 이미지 (NORMAL) / 병변 탐지 및 범주화 (NORMAL) Image Classification MASK R-CNN Accuracy 85 % 91.26 % 6 자궁경부암 세포검사 이미지 (LSIL) / 병변 탐지 및 범주화 (LSIL) Image Classification MASK R-CNN Accuracy 85 % 89.87 % 7 자궁경부암 세포검사 이미지 (HSIL) / 병변 탐지 및 범주화 (HSIL) Image Classification MASK R-CNN Accuracy 85 % 86.57 % 8 자궁경부암 세포검사 이미지 (CANCER) / 병변 탐지 및 범주화 (CANCER) Image Classification MASK R-CNN Accuracy 85 % 92.23 % 9 자궁경부암 조직검사 이미지(NORMAL) / 병변 탐지 및 범주화 (NORMAL) Image Classification MASK R-CNN Accuracy 85 % 85.71 % 10 자궁경부암 조직검사 이미지(LSIL) / 병변 탐지 및 범주화(LSIL) Image Classification MASK R-CNN Accuracy 85 % 92.97 % 11 자궁경부암 조직검사 이미지(HSIL) / 병변 탐지 및 범주화(HSIL) Image Classification MASK R-CNN Accuracy 85 % 86.69 % 12 자궁경부암 조직검사 이미지(CANCER) /병변 탐지 및 범주화(CANCER) / Image Classification MASK R-CNN Accuracy 85 % 91.69 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2021.06.30 데이터 최초 개방 구축 목적
- 인공지능 판독을 위한 표준화된 자궁경부암 진단 이미지 구축 및 공개를 통한 인공지능 데이터 선순환 생태계 조성
활용 분야
- 자궁경부암 관련 인공지능 정보기술 개발 및 자궁경부암 진단을 위한 의료 인공지능 서비스
소개
- 익명성이 확보된 자궁경부암 진단 이미지 데이터를 수집, 정제, 가공 및 검증 프로세스를 통해 인공지능 학습 및 응용서비스가 가능한 수준의 데이터셋으로 구축 및 공개하여 인공지능 의료서비스 분야의 사회적‧경제적 가치 실현
1. 기대효과
2. 사업 목표
3. 사업 수행 개요
구축 내용 및 제공 데이터량
구축 내용 및 제공 데이터량 표 구분 세부 항목(병변) 데이터 유형 제공 데이터 량 (건) 자궁경부
확대촬영
검사NORMAL png, jpg, json 13,160 LSIL jpg, json 16,093 HSIL jpg, json 7,536 CANCER jpg, json 5,434 계 42,223 자궁경부
세포검사Normal jpg, json 9,372 LSIL jpg, json 5,242 HSIL jpg, json 6,632 CANCER jpg, json 5,247 계 26,493 자궁경부
조직검사Normal jpg, json 6,882 LSIL jpg, json 5,839 HSIL jpg, json 5,657 CANCER jpg, json 5,367 계 23,745 총계 92,461 대표도면
필요성
- 자궁경부암 검사 인원 수는 1년에 국내에서 약 5백만명 이상으로, 위암과 대장암에 이어 3번째로 많이 시행되고 있는 현실임
- 특히, 자궁경부암 검사는 100% 여성에서만 시행하는 것을 감안하면, 여성에서 명실 공히 국내에서 제일 많이 시행하는 검사임
- 따라서, 대량으로 시행하는 자궁경부암 검사의 신속 정확한 결과 도출을 위한 의료 인프라 구축이 필요함
데이터 구조
- 1. 데이터 구성
- 2. 어노테이션 포맷
- 자궁경부 확대촬영 검사어노테이션 포맷 표-자궁경부 확대촬영 Class Property 소견 NORMAL NORMAL NONE LSIL LM 미세한 모자이시즘(Fine mosaicism) LP 미세한 점적반(Fine punctation) LA 얇은 초산 백색 상피
(Thin acetowhite epithelium)LB 불규칙 지도 경계
(Ireegular, geographic margin)HSIL HM 조잡한 모자이시즘 (Coarse mosaicism) HP 조잡한 점적반 (Coarse punctation) HA 짙은 초산 백색 상피
(Dense acetowhite epithelium)HB 예리한 경계 (Sharp border) HS 불규칙적인 표면 (Irregular surface) HU 궤양 (Ulceration) HE 침식 또는 상피 벗겨짐 (Erosion) CANCER CV 비정형혈관 (Atypical vessel) CS 불규칙적인 표면 (Irregular surface) CN 괴사 (Necrosis) CU 궤양 (Ulceration) CT 육안 관찰 종양
(Tumer/gross neoplasm)
- 자궁경부 세포검사어노테이션 포맷 표-자궁경부 세포검사 Class Property 소견 NORMAL S, super 자궁경부 상피 세포 (Superficial cell) I, Intermediate 중간 세포 (Intermediate cell) P, Parabasal 기저 세포 (Parabasal cell) SM 편평상피화생 세포 (Squamous Metaplasia) Endo 자궁경관 내 세포 (Endocervical cell) LSIL CIN Ⅰ, CIN1 저등급 자궁경부상피내종양
(Cervical Intra-epithelial Neoplasia 1)HSIL CIN Ⅱ, CIN2 고등급 자궁경부상피내종양
(Cervical Intra-epithelial Neoplasia 2)CANCER CIN Ⅲ, CIN3 자궁경부암
(Cervical Intra-epithelial Neoplasia 3)SCC 편평 세포 암종 (Squamous cell carcinoma) Adenocarcinoma 선암종
- 자궁경부 조직검사어노테이션 포맷 표-자궁경부 조직검사 Class Property 소견 NORMAL S 자궁경부 상피 세포(Superficial cell) I 중간 세포(Intermediate cell) P 기저 세포(Parabasal cell) SM 편평상피화생 세포(Squamous Metaplasia) Endo 자궁경관 내 세포(Endocervical cell) NL Squamous epi 정상 편평상피세포
(Normal Squamous epithelium)NL Endo Glan 정상 자궁경관 내 선상세포
(NL Endocervical glandular)LSIL CIN Ⅰ, CIN1 저등급 자궁경부상피내종양
(Cervical Intra-epithelial Neoplasia 1)HSIL CIN Ⅱ, CIN2 고등급 자궁경부상피내종양
(Cervical Intra-epithelial Neoplasia 2)CANCER CIN Ⅲ, CIN3 자궁경부암
(Cervial Intra-epithelial Neoplasia 3)SCC 편평 세포 암종(Squamous cell carcinoma) Adenocarcinoma 선암종
-
데이터셋 구축 담당자
수행기관(주관) : 연세대학교 산학협력단
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 김상운 02-2123-6500 [email protected] · 데이터 구축(수집, 정제, 가공, 검수) 및 과제수행 총괄 · 구축 데이터 의미정확성 검증 수행 수행기관(참여)
수행기관(참여) 기관명 담당업무 가톨릭대학교 성모병원 · 데이터 구축(수집, 정제, 가공, 검수) 프로세스 수행
· 구축 데이터 의미정확성 검증 수행(주)엠티에스컴퍼니 · 자궁경부암 진단 이미지 인공지능 학습 및 판독 알고리즘 모델 개발
· 자궁경부암 진단 및 판독 응용서비스 개발
· 구축 데이터 다양성 및 구문정확성 검증 수행데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 서장원((주)엠티에스컴퍼니) 02-501-1980 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.