AI-Hub

데이터 변경이력

데이터 히스토리

소개

6개의 의료기관에서 획득한 4가지 만성통증 질환 489,133건 이상의 다양한 영상을 Annotaion한 데이터셋으로, 개인정보를 비식별처리하여 개인정보 보호이슈를 해결한 통증치료 및 경과관찰을 위한 학습용 데이터 구축

구축목적

퇴행성 관절통증 질환에 대한 정상 및 질환 빅데이터를 확보하고 인공지능 기반 정상 및 질환에 대하여 신속하고 정확한 병기(stage) 분류, 예방 및 치료 방법에 대한 근거중심의학을 위한 학습용 데이터셋

1. 데이터 구축 규모

• 4가지 만성통증 질환(회전근개파열, 퇴행성 슬관절, 골다공증, 만성신경병증) 환자 3,000명 이상에서 시행한 멀티모달리티 검사 데이터 6,000건 이상
• 만성통증 질환의 유병율을 고려하여 중요성이 높은 질환 4종 제시
• 임상적으로 널리 사용되는 주요 모달리티 중심으로 제시  
  (x-ray, MRI, CT, 골밀도, 체열검사, 투시촬영검사, Bone scan, EMG/NCS)

2. 데이터 분포

• 연령, 성별 등 인구학적 특성을 고려하여 편중되지 않는 데이터를 수집할 수 있도록 설계
  환자군이 퇴행성 질환 특성상 고연령층에 분포되어 있어, 실제 유병율을 고려하여 연령대 분포를 설정

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. 중증 골다공증(OP)의 유사패턴 검색 모델

• 환자의 이미지를 사용해 유사한 패턴을 가지고 있는 골다공증 영상을 검색하는 인공지능 모델
• 데이터
  • 중증 골다공증 환자의 x-ray 이미지
  • 타겟 변수: 척추 collapse 정도
  • AI모델 사용 환자 이미지: 100% (2,282장)
  • Train: 골다공증 골절통증 : 80% (1,826명)
  • Test: 골다공증 골절통증 : 20% (456명)
• Elasticsearch 기반 중증 골다공증(OP)의 유사패턴 검색 시스템 구축 
  • 전이 학습 기반 중증 골다공증(OP)의 유사패턴 검색 모델 개발 
  • Transfer learning(InceptionResNetV2) 기법을 이용해 이미지에서 feature를 추출하고 vector 공간에 표기 
  • 중증 골다공증(OP) 유사패턴 검색을 검색하며, 검색엔진은 Elasticsearch를 사용함 
• 중증 골다공증(OP)의 유사패턴 검색 모델 성능 평가 방법 및 성능 테스트
  • 중증 골다공증(OP) 이미지 입력하고, 검색 결과에서 상위(유사도가 높은) N개를 출력
  • 출력 결과에서 검색 이미지와 유사한 이미지의 개수를 count하고 정확도 산출
  • 테스트 결과 정확도 0.87 
• 활용 시나리오
  • 인공지능 유사패턴 검색 모델이 환자 정보를 기반으로 유사 중증 환자를 검색하고 그에 대한 정보를 도출해 전문의에게 제안함으로써 진단, 의사결정을 도울 수 있음

[유사패턴 검색 시스템 흐름도]

2. 만성신경병증성 통증(CNP)의 중증도 예측 모델

• 환자의 이미지, 임상 데이터를 사용해 통증의 중증도를 예측하는 멀티모달 인공지능 모델
• 데이터
  • 만성신경병증성 통증 환자의 bone scan 이미지
  • 임상 정보 (나이, 성별, 유병기간 등)와 약물 정보 (약물 종류, 처방 기간 등)
  • 타겟 변수: 통증지표(visual analogue scale: VAS)
  • VAS는 환자 본인이 자신이 느끼는 통증의 정도를 표기하는 환자의 주관적인 지표이기 때문에 데이터를 기반으로 객관적으로 평가하는 결과와 차이가 있으며 모델의 학습, 테스트 결과 및 성능을 기대하기 어려움
• 데이터 전처리 및 분할
  • 환자의 임상 정보, 약물 정보의 범주형 데이터에 대해 encoding 
  • VAS를 타겟으로 binary classification 모델을 학습하기 위해 VAS 1~3, 7~10에 해당하는 환자 1,255명(84%)만 분석 대상으로 함
  • 클래스 분포: 정상 176명, 통증 1,079명
  • Train Set: 전체 데이터 셋의 80%
  • Validation Set: train set의 20% 데이터를 추출해 사용
  • Test Set (검증): 전체 데이터 셋의 20%
• 만성신경병증성 통증(CNP)의 중증도 예측 모델
  • 이미지 특징 추출 모델로 MobileNetv2, 가중치는 ImageNet을 사용
• 만성신경병증성 통증(CNP)의 중증도 예측 성능 평가
  • 성능 평가지표는 Precision, Recall, AUC, Accuracy를 사용함
  • Precision: 0.86
  • Recall: 0.86
  • AUC 0.86
• 활용 시나리오
  • 만성신경병증성 통증(CNP)의 중증도 예측 모델을 사용해 환자의 영상 정보, 임상 정보, 약물 정보를 기반으로 통증을 예측하고, 그 결과를 전문의에게 제안함으로써 보다 효율적인 진단, 의사결정을 도울 수 있음

[만성 신경병증성 통증 중증도 예측 흐름도]

데이터 성능 점수

설명서 및 활용가이드 다운로드

대표도면

• 데이터 종류 예시

  대표도면 데이터 종류 예시

  데이터 종류	X-ray	MRI	판독문
  예시
  데이터 구성	관절간격, 연골하골 경화, 골극, 하지정렬	반월판연골 손상, 관절연골 손상, 삼출액유무, 골수부종 유무	진단 결과, 임상 데이터
  데이터 포맷	json 포맷, csv 포맷	json 포맷, csv 포맷	json포멧

   

  데이터 종류	Bone scan	체열영상	투시영상
  예시
  데이터 구성	병변의 비정상여부	상지,체부,하지 균등여부	root block, medial branch block, caudal block, sympathetic blok 평가
  데이터 포맷	jpg 포맷	json 포맷	json포멧, jpg포맷

• 질환별 라벨링 예시

  대표도면 질환별 라벨링 예시

  구분	X-ray	MRI
  퇴행성 관절통증 환자 (회전근개 파열) DJD_S
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

   

  구분	X-ray	MRI
  퇴행성 관절통증 환자 (퇴행성 슬관절) DJD_K
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

   

  구분	X-ray	MRI	골밀도
  골다공증성 통증 OP (Osteoporotic Fracture)
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

   

  구분	체열	투시촬영	Bone scan
  만성신경병증 통증 CNP (Chronic Neuropathic Pain)
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

• CNP 라벨링데이터 실제 예시
  • Json 형식
    
  • 속성 정의

    대표도면 속성 정의

    No			항목		길이	타입	필수여부
    			한글명	영문명
    1			어노테이션 정보	annotation		Object
    1–1			데이터 분류	DATA_CATEGORY		Array
    	1–1–1		골극	lipping		Number
    	1–1–2		연골하골경화	carbonehard		Number
    	1–1–3		반월상연골 돌출	meniscuslt		Number
    	1–1–4		반월상연골 파열	meniscusrup		Number
    	1–1–5		반월상연골 퇴화	meniscusana		Number
    	1–1–6		골수부종	bonemedema		Number
    	1–1–7		삼출액	pleuralefluid		Number
    1–2			어노테이션 질병분류	disease_category		String	Y
    1–3			어노테이션 결과 데이터	ANNOTATION_DATA		Array
    	1–3–1		저작도구 식별자	id		Number
    	1–3–2		라벨링	label		String
    	1–3–3		저작도구 타입	type		String
    	1–3–4		거리	distMm		Number
    	1–3–5		시작점	vs		Object
    		1–3–5–1	시작점 x좌표	x		Number
    		1–3–5–2	시작점 y좌표	y		Number
    	1–3–6		끝점	ve		Object
    		1–3–6–1	끝점 x좌표	x		Number
    		1–3–6–2	끝점 y좌표	y		Number
    1–4			임상의료데이터	clinic		Object	Y
    	1–4–1		식별자	id		String	Y
    	1–4–2		진단명	name		String	Y
    	1–4–3		나이	age		Number	Y
    	1–4–4		성별	sex		Number	Y
    	1–4–5		통증점수	vas		Number	Y
    2			데이터셋 정보	Dataset		Object	Y
    2–1			데이터셋 식별자	identifier		String	Y
    2–2			데이터셋 이름	name		String	Y
    2–3			데이터셋 폴더 위치	src_path		String	Y
    2–4			데이터셋 레이블 폴더 위치	label_path		String	Y
    2–5			데이터셋 질병분류	diseases		Number	Y
    2–6			데이터셋 카테고리	category		Number	Y
    2–7			데이터셋 타입	type		Number	Y
    3			이미지정보	Images		Object
    3–1			이미지 식별자 (파일명)	identifier		String
    3–2			이미지 파일 확장자	type		String
    3–3			이미지 가로 크기 (픽셀)	width		Number
    3–4			이미지 세로 크기 (픽셀)	height		Number
    3–5			이미지 생성 일자	dataCaptured		String

데이터셋 구축 담당자

수행기관(주관) : 가톨릭대학교 산학협력단

수행기관(참여)

데이터 관련 문의처