Methodology for Implementation of the Portable Disease Diagnosis Platform based on Neural Network Using High Performance Computing

고성능 컴퓨팅을 활용한 뉴럴 네트워크 기반의 휴대용 질병 진단 플랫폼 구현 방법론

Abstract

In this paper, we proposed a methodology for portable disease diagnosis platform using high performance computing. The proposed methodology consists of gathering clinical data, diagnosis and feature selection algorithm, implementation of diagnosis platform. For the algorithm verification, a clinical data which is obtained from 401 people(314 normal subjects and 87 liver cancer patients) using a microarray consists of 1,146 aptamers were used. As the result, we could diagnosis liver cancer with 97.5% accuracy using the 32 selected aptamers. Based on these results, we designed and implemented a portable disease diagnosis platform which has 32 bio-signals as inputs.

본 논문에서는 고성능 컴퓨팅을 활용한 뉴럴 네트워크 기반의 휴대용 질병 진단 플랫폼 구현 방법론을 제안한다. 제안하는 방법론은 임상 데이터 수집, 진단 알고리즘 및 반응 물질 선정, 진단 플랫폼 구현으로 구성된다. 진단 알고리즘 검증을 위해서 총 401명(정상인 314명, 간암환자 87명)의 혈액과 1,146개의 압타머(aptamer)로 구성된 마이크로 어레이로부터 얻어진 임상 데이터를 사용 하였다. 검증 결과, 최종적으로 32개의 선별된 압타머를 사용하여 97.5%로 간암 여부를 판별 할 수 있었다. 이것을 바탕으로 32개의 생체 신호를 입력으로 가지는 휴대용 질병 진단 플랫폼을 설계 및 구현하였다.

Fig. 1. Structure of used neural network. 그림 1. 사용한 뉴럴 네트워크 구조

Fig. 2. Flow chart of feature selection algorithm. 그림 2. 반응물질 선정 알고리즘 순서도

Fig. 3. Concept of MPI. 그림 3. MPI의 기본 개념

Fig. 4. Pseudo code for determination step. 그림 4. 반응 물질 선정 알고리즘의 의사코드

Fig. 5. Code for determination step using MPI. 그림 5. MPI를 활용한 반응 물질 선정 알고리즘의 코드

Fig. 7. Accuracy of the number of used aptamers. 그림 7. 사용된 압타머 수에 따른 진단 정확도

Fig. 8. Block of the designed diagnosis platform. 그림 8. 질병 진단 기기의 구성도

Fig. 9. Picture of the implemented diagnosis platform. 그림 9. 실제 구현된 질병 진단 기기의 모습

Fig. 6. (a) Structure of microarray, (b) Microarray image obtained from chip-scanner after reaction. 그림 6. (a) 마이크로 어레이의 기본 구조, (b) 반응 후 칩 스캐너를 통해 얻은 마이크로 어레이 이미지

Table 1. The amount of required computations using 32 features. 표 1. 32개의 입력값을 사용할 경우 필요한 연산량