본문 바로가기
KERD
논문KCI 등재

단어 임베딩 기반 한의 학파별 처방 추천 모델 개발: 만성 호흡계 질환 대상

Development of TKM School-Specific Prescription Recommendation Model Based on Word Embedding: Chronic Respiratory Disease

이상훈|예상준
한국지식정보기술학회 (Korea Knowledge Information Technology Society)|2022.10|한국지식정보기술학회 논문지 (Journal of Knowledge Information Technology and Systems)|제17권 제5호|pp. 1049-1057|DOI 10.34163/jkits.2022.17.5.025

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

Machine learningRespiratory diseaseEmbeddingPrescription recommendationTKM school
주제분류학제간연구

초록

전통 의학에서 환자에게 적합한 처방을 선정하는 과정은 복잡한 임상 의사결정 과정이 필요하고, 이러한 의사결정을 지원하기 위한 다수의 연구가 수행되고 있다. 그러나 기존의 연구에서는 한의학의 다양한 이론 체계 및 진단 방식을 반영하고 있는 학파별 특징을 반영한 알고리즘 연구가 수행되지 않았다. 이에 본 논문에서는 학파별 처방 추천을 위해서 입력층, 임베딩층, 분류기층, 출력층으로 구분된 기계학습 모델을 설계하였다. 그리고 만성호흡계질환을 대상으로 3개 학파의 전문가가 참여하여 480건의 학습데이터를 생성하고 전처리하였다. 제안된 기계학습 모델의 성능은 5개 처방을 추천할 때의 정확도를 5 folds cross-validation 방법으로 측정하였다. 증상명 임베딩을 위해서 fastText 인코더를 적용한 모델이 가장 좋은 성능을 보였으며, 분류기로는 SVM을 사용한 모델이 가장 성능이 우수한 것으로 밝혀졌다. 그리고 학파별 처방 추천 성능은 대한상한금궤의학회 모델이 99.29%로 가장 높았으며, 대한형상의학회가 86.87%였고, 사상체질의학회가 70.71%로 가장 낮았으며 마지막으로 세 학파의 평균은 85.42%였다. 본 연구는 한의 처방 추천 기계학습 모델을 설계하고 개발하는 새로운 접근법을 제시했다는 의의가 있다.

Abstract

In traditional medicine, the process of selecting appropriate prescriptions for the patients requires a complex clinical decision-making process, and a number of studies are being conducted to support these decision-making process. However, in previous studies, algorithmic studies reflecting the characteristics of each TKM (Traditional Korean Medicine) school are not carried out. Therefore, in this paper, we proposed a machine learning model which is divided into an input layer, an embedding layer, a classifier layer, and an output layer to recommend prescriptions for each TKM school. Also, experts from 3 TKM schools participated in building 480 machine learning data for chronic respiratory diseases. The performance of the proposed machine learning model was measured by the 5 folds cross validation method with the accuracy of recommending five prescriptions. For symptoms embedding, the model applied fastText encoder showed the best performance, and for the classifier, the model using SVM was found to have the best performance. In addition, the accuracy of each TKM school was the highest at 99.29% for the Sanghan-Geumgwe medical school and the average of the three schools was 85.42%. This study is meaningful in that is showed a novel approach to developing a machine learning model which is capable of recommending prescriptions for each TKM school.

참고문헌 (15)

  1. W. M. Jung, "Characterization of hidden rules linking symptoms and selection of acupoint using an artificial neural network model", Frontiers of Medicine, 13(1), pp.112~120 (2021)
  2. 성현경, "Trends and Future Direction of the Clinical Decision Support System in Traditional Korean Medicine", Journal of Pharmacopuncture, 22(4), pp.260~268 (2019), 대한약침학회[DOI]
  3. J. E. Dayhoff, "Artificial neural networks: opening the black box. Cancer: Interdisciplinary", International Journal of the American Cancer Society, 91(S8), pp.1615~1635 (2001)
  4. L. Yao, "A topic modeling approach for traditional Chinese medicine prescriptions", IEEE Transactions on Knowledge and Data Engineering, 30(6), pp.1007~1021 (2018)
  5. W. Li, "Exploration on generating traditional Chinese medicine prescriptions from symptoms with an end-to-end approach", In CCF International Conference on Natural Language Processing and Chinese Computing, pp.486~498 (2019)
  6. Detection of herb-symptom associations from traditional chinese medicine clinical data, "Y. B. Li", Evidence-Based Complementary and Alternative Medicine, ~ (2015)
  7. 예상준, "한의 학파별 처방 추천을 위한 기계 학습 데이터 구축 프로세스 설계 및 시스템 개발", 한국지식정보기술학회 논문지, 16(5), pp.1091~1102 (2021), 한국지식정보기술학회[DOI]
  8. I. S. Yeo, "The pathology of Korean medicine", The Korean Society for the History of Medicine, 4(1), pp.35~41 (1995)
  9. 이슬, "소화기 질환을 대상으로 한 3개 한의학파의 다빈도 병증 및 처방 비교 연구", 사상체질의학회지, 32(2), pp.33~47 (2020), 사상체질의학회[DOI]
  10. P. Bojanowski, "Enriching word vectors with subword information", Transactions of the Association for Computational Linguistics, 5, pp.135~146 (2017)
  11. C. Cortes, "Support-vector networks", Machine learning, 20(3), pp.273~297 (1995)
  12. A. J. Smola, "A tutorial on support vector regression", Statistics and computing, 14(3), pp.199~222 (2004)
  13. L. Van der Maaten, "Visualizing data using t-SNE", Journal of machine learning research, 9(11), pp.2579~2605 (2008)
  14. J. Platt, "Probabilistic outputs for SVMs and comparisons to regularized likehood methods" (1999), MIT Press
  15. T. F. Wu, "Probability estimates for multi-class classification by pairwise coupling", Advances in Neural Information Processing Systems, 16 (2003)

관련 논문AI추천

자연어 기술 기반 한의 증상명 추천 시스템 (소화기계 질환 버전)장호, 예상준, 이상훈한국지식정보기술학회 · 한국지식정보기술학회 논문지2020 · 제15권 제5호한의학 증상 질의 확장을 위한 단어 임베딩 기반의 클러스터링 기법장호, 예상준, 윤지원, 이상훈한국지식정보기술학회 · 한국지식정보기술학회 논문지2020 · 제15권 제5호한의 학파별 처방 추천을 위한 기계 학습 데이터 구축 프로세스 설계 및 시스템 개발장호, 예상준, 이상훈한국지식정보기술학회 · 한국지식정보기술학회 논문지2021 · 제16권 제5호한의학 고문헌 데이터 분석을 위한 단어 임베딩 기법 비교: 자연어처리 방법을 적용하여오준호대한한의학원전학회 · 대한한의학원전학회지2019 · 제32권 제1호자연어 처리 기반 『傷寒論』 辨病診斷體系 분류를 위한 기계학습 모델 선정김영남대한상한금궤의학회 · 대한상한금궤의학회지2022 · 제14권 제1호기계 학습을 이용한 한의학 처방 분석 방안오준호대한한의학원전학회 · 대한한의학원전학회지2023 · 제36권 제2호

이 간행물의 다른 논문 (27건)

Personalized Product Recommendation System Based on Spark박장순, 이지은, 정회경, 장도pp. 795-805AI 기술을 이용한 신체 특정 부위 상태의 의미 판정 시스템 개발황수철pp. 807-813텍스트마이닝을 활용한 다빈도 한약 처방 5종의 연구 동향 분석 : PubMed 수록 논문 대상예상준, 김상현pp. 815-823타입-2 퍼지집합을 이용한 퍼지 공학시스템의 신뢰도 분석조상엽, 전병찬pp. 825-832인도네시아 전자상거래의 현황과 전망김세란, 김광현pp. 833-840
원문 보기