BioinformaticsAndMe

과정소개

본 과정은 국가인적자원개발 컨소시엄사업으로 제약산업의 핵심 인재 및 재직자 역량강화를 통한 전문인력을 양성하고자 합니다.

▶교육내용

-빅데이터 기본이해 및 사례연구(6H)

-빅데이터 기술 및 분석(10H)

▶교육방법: zoom 실시간 라이브수업 *cam은 선택사항이나 교육의 효과성 제고를 위해 켜두시기를 권장합니다.

▶수료기준: 80%이상 출석 *출결관리는 HRD-NET QR코드로 입실퇴실시 인증 필수이며 1시간 단위로 확인버튼 전송 필요

▶교육대상 : 텐서플로우 의료정보데이터 활용에 관심있는 재직자 및 관련 희망자

▶교육일시 : 2020. 9. 10(목) ~ 11(금), 09:00~18:00 (2일, 16H)

▶자체부담금 : 73,650원(대규모기업재직자, 지원외 수강생) * 우선지원기업 무료

* 고용보험기금 지원사업으로 고용보험 납부자에 한합니다.(비대상자 개별문의) 

* 2019년부터 고용노동부 및 한국산업인력공단 컨소시엄 사업 규정 변경으로 대규모 기업 소속의 교육생(제조 500명 이상) 및 청강생은 일부 자체 부담금(교육비의 20%)이 발생됩니다.  

* 우선지원기업분들도 결제창이 뜰수 있으나 결제 되지 않습니다(결제금액 0원).

▶교육문의 : 보건산업교육본부 박은영 대리(02-3299-1430 / ppong32@kohi.or.kr)

의약품빅데이터분석 실무실습과정 안내문(2기).pdf

#신청링크

https://hie.kohi.or.kr/course/active/detail.do

#신청링크

http://naver.me/Fz9VhYUi

AUC-ROC 커브 Start

BioinformaticsAndMe

1. AUC - ROC Curve?

---

: AUC-ROC 곡선은 다양한 임계값에서 모델의 분류 성능에 대한 측정 그래프임

*ROC(Receiver Operating Characteristic) = 모든 임계값에서 분류 모델의 성능을 보여주는 그래프

*AUC(Area Under the Curve) = ROC 곡선 아래 영역

: AUC가 높다는 사실은 클래스를 구별하는 모델의 성능이 훌륭하다는 것을 의미

: 임상에서 AUC-ROC 곡선은 정상인 및 환자 클래스를 구분하는 모델(ex. 특정 유전자군)의 성능 평가로 흔하게 사용됨

: ROC 곡선은 TPR(=민감도)이 y축에 있고, FPR(=1-specificity)이 x축으로 그려짐

2. AUC - ROC Curve 용어 정리

---

: Confusion Matrix의 분류 모델 성능에 대한 지표 (TP, FP, TN, FN)

: 사용되는 통계량

ㄱ) Sensitivity(민감도) = 실제로 질병이 있을 때, 검사 결과가 양성인 경우 (true positive rate) = a / (a+b)

ㄴ) Specificity(특이도) = 실제로 질병이 없을 때, 검사 결과가 음성인 경우 (false positive rate) = d / (c+d)

ㄷ) Positive likelihood ratio(양성우도비) = 질병이 있을 때 검사 결과가 양성 확률과 질병이 없을 때 검사 결과가 양성 확률 사이의 비율 = True positive rate / False positive rate = Sensitivity / (1-Specificity)

ㄹ) Negative likelihood ratio(음성우도비) = 질병이 있을 때 검사 결과가 음성 확률과 질병이 없을 때 검사 결과가 음성 확률 사이의 비율 = False negative rate / True negative rate = (1-Sensitivity) / Specificity

ㅁ) Positive predictive value(양성예측도) = 검사 결과가 양성일 때, 질병이 실제로 존재할 확률 = a / (a+c)

ㅅ) Negative predictive value(음성예측도) = 검사 결과가 음성일 때, 질병이 실제로 없을 확률 = d  / (b+d)

3. 모델의 성능을 측정하는 방법

---

: 우수한 분류 모델은 AUC 값이 1에 가깝고, 클래스를 분류하는 성능이 뛰어남을 의미

: 반대로, 불량한 분류 모델은 AUC 값이 0에 가깝고, 클래스를 분류하는 성능이 떨어짐을 의미

*실제로는 AUC의 최소값은 0.5으로, 이 경우에 모델의 클래스 분리 능력이 전혀 없음을 뜻함

: ROC는 확률곡선의 형태로, 아래 그래프에서 적색은 양성클래스(질병o), 녹색은 음성클래스(질병x)로 표현했음

1) AUC = 1

- 두 개의 곡선이 전혀 겹치지 않는 경우 모델은 이상적인 분류 성능을 보임

- 양성 클래스와 음성 클래스를 완벽하게 구별 할 수 있음

2) AUC = 0.7

- 두 분포가 겹치면 'type 1 error' 및 'type 2 error'가 발생

- 설정한 threshold에 따라, 위에 오류값들을 최소화 또는 최대화 할 수 있음

- AUC 값이 0.7이면, 해당 분류 모델이 양성 클래스와 음성 클래스를 구별 할 수 있는 확률은 70%임을 의미

3) AUC = 0.5

- 분류 모델의 성능이 최악인 상황

- AUC가 0.5 정도인 경우, 해당 분류 모델은 양성 클래스와 음성 클래스를 구분할 수 있는 능력이 없음

4. Sensitivity, Specificity, FPR, Threshold 관계

---

: Sensitivity(민감도)와 Specificity(특이성)은 서로 반비례

*Sensitivity를 높이면 Specificity가 감소, Sensitivity를 낮추면 Specificity가 증가

: FPR(False Positive Rate) = 1 - Specificity

*TPR(True Positive Rate)을 올리면 FPR도 증가함

: Threshold(임계값)을 줄이면, positive rate이 높아져 Sensitivity ↑, Specificity ↓

: Threshold(임계값)을 높이면, negative rate이 높아져 Specificity ↑,  Sensitivity ↓

5. AUC-ROC을 쉽게 설명한 영상 소개

---

#Reference

1) https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5

2) https://www.medcalc.org/manual/roc-curves.php

3) https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc

4) https://link.springer.com/article/10.1007/s10115-017-1022-8

5) https://www.youtube.com/watch?v=4jRBRDbJemM

AUC-ROC 커브 End

BioinformaticsAndMe

Datasets and Applications of Machine Learning to the Coronavirus [4] Start

BioinformaticsAndMe

코로나바이러스 머신러닝 데이터셋 및 앱

[1] 항바이러스성 약물 연구 촉진을 위한, 단백질 구조 및 화합물 상호작용 예측

[2] 정확한 자원 조달과 대응을 위한, 감염률 및 환자 예후 예측

[3] 의료영상에서 병변 이미지 진단 보조

[4] 소셜미디어 데이터에 기반한 바이러스 확산, 증상 예측 및 대중적 이해도 조사

소셜미디어 데이터에 기반한 바이러스 확산, 증상 예측 및 대중적 이해도 조사

: 코로나 바이러스에 대한 정보를 얻기 위해, 소셜미디어 데이터마이닝에 집중함

: 소셜미디어는 일반 대중의 증상과 확산에 대한 자세한 정보를 포함할 가능성이 높음

: 코로나 바이러스 추적을 위해, 효과적인 소셜미디어 데이터마이닝 기법과 데이터셋을 소개함

1. A review of influenza detection and prediction through social networking sites

2. Forecasting Influenza Levels using realtime social media streams

3. Regional Influenza Prediction with Sampling Twitter Data

4. 데이터셋

#Reference

1) https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861

2) https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5793414/

3) https://www.scholars.northwestern.edu/en/publications/forecasting-influenza-levels-using-real-time-social-media-streams

4) https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=8&ved=2ahUKEwiS4OG_y6DoAhWYlHIEHWBgDGIQFjAHegQIBxAB&url=https%3A%2F%2Fwww.mdpi.com%2F1660-4601%2F17%2F3%2F678%2Fpdf&usg=AOvVaw28lUY2oEaS9FCUQR6UF6Tf

5) https://www.kaggle.com/smid80/coronavirus-covid19-tweets

Datasets and Applications of Machine Learning to the Coronavirus [4] End

BioinformaticsAndMe

Datasets and Applications of Machine Learning to the Coronavirus [3] Start

BioinformaticsAndMe

코로나바이러스 머신러닝 데이터셋 및 앱

[1] 항바이러스성 약물 연구 촉진을 위한, 단백질 구조 및 화합물 상호작용 예측

[2] 정확한 자원 조달과 대응을 위한, 감염률 및 환자 예후 예측

[3] 의료영상에서 병변 이미지 진단 보조

[4] 소셜미디어 데이터에 기반한 바이러스 확산, 증상 예측 및 대중적 이해도 조사

의료영상에서 코로나 바이러스 진단 보조

: X-ray 또는 CT 스캔에서 코로나 바이러스 폐렴 사례를 검사하여, 진단 시간을 줄이고 향상된 치료 가이드라인 제공

: 방대한 환자들을 감당하는 전문의는 한정적이므로, 이미지 관련 딥러닝을 보조 수단으로 활용 가능

: 아래의 논문들은 의료영상으로 바이러스에 대한 통찰력을 넓히기 위한 데이터셋과 학습 기법을 소개함

1. Deep learning-based model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography

2. A deep learning algorithm using CT images to screen for CoronaVirus Disease (COVID-19)

3. Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia

4. 데이터셋

#Reference

1) https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861

2) https://www.medrxiv.org/content/10.1101/2020.02.25.20021568v2.full.pdf

3) https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v5.full.pdf

4) https://arxiv.org/ftp/arxiv/papers/2002/2002.09334.pdf

5) https://en.wikipedia.org/wiki/U-Net

6) https://github.com/ieee8023/covid-chestxray-dataset

Datasets and Applications of Machine Learning to the Coronavirus [3] End

BioinformaticsAndMe

Datasets and Applications of Machine Learning to the Coronavirus [2] Start

BioinformaticsAndMe

코로나바이러스 머신러닝 데이터셋 및 앱

[1] 항바이러스성 약물 연구 촉진을 위한, 단백질 구조 및 화합물 상호작용 예측

[2] 정확한 자원 조달과 대응을 위한, 감염률 및 환자 예후 예측

[3] 의료영상에서 병변 이미지 진단 보조

[4] 소셜미디어 데이터에 기반한 바이러스 확산, 증상 예측 및 대중적 이해도 조사

정확한 자원 조달과 대응을 위한, 감염률 및 환자 예후 예측

: 최근 여러 연구진들이 코로나 바이러스 감염률/확산률/예후예측 등의 다양한 모델을 제시하고 있음

: 신빙성 있는 결과를 얻기 위해, attention learning 및 transfer learning 등의 딥러닝 모델을 사용함

*attention learning

*transfer learning

: 아래의 논문들은 코로나 바이러스 예측에 필요한 데이터셋과 학습 기법을 소개함

1. Prediction of criticality in patients with severe Covid-19 infection using three clinical features

2. Finding an Accurate Early Forecasting Model from Small Dataset

3. 데이터셋

#Reference

1) https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861

2) https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v2

3) https://arxiv.org/abs/2003.10776

4) https://wikidocs.net/22893

5) http://incredible.ai/artificial-intelligence/2017/05/13/Transfer-Learning/?

6) https://github.com/willhaslett/covid-19-growth

7) https://github.com/ThisIsIsaac/Data-Science-for-COVID-19

8) https://github.com/closedloop-ai/cv19index

Datasets and Applications of Machine Learning to the Coronavirus [2] End

BioinformaticsAndMe

#녹십자지놈 채용홈페이지

https://recruit.gccorp.com/commonAction.do

Datasets and Applications of Machine Learning to the Coronavirus [1] Start

BioinformaticsAndMe

코로나바이러스 머신러닝 데이터셋 및 앱

[1] 항바이러스성 약물 연구 촉진을 위한, 단백질 구조 및 화합물 상호작용 예측

[2] 정확한 자원 조달과 대응을 위한, 감염률 및 환자 예후 예측

[3] 의료영상에서 병변 이미지 진단 보조

[4] 소셜미디어 데이터에 기반한 바이러스 확산, 증상 예측 및 대중적 이해도 조사

항바이러스성 약물 연구 촉진을 위한, 단백질 구조 및 화합물 상호작용 예측

: 코로나 바이러스에 대한 새로운 항바이러스 약물/백신을 개발하거나, 기존 약물의 적응증 확대를 목표로 둠.

: 단백질 구조와 화합물 사이의 상호작용을 예측하고자 딥러닝기술을 적용함.

: 아래의 데이터셋 및 앱은 합성곱신경망을 사용하여, 분자와 그 상호작용을 모델링하고자 함.

1. Deep Learning Based Drug Screening for Novel Coronavirus 2019-nCov (Zhang, et al.)

2. Predicting commercially available antiviral drugs that may act on the. novel coronavirus (2019-nCoV), Wuhan, China

3. Deepmind

4. 데이터셋

#Reference

1) https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861

2) https://www.preprints.org/manuscript/202002.0061/v1

3) https://www.biorxiv.org/content/10.1101/2020.01.31.929547v1

4) https://deepmind.com/research/open-source/computational-predictions-of-protein-structures-associated-with-COVID-19

5) https://www.kaggle.com/paultimothymooney/coronavirus-genome-sequence

6) https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge

7) https://www.chemspider.com/DatasourceDetails.aspx?id=111

Datasets and Applications of Machine Learning to the Coronavirus [1] End

BioinformaticsAndMe

의료영상종류 (Medical Imaging Type)

 Start

BioinformaticsAndMe

1. Radiography (방사선촬영)

: 현대 의학에서 사용되는 최초의 이미징 기술 중 하나로 X선을 사용

*X선(X-ray) - 가시광선 파장의 약 1/1000에 해당하는 전자기파

: 질환, 상해, 이물질유무 등의 판별을 위해 흔하게 사용됨

: 방사선 이미지에는 두가지 종류가 존재

1) Fluoroscopy - 실시간으로 체내 이미지를 생성하지만, 낮은 X선 용량을 계속해서 투입해야함

2) Projectional Radiography - 골절 또는 체내 장기의 병리학적 변화 영역을 시각화하는 X선 형태

 

 

 

2. MRI (Magnetic Resonance Imaging;자기 공명 영상법)

---

: MRI는 자력에 의하여 발생하는 강력한 자기장으로 체내의 단층상을 얻을 수 있는 영상법

: MRI는 병원에서 보편적으로 사용되며, 신체를 방사선에 노출시키지 않고 의료 진단에 도움을 줌

: 그러나 스캐닝 과정이 오래 걸리고 큰 소리가 남

: 또한, 의료용 임플란트 및 체내의 금속을 지닌 사람들은 MRI 스캐닝이 위험할 수 있음

 

3. Ultrasound (초음파)

---

: 초음파는 고주파 광대역 음파를 사용하고, 체내에서 다양한 각도로 반사되어 일종의 3D 이미지를 생성

: 복부 장기, 심장, 유방, 근육, 힘줄, 동맥, 정맥, 임산부 태아 영상 등에서 사용됨

: 주요 장점은 방사선에 노출되지 않고 움직이는 구조물의 기능을 실시간으로 관찰 가능

: 매우 안전하며, 부작용없이 비교적 저렴하고 빠르게 수행 가능

 

 

 

 

4. Endoscopy (내시경검사)

---

: 내시경검사는 기관에 직접 삽입되는 내시경을 사용하여, hollow organ 또는 체강을 검사함

*hollow organ - 관상의 기관으로 위, 장관, 담낭, 방광 등을 가리킴

: 내시경의 유형은 검사할 부위에 따라 다르며, 위장관/호흡계/귀/요로 등의 검사에 사용됨

: 때로는 검사 과정 중 감염, 과잉진정, 천공, 눈물흘림, 출혈 등의 부작용이 존재

 

 

 

 

5. Thermography (열화상;서모그래피)

---

: 서모그래피는 신체에서 방출되는 긴 적외선을 감지하여, 수신된 radiation(열 에너지 복사)을 기반으로 열화상 이미지를 생성

: 온도에 따라 복사량이 증가하므로, 체내의 온도 변화를 확인하는데 유용함

: 움직이는 물체를 실시간으로 포착할 수 있음

 

 

 

 

6. Nuclear Medicine Imaging (핵의학영상)

---

: 핵의학영상은 방사성동위원소를 체내에 투여하고, 그 분포를 영상으로 구체화

: 체내 각종 장기의 생리적 또는 병적 상태를 평가하여 질병을 진단

: Bone scan(전신뼈검사), Myocardial SPECT(심근관류검사), PET-CT(양전자방출 단층촬영)

 

 

 

 

#Reference

1) https://nanonets.com/blog/deep-learning-for-medical-imaging/

2) https://terms.naver.com/entry.nhn?docId=419840&cid=60277&categoryId=60277

3) https://terms.naver.com/entry.nhn?docId=1185769&cid=40942&categoryId=33089

4) https://terms.naver.com/entry.nhn?docId=479281&cid=50317&categoryId=50317

5) https://seoul.hyumc.com/seoul/healthInfo/examination.do?action=view&testProcdrSurgrSeq=10204

의료영상종류 (Medical Imaging Type)

 End

BioinformaticsAndMe