한국빅데이터학회지 제조 설비 이상탐지를 위한 지도학습 및 비지도학습 모델 설계에 관한 연구 37

제6권 제1호, 2021, pp. 37-49 https://doi.org/10.36498/kbigdt.2021.6.1.37

인공지능(AI) 기반 치매
조기진단 방법론에 관한 연구*
A Study on the Methodology of Early Diagnosis of
Dementia Based on AI (Artificial Intelligence)

오성훈1⋅전영준2⋅권영우3⋅정석찬4†
동의대학교 대학원 인공지능학과, 부산IT융합부품연구소1, 동의대학교 부산IT융합부품연구소2,
동의대학교 대학원 인공지능학과, 한국건설생활환경시험연구원3,
동의대학교 e비즈니스학과, 인공지능그랜드ICT연구센터, 부산IT융합부품연구소4

요 약

한국의 치매 환자 수는 80만명 이상으로 추정되고 있으며, 치매의 심각성은 사회적 문제로 되고 있다.
하지만 전 세계적으로 치매를 완치할 수 있는 치료법도 약물도 아직 개발되지 못하고 있으며, 향후 급격한
고령화 추세로 인해 치매 환자 수는 더욱 증가할 전망이다. 현재로서는 치매를 조기에 발견하여 치매 증상의
경과를 늦추는 것이 최적의 대안이라 할 수 있다. 본 연구에서는 망막 내 치매를 가장 명확하게 조기
진단할 수 있는 중요 단백질인 아밀로이드 플라크를 AI 기반의 영상분석을 통해 측정하고 분석하여 치매를
조기에 진단하는 방법론을 제시하였다. 망막 데이터를 CNN을 기반으로 이진분류 학습 및 다중분류 학습을
수행하였으며, 전처리 된 망막 데이터를 기반으로 치매를 조기 진단할 수 있는 딥러닝 알고리즘을 개발하였다.
딥러닝 모델에 대한 정확도와 재현율을 검증하였으며, 검증 결과 재현율과 정확도 모두 충족하는 결과를
도출하였다. 향후에는 실제 치매 환자의 임상데이터를 기반으로 연구를 지속해 나갈 계획이며, 본 연구의
결과는 치매 문제를 해결하는 방안으로 활용될 수 있다.

■ 중심어 : 인공지능, 딥러닝, 치매, 치매 조기진단, 아밀로이드 플라크

Abstract

The number of dementia patients in Korea is estimated to be over 800,000, and the severity of dementia is becoming
a social problem. However, no treatment or drug has yet been developed to cure dementia worldwide. The number
of dementia patients is expected to increase further due to the rapid aging of the population. Currently, early detection
of dementia and delaying the course of dementia symptoms is the best alternative. This study presented a methodology
for early diagnosis of dementia by measuring and analyzing amyloid plaques. This vital protein can most clearly and
early diagnose dementia in the retina through AI-based image analysis. We performed binary classification and multi-clas-
sification learning based on CNN on retina data. We also developed a deep learning algorithm that can diagnose dementia
early based on pre-processed retinal data. Accuracy and recall of the deep learning model were verified, and as a result

2021년 07월 03일 접수; 2021년 08월 17일 수정본 접수; 2021년 08월 23일 게재 확정.
* 본 연구는 과학기술정보통신부 및 정보통신기획평가원의 지역지능화혁신인재양성(Grand ICT연구센터)사업 (IITP-2021-
2020-0-01791)과 과학기술정보통신부 및 정보통신산업진흥원의 지역SW서비스사업화지원사업 (ITAS0837210110240001000
300200)의 연구결과로 수행되었습니다.
†교신저자 (scjeong@deu.ac.kr)
38 한국빅데이터논문지 제6권 제1호

of the verification, and derived results that satisfy both recall and accuracy. In the future, we plan to continue the
study based on clinical data of actual dementia patients, and the results of this study are expected to solve the dementia
problem.

■ Keyword : AI, Deep learning, Dementia, Early diagnosis of dementia, Amyloid-plaques

Ⅰ. 서 론 매를 조기에 발견하여 초기 단계부터 약물치료

를 진행하면 5년 후 요양시설 입소율을 55% 감
치매가 전 세계적으로 사회적 문제로 대두되 소시킬 수 있으며, 치매 환자의 가족은 약 6,300
고 있다. 전 세계 치매 환자가 1990년부터 2016 만 원의 치매 환자 관리비용을 절감할 수 있다
년까지 26년간 2,020만 명에서 4,380만 명으로 [5].
2배 이상 증가한 것으로 집계되고 있으며[1], 국 치매를 일으키는 많은 질환 중 가장 대표적인
내 60세 이상 치매 환자는 2020년 기준 80만 명 알츠하이머병은 뇌 내의 아밀로이드(amyloid)라
을 넘어서고 있다[2]. 는 단백질의 대사과정에 이상이 발생하여 비정
국가 치매 관리비용 또한 2019년 기준 16조 상적인 형태의 아밀로이드 플라크가 뇌 내에 침
5,000억원에 이르고 있으며[3], 우리나라는 고령 착되어 발생한다. 뇌에 침착된 아밀로이드 플라
화 사회진입에 이어 초고령화 사회 진입을 앞두 크는 기존의 컴퓨터단층촬영(CT) 및 자기공명
고 있어 치매 환자는 향후 더욱 증가세를 보일 영상(MRI) 검사로 확인할 수 없어 대부분 사후
전망이다. 에 부검 과정을 통해서만 확인할 수 있다[6].
최근 개발되어 현재 대학병원급에서 검사가
가능한 아밀로이드 플라크 양전자방출단층촬영
(PET) 검사의 경우 아밀로이드 플라크에만 반응
하는 특수 물질을 체내로 주사하여 뇌 영상을

<표 1> 치매 진단방법

치매 의심 검사 비용
발현 시험방식
흔적 방법 (만원)
일상생활 CDR, 문답 〮
치매 10
능력 평가 ADL 지필고사
<그림 1> 국내 치매 관리비용 및 신경심리 경도 문답 〮
인지기능 20
치매환자 증가 추이 검사 인지장애 지필고사
자료 : 보험 비교 플랫폼 누잘 매거진(2021)[4] 뇌 구조 5년 전부터 MRI
MRI 50
변화 관찰 가능 촬영검사
타우 10년 전부터 PET
전 세계적으로 치매를 완치할 수 있는 치료법 Tau PET 200
단백질 관찰 가능 촬영검사
이나 약물은 아직 개발되지 못하고 있으며, 치 아밀로이 아밀로이 20년 전부터 PET
200
매를 조기에 발견하여 치매 증상의 경과를 늦추 드 침착 드 PET 관찰 가능 촬영검사
는 것이 현재 최선책이라 할 수 있다. 실제를 치 자료 : 매일경제(2018)[8]
 인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구 39

촬영하고 뇌 어느 부위에 어느 정도의 아밀로이 Ⅱ. 선행연구

드 플라크가 침착된 상태 정보를 더욱 정확하게
얻는 것이 가능해졌다. 치매를 가장 명확하게 2.1 치매와 아밀로이드 플라크와의
조기 진단할 수 있는 아밀로이드 플라크는 발현 상관관계 연구
20년 전부터 관찰할 수 있어 치매 조기진단에
2.1.1 알츠하이머 진단을 위한 망막 내 아밀로이드
가장 효과적이다[7].
플라크 간의 상관관계
치매를 조기에 발견하기 위해서는 정기적인
미국 LA 시다스-시나이 메디컬 센터(LA
검사가 필요하다. 양전자방출단층촬영(PET)이
Cedars-Sinai Medical Center, www.cedats-sina-
가장 효과적으로 치매를 발견하는 방법이지만,
i.org)는 비침습적 고해상도의 망막 촬영검사를
1회 촬영 비용이 100∼200만 원에 육박해 경제
통해 알츠하이머 질환을 앓는 환자의 망막 내
적인 부담으로 인해 정기적인 검진에는 경제적
알츠하이머 질환 발병과 연관된 아밀로이드 플
인 제약이 있다. 이와 같은 이유로 치매를 조기
라크 감지에 관해 연구하였다.
진단할 수 있는 새로운 방법이 필요하다.
16명의 알츠하이머 질환을 앓는 환자와 건강
망막은 인간의 신체기관 중 유일하게 비침습
한 16명을 대상으로 한 연구결과, 자가 형광 촬
으로 혈관을 관찰할 수 있는 기관으로, 뇌에 직
영을 이용해 아밀로이드 플라크를 찾아내고 알
접 연결된 중추신경계 기관이다. 뇌에 단백질이
츠하이머 질환을 진단할 수 있는 것으로 나타났
비정상적으로 쌓이게 되면 아밀로이드 플라크
다. 연구팀은 커큐민 기반 조영제와 Retinal
라는 독성 단백질이 발생하며, 치매를 유발하게
scanning 절차를 적용하여 알츠하이머 환자 망
된다. 이때 망막에도 아밀로이드 플라크가 일부
막에서 아밀로이드 플라크를 발견할 수 있으며,
쌓이게 된다. 망막 내 아밀로이드 플라크라는
연구의 결과는 <그림 2>와 같다. Retina 조명, 커
독성 단백질 축적을 검사하여 알츠하이머성 치
큐민 기반 조영제를 사용하여 알츠하이머 환자
매를 판별할 수 있으며, 진행 과정을 살피는 데
(가운데) 망막에서 형광 침전물(붉은색 원)이 감
큰 이점이 있다[9].
지하였으나, 건강한 대조군(왼쪽)이나 혈관성
본 연구는 망막 영상에 대해 인공지능 기술을
치매환자(오른쪽)는 감지되지 않음을 알 수 있
적용하여 망막 내 아밀로이드 플라크를 관측하
다[10].
고 분석하여 치매를 조기에 진단할 수 있는 기
술이다. 본 논문의 구성은 다음과 같다. 2장에서 2.1.2 초분광 영상기술 기반 망막 내 아밀로이드
는 기존 아밀로이드 플라크에 의한 알츠하이머 플라크 검출 시험
성 치매 진단에 관한 선행연구를 제시한다. 3장 미국 미네소타대학교 드럭디자인센터(Center
에서는 인공지능 기반의 치매 조기진단 방법론
을 제시하며, 4장에서는 결론과 향후 연구 방향
을 제시한다.

<그림 2> 커큐민 기반 조영제와 Retinal

scanning 기반 알츠하이머병에 대한 망막 내
아밀로이드 플라크 검출
40 한국빅데이터논문지 제6권 제1호

for Drug Design, drugdesign.umn.edu)는 알츠하

이머를 유발하는 것으로 알려진 아밀로이드 플
라크는 뇌뿐 아니라 망막 혈관에도 쌓이며, 빛
을 쐈을 때 빛의 파장이 미세하게 바뀌는 현상
을 감지해 치매를 진단하는 기술을 연구하였다.
뇌 속에 아밀로이드 플라크가 쌓이면 뇌와 연결
된 눈 망막에도 아밀로이드 플라크가 생기는 것
에 착안하여, 빛의 모든 파장 영역을 한 번에 촬
영하는 초분광 영상기술로 망막에서 마이크로
미터 크기의 아밀로이드 플라크를 발견하는 데
성공하였다[11].
<그림 3> 초분광 영상기술 기반 망막 내
2.1.3 망막 내 단백질의 자동 형광 현상 측정을 통 아밀로이드 플라크 검출 시험
한 아밀로이드 플라크 포착 기술
미국 NeuroVision(neurovision.com)은 망막 자
동 형광의 시각화 및 측정을 위한 Fina 시스템을
개발하였다. 망막의 단백질 침전물은 청색광에
의해서 빛이 자동으로 방출됨에 따라 이를 포착
하고 측정할 수 있는 기술을 개발하였다. 자동
<그림 4> NeuroVision Afina System
형광 아밀로이드 플라크 침전물은 뇌와 동시에
망막에 나타나고 고분해능 비침습적 안 광학기 탕으로 치매 환자의 망막 데이터를 AI 기술을
기로 이미지화가 가능하다[12]. 적용해 망막 내 생성된 아밀로이드 플라크를 측
본 연구에서는 알츠하이머 치매 환자 망막 내 정하고 분석하여 치매를 조기진단하는 방법을
아밀로이드 플라크 검출에 관한 선행연구를 바 제시하고자 한다.

<그림 5> 정형 및 비정형 데이터 확인 모델

 인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구 41

Ⅲ. AI 기반 치매 조기진단 방법 데이터 불균형 문제가 발생할 수 있어 특정 샘

플링 알고리즘에 따라 데이터의 특징을 반영하
3.1 이미지 전처리 거나 원본 데이터의 확률 등을 반영한 유사한
데이터를 생성하여, 학습데이터의 양을 늘리는
3.1.1 학습데이터 구성
이미지 증강을 통하여 이를 해결하고자 하였다.
AI 기반의 치매 조기진단 시스템 개발을 위해
망막의 아밀로이드 플라크를 관측하고 분석하
는 딥러닝 모델의 학습에 사용할 학습데이터는
망막병증 스크리닝 플랫폼 EyePACS에서
Kaggle을 통해 제공한 치매환자 당뇨성 망막병
증 환자의 안구를 촬영한 이미지 데이터를 사용
하였다.
무증상부터 증식성까지 1등급부터 5등급까지
분류된 총 35,126개의 데이터 중 5,497장의 데이 <그림 6> 이미지 증강처리 데이터 셋 일부
터를 학습에 사용하였다.
5개의 증상 클래스별 학습데이터에 대해
<표 2> 학습데이터 분류 클래스 및 데이터 수 Keras의 ImageGenerator 모듈을 사용하여 데이

데이터 터의 회전 및 좌우대칭 이미지를 추가하는 이미

등급 속성(표기) 구분
수(개) 지 증강처리를 진행하였으며, Keras의 pre-
1 No DR 무증상 4,039 processing 모듈을 통해 이미지 사이즈 변환, 정
2 Mild 경증 382 규화 진행 후 Train Data 50%, Validation Data
3 Moderate 중증도 828 20%, Test Data 30%로 분리를 진행하였다.
4 Severe 중증 137
딥러닝의 경우 데이터가 100만개 이상의 경
5 Proliferative 증식성 111
우에는 Test Data의 비율이 1%를 차지해도 신뢰
도에 무리가 없지만, 데이터의 수가 1만개 이하
3.1.2 정형 및 비정형 데이터 확인 모델 구현 의 경우에는 Train Data의 비율이 커지면 Test
비정형 데이터(이미지) 및 정형 데이터(매트 Data로부터 측정한 정확도의 신뢰도 하락이 우
릭스) 등이 올바른 데이터에 따른 절차를 확인
려되기 때문에, 상기 비율로 데이터를 분리하
하는 자동화 도구로써, 비정형 데이터인 치매 였다.
안구 이미지의 치수나 포맷과 같은 기본 정보
및 적절한 데이터인지 확인하는 기능을 한다. 3.1.4 데이터분류 학습모델
또한, 정형 데이터인 치매 수치 데이터에 대해 CNN(Convolutional Neural Network) 알고리
최대 수렴 수치 데이터의 유효성, 신뢰성, 데이 즘을 적용하여 망막 이미지에 대한 데이터분류
터 형식을 확인한다. 학습모델을 <그림 7>과 같이 구성하였다.
데이터셋 빌더를 통해 이미지 데이터와 라벨
3.1.3 이미지 증강 링 데이터를 매칭하여, training, validation, test
학습데이터 중 무증상의 데이터는 4,039개이
image를 생성하고 training, validation image를
고, 증상 데이터는 1,458개로 학습에 있어 학습 기계 학습하는 CNN 모델링 모듈, test image를
42 한국빅데이터논문지 제6권 제1호
<그림 7> 데이터분류 학습모델
사용하여 최종성능을 평가하는 평가 모듈로 구
성하였다.
3.2 치매 조기진단 딥러닝 모델 구현 및 검증
3.2.1 치매 조기진단 딥러닝 모델 연구
AI 기반 치매 조기진단 시스템의 딥러닝 모델
에 대해 가장 최적의 성능을 확보하기 위해 폐
렴, 뇌출혈, 피부암, 당뇨성 망막병증, 망막 OCT
등 실제 의료 영상 및 이미지 데이터의 특징점
검출 및 분석에 활용되는 MobileNetV2, VGG16,
EfficientNetB5, Inception_resnet_v2
Object Detection에 대표적인 모델인 YoloV3와
Mask RCNN에 대해 테스팅을 진행하였다.
<그림 8> YoloV3 Object Detection 테스팅
3.2.2 치매 조기진단 딥러닝 모델 구현
딥러닝 모델 연구를 통해 도출된 MobileNet-V2,
VGG16, EfficientNetB5, Inception_resnet_v2 알
고리즘 모델들에 대해 전처리 과정을 거친 망막
이미지 데이터를 기반으로 딥러닝 정확도 모델
학습을 진행하여 <그림 9>∼<그림 12>에 나타
내었다.
그림에서 Train Data는 파란선, Validation
Data는 주황선으로 나타나며, 두 선이 서로
근접할수록 높은 모델의 정확도를 보인다.
MobileNetV2의 모델학습 결과는 <그림 9>과
모델과
같다.
<그림 9> MobileNetV2 모델의 학습결과
 인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구
<그림 9>와 <그림 10>은 VGG16, EfficientNetB5
를 학습한 결과를 나타낸 것이다.
<그림 10> VGG16 모델의 학습결과
<그림 11> EfficientNetB5 모델의 학습결과
Inception_resnet_v2로 학습한 결과는 <그림
12>와 같다.
<그림 12> Inception_resnet_v2 모델의
학습결과
<그림 9>∼<그림 12>에 나타낸 딥러닝 모델
의 학습결과를 통해 가장 높은 정확도를 보이는
모델이 Inception_resnet_v2로 판명되어, 본 연구
에서는 Inception_resnet_v2를 적용하여 망막 이
43
미지 내 아밀로이드 플라크를 검출하였다.
Inception_resnet_v2를 적용한 딥러닝 모델 정확
도의 결과는 Python Code를 통해 <그림 13>과
같이 약 94%로 측정되는 것을 확인하였다.
<그림 13> Inception_resnet_v2 모델의
아밀로이드 플라크 영상을 검출 정확도
3.3 치매 조기진단 서비스 모바일
애플리케이션 구현
3.3.1 개발환경 및 구성
AWS 클라우드 상에서 VPN(Virtual Private
Network), EC2(Spring boot, Flask), RDS
(MySQL)를 이용해 Flutter를 기반으로 개발하였
다. 모바일 디바이스의 기종이나 OS에 제한 없
이 사용할 수 있도록 웹앱의 형태로 구현하였다.
3.3.2 주요기능
치매 조기진단 서비스 모바일 애플리케이션
은 로그인 및 회원가입, 진단정보, 인근 병원안
내, 치매정보 제공 등 4개 메뉴로 구성된다.
회원가입은 보호자 및 치매환자가 가입하고
정보를 상호 연동될 수 있도록 구현하였으며, 1
회에 한해 자신의 생체정보를 저장하면 다음 로
그인부터는 생체정보를 이용해 로그인할 수 있
도록 편의성을 더했다.
진단정보 메뉴에서는 정기적인 망막 촬영을
통해 치매 조기진단 정보를 그래프를 통해 한눈
에 확인할 수 있도록 제공하며, 해당 일자를 선
택하면 촬영한 망막 이미지를 확인할 수 있다.
44 한국빅데이터논문지 제6권 제1호

<그림 15> 객체 검출 알고리즘 성능평가 방법

AI 기반 치매 조기진단 시스템의 Inception_

resnet_v2 기반으로 구현한 딥러닝 모델의 치매
조기진단 정확도와 재현율을 시험하기 위해 실
제 사용환경과 동일한 Web 서버와 인터넷,
AWS DB 서버로 시험환경을 구성하고 시험목
적과 시험 절차를 작성하였다. 정확도와 재현율
의 달성목표치는 80% 이상으로 설정하였으며,
<그림 14> 치매 조기진단서비스
반복시험을 통해 시험을 진행하였다.
애플리케이션 기능
시험에 사용할 망막 이미지 업로드 및 결과값
을 확인하기 위한 별도의 웹 프로그램을 구성하
인근 정보 메뉴에서는 인근병원 및 치매안심
였으며, 이미지 업로드 및 진단 진행 후 웹 프로
센터 정보를 제공하기 위해 사용자의 위치정보
그램을 통해 도출되는 결괏값으로 시험의 결과
를 기반으로 인근의 정보를 제공하며, 치매정보
를 확인하였다.
메뉴에서는 치매를 예방할 수 있는 운동 등 영
상 콘텐츠를 링크하여 제공하도록 구성하였다.

3.4 검증

구현된 치매 조기진단 시스템 기능의 검증을

수행하였다. 검증은 소프트웨어 분야의 KOLAS
국제공인시험 기준에 근거하여 수행하였으며,
<그림 16> 시험환경 구성도
객체 검출 알고리즘 성능평가 방법을 기반으로
시스템의 정확도와 재현율 및 서버의 트래픽 수
AI 기반 치매 조기진단 시스템의 딥러닝 정확
준을 시험하였다.
도의 시험 절차는 다음 <표 3>과 같다.
<그림 14>에 나타낸 바와 같이 정확도는 실
4단계 중증에 해당하는 Severe 데이터를 5회
제 True인 것을 True로 예측, 실제 false인 것을
업로드하여 반복시험을 통해 시험을 진행한 결
false로 예측한 비율을 의미하며, 재현율은 실제
과, 5회 모두 결과값과 데이터 정보가 일치하는
True인 것 중에서 모델이 True라고 예측한 것의
것을 확인하였으며, 그 결과는 다음 <표 4>와
비율을 의미한다.
같다.
 인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구 45

<표 3> AI 기반 치매 조기진단시스템의

정확도 시험 절차

구분 내용
1) Web 서버 PC에서 웹 브라우저(Chrome)
를 실행 후 이미지 업로드 및 결과 도출
프로그램에 접속함.

2) GET STARTED 버튼을 클릭한 후 하단

의 망막 이미지 가져오기의 파일 선택
버튼을 클릭함. <그림 17> 결과도출 프로그램 결과값

3) 신청업체에서 제공한 이미지 파일을 선

택한 후 ‘열기’ 버튼을 클릭함. AI 기반 치매 조기진단 시 어간 딥러닝 재현
율의 시험 절차는 다음 <표 5>와 같다.
파일명 파일 크기
0a2b5e1a0be8.png 216 KB
<표 5> AI 기반 치매 조기진단시스템의
4) ‘Upload’ 버튼을 클릭하여 진단 진행 후
시험절차 재현율 시험 절차
결과 페이지에서 Result 값을 확인함.
구분 내용
5) 절차 4)의 Result 값과 신청업체에서 제 1) GET STARTED 버튼을 클릭한 후 하단의 망
공한 ‘딥러닝 정확도_데이터 정보.xlsx’ 막 이미지 가져오기의 파일 선택 버튼을 클
파일의 질병명과 비교함. 릭함.

6) 절차 2)∼5)를 총 5회 반복한 후 다음 2) 시험을 신청한 업체에서 제공한 이미지 파일

수식을 사용하여 정확도를 구함. (f73e8ec73179.png)을 선택한 후 ‘열기’ 버튼
※ 정확도(%) = (A / B) × 100 을 클릭함.
A : Result 값과 ‘딥러닝 정확도_데이
터 정보.xlsx’ 파일의 질병명이 일 3) ‘Upload’ 버튼을 클릭하여 진단 진행 후 결과
치한 횟수 페이지에서 Result 값을 확인함.
B : 이미지 파일을 업로드하여 진단을
시도한 횟수 4) 절차 4)의 Result 값과 신청업체에서 제공한
시험 ‘알고리즘_데이터정보.xlsx’ 파일의 내용 중
절차 절차 3)의 이미지 파일명과 일치하는 이미지
결과도출 프로그램을 통해 확인한 진단결과
_id의 질병명과 비교함.
는 다음 <그림 17>과 같이 해당 이미지와 결과
값이 도출되는 것을 확인하였다. 5) ‘치매 진단 알고리즘 재현율 시험 결과’ 표를
참고하여 절차 2)의 이미지 파일을 변경하면
<표 4> AI 기반 치매 조기진단시스템의 서 절차 1)∼4)를 총 10회 반복함.
정확도 시험 결과
6) 다음 수식을 사용하여 재현율을 구함.
구분 1회 2회 3회 4회 5회
※ 재현율(%) = (A / B) × 100
결과 t 값 Severe Severe Severe Severe Severe A : Result 값과 ‘알고리즘_데이터 정보.
데이터 xlsx’ 파일의 질병명이 일치한 횟수
Severe
정보 B : 이미지 파일을 업로드하여 진단을 시도
일치 한 횟수
일치 일치 일치 일치 일치
여부
46 한국빅데이터논문지 제6권 제1호

재현율 시험을 10회 실시하였으며, 10회 모두 결과도출 프로그램을 통해 확인한 진단결과

질병 분석 결과값과 알고리즘 데이터 정보가 일 는 다음 <그림 18>과 같이 해당 이미지와 결과
치하는 결과를 보였으며, 그 결과는 다음 <표 6> 값이 도출되는 것을 확인하였다.
과 같다.

<표 6> AI 기반 치매 조기진단시스템 재현율 시험

결과

1회 2회 3회 4회 5회
망막
이미지 f73e8ec fcea00d9 fd297839 ffa7346 dfcde9
파일명 73179 f33 8705 5b705 f583c0
(.png) <그림 18> 결과도출 프로그램 결과값
질병 Prolife
분석결과 No DR Mild Moderate Severe rative
(Result 값) DR AI 기반 치매 조기진단시스템 서버의 트래픽
‘알고리즘 수준을 시험하기 위해 동시접속자 수를 측정하
_데이터정 Prolife 였다. 달성목표치는 50명을 기준으로 설정하였
보.xlsx’ No DR Mild Moderate Severe rative 으며, HP Load Runner를 사용하여 동시접속자
파일의 DR
질병명
수를 확인하기 위한 시나리오를 생성하여 반복
일치 여부 일치 일치 일치 일치 일치 시험으로 진행하였다.
6회 7회 8회 9회 10회
망막 <표 7> 동시 접속자수(트래픽) 시험 절차
이미지 ff2fd94 f96fecb1 fd4d81b4 fdde61 fe84ad
구분 내용
파일명 448de 6957 3e84 dd1bde 1df04b
(.png) 1) 시험용 PC에서 HP LoadRunner를 사용하
여 동시접속자 수를 확인하기 위한 시나
질병 Prolife
리오를 생성함.
분석결과 No DR Moderate Moderate Severe rative
- 시나리오 구성 : 50명의 사용자가
(Result 값) DR
300s 동안(Wating time : 500ms) 치
‘알고리즘 매 조기진단 서버 프로그램에 진단
_데이터정 Prolife 이력 조회를 수행하는 시나리오
보.xlsx’ No DR Moderate Moderate Severe rative
파일의 DR 시험 2) 생성한 시나리오를 수행함.
질병명 절차
일치 여부 일치 일치 일치 일치 일치 3) LoadRunner Report에서 Concurrent
분석결과 속성 Vusers와 Errors 값을 확인함.
- No DR : 무증상(1단계)
- Mild : 경증(2단계) 4) 절차 2)∼3)를 5 회 반복하여 평균 동시
- Moderate : 중증도(3단계) 접속자 수를 구함.
- Severe : 중증(4단계)
- Proliferative : 증식성(5단계) ※ 동시접속자 수를 확인하기 위한 시
나리오
 인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구 47

모두 달성하는 결과를 도출하였다.

Ⅳ. 결 론

본 논문에서는 알츠하이머 치매 환자 망막 내
<그림 19> 동시 접속자수 확인을 위한 시나리오 아밀로이드 플라크 검출에 대한 이론을 바탕으
로 치매 환자의 망막 데이터를 인공지능 기술을

5회 반복시험을 통한 동시 접속자수 시험 결 적용해 망막 내 생성된 아밀로이드 플라크를 측

과 <표 8>과 <그림 18>과 같이 5회 모두 평균 정하고 분석하여 치매를 조기진단하는 방법을

접속자 수 50명을 만족하는 결과를 보였으며, 제시하고 개발된 기능에 대해 검증하였다. 망막

<그림 19>와 같이 Concurrent Errors 값은 검출 병증 스크리닝 플랫폼 EyePACS에서 Kaggle을

되지 않았다. 통해 제공한 치매환자 당뇨성 망막병증 환자의

안구를 촬영한 이미지 데이터를 학습데이터로

<표 8> 동시 접속자수 시험 결과 사용하여 정형 및 비정형 데이터 확인 모델을

통해 유효성, 신뢰성, 데이터 형식을 확인하였으
구분 1회 2회 3회 4회 5회
며, 학습데이터 불균형 문제를 해결하기 위해
결과 t 값 50 50 50 50 50
Keras의 ImageGenerator 모듈을 사용하여 데이
터의 회전 및 좌우대칭 이미지를 추가하는 이미
지 증강처리를 진행하였으며, Keras의 pre-
processing 모듈을 통해 이미지 사이즈 변환, 정
규화 진행하여 Train Data 50%, Validation Data
20%, Test Data 30%로 분리를 진행하였다. 데이
<그림 20> LoadRunner Report의 Business 터 분류 학습 모델을 구현하여 데이터 전처리를
Process에서 Concurrent Users 값 확인 통해 데이터의 최종성능을 평가하는 전처리 과
정을 수행하였다.
의료데이터 검출 및 분석에 활용되는 딥러닝
모델들을 분석하여 가장 높은 정확도를 보이는
Inception_resnet_v2 모델을 사용하였으며, Object
Detection은 YoloV3 모델을 사용하여 망막 이미지
내 아밀로이드 플라크를 검출하였으며, Python
Code를 통해 약 94%의 정확도를 도출하였다.
<그림 21> LoadRunner Report의 AI 기반 치매 조기진단시스템의 딥러닝 모델
Performance Overview에서 Concurrent 에 대한 정확도와 재현율, 서버의 트래픽에 대
Errors 값 확인 해 시험 및 검증을 진행하였으며, 제시한 목표
치를 모두 만족하는 결과를 도출하였다. 현재는
3개 항목에 대한 검증결과 시스템 딥러닝 정 실제 치매환자의 망막 데이터 확보를 위해 IRB
확도와 재현율, 트래픽에 대해 제시한 목표치를 심사 승인 절차를 완료하였으며, 임상데이터를
48 한국빅데이터논문지 제6권 제1호

수집하고 있다. 임상데이터가 수집 완료되면, 양전자 방출 단층촬영(PET) 검사는 어떤 경우

AI 기반 치매 조기진단시스템에 적용함으로써 필요합니까?, ttps://www.dementia.or.kr/general/
시스템 고도화를 추진할 계획이다. bbs/index.php?code=story&category=
현재 치매를 조기에 진단하기에는 많은 시간 &gubun=&page=5&number=995&mode=
과 비용이 소모되며, 가장 중요한 정기적인 검 view&keyfield=&key=
사에는 한계가 있다. 본 연구에서 제시하는 치 [8] 신찬옥 기자, 혈액⋅콧물 한방울, 뇌지도로 치매
매 조기진단시스템은 별도의 준비단계 없이 간 조기진단, 매일경제, 20180725.
단한 망막 촬영만으로도 치매를 진단할 수 있는 [9] 박현기자, 가족 몰래 피운 담배 ‘망막은 알고
사용성과 접근성을 가질 수 있다. 있다’, 병원신문, 20110531.
향후에는 병원이나 보건소, 또는 가정에서 누 [10] Y. Koronyo, D. Biggs, E. Barron, D. Boyer,
구나 쉽게 혈압을 측정할 수 있는 혈압측정기기 J. Pearlman, W. Au, S. Kile, A. Blanco, D. Fuchs,
와 같이 보급을 목표로 하고 있으며. 증상의 여 A. Ashfaq, S. Frautschy, G. Cole, C. Miller, D.
부만 쉽게 판별 가능한 기능으로 구현하여, 심 Hinton, S. Verdooner, K. Black, and M.
각한 사회적 문제로 대두되고 있는 치매를 조기 Koronyo-Hamaoui, “Retinal Amyloid Pathology
에 진단할 수 있는 기기로 활용될 것으로 기대 and Proof-of-concept Imaging Trial in
한다. Alzheimer’s disease,” JCI Insight, Vol.2, No.16,
pp.1-19, 2017.
[11] S.M. Swati, J.M. Beach, C. McClelland, A.

참 고 문 헌 Mokhtarzadeh, and R. Vince, “In Vivo

Assessment of Retinal Biomarkers by
Hyperspectral I-maging: Early Detection of
[1] 박지영 기자. 전세계 치매환자 26년새 2배 증가.
Alzheimer’s Dise-ase,” ACS Chemical
MEDICAL TRIBUNE. 20181214.
Neuroscience, Vol.10, No.11, pp.4440-4765,
[2] 보건복지부 중앙치매센터, 치매 오늘은 60세이
2019.
상 치매상병자통계, https://www.nid.or.kr/info/
[12] NeuroVision Imaging Inc.
today_list.aspx
https://neurovision.com/
[3] 보건복지부, 중앙치매연구센터. 대한민국 치매
현황 2020. 2021.
[4] 보험 비교 플랫폼 누잘 매거진. 치매보다 무서운
치료비부담, https://www.nuzal.io/front/nzMaga-
zineView?seq=84
[5] 보건복지부, 중앙치매연구센터, 2020 나에게 힘
이 되는 가이드북. 2020
[6] WT. Chen, A. Lu, K. Craessaerts, B. Pavie, CS
Frigerio, B. D. Strooper, “Spatial Transcripto- mics
and In Situ Sequencing to Study Alzhei-mer’s
Disease”. Cell, Vol.182, No.4, pp.976-991, 2020.
[7] 대한치매학회 99가지 치매이야기. 아밀로이드
 인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구 49

저 자 소 개 정 석 찬(Jeong, Seok Chan)

･1987년 2월 : 부산대학교 기계
설계학과 (공학사)
오 성 훈(Oh, Sung Hoon) ･1993년 3월 : 오사카부립대학
･2010년 2월 : 동서대학교 경영 경영공학과 (공학석사, 박사)
학부(인문학사) ･1993년 2월∼1999년 2월 :
･2021년∼현재 : 동의대학교 인 한국전자통신연구원
공지능학과(석사과정) 선임연구원
･2018년∼현재 : 동의대학교 부산 ･1999년 3월∼현재 : 동의대학교 e비즈니스학과
IT융합부품연구소 기술혁신 교수
팀장 ･2019년 1월∼현재 : 부산IT융합부품연구소 소장
･관심분야 : 인공지능, IoT융합, 빅데이터, UI/UX ･2020년 7월∼현재 : 인공지능그랜드ICT연구센터
센터장
전 영 준(Jeon, Young Jun) ･관심분야 : 정보시스템, IoT 융합, 빅데이터, 클라
･1998년 2월 : 동의대학교 전산 우드, 블록체인, 인공지능
통계학과(공학사)
･2000년 2월 : 동의대학교 전산
통계학과(공학석사)
･2005년 2월 : 동의대학교 컴퓨
터공학과(공학박사)
･2008년 9월∼현재 : 동의대학교 부산IT융합부품
연구소 연구교수(실장)
･관심분야 : 인공지능, 영상처리, IoT융합

권 영 우(Kwon, Young Woo)

･2016년 2월 : 동의대학교 컴퓨
터 과학학과(공학사)
･2019년 2월 : 동의대학교 ICT
융합학과(공학석사)
･2021년∼현재 : 동의대학교 인
공지능학과(박사과정)
･2016년 2월∼2021년 2월 : 동의대학교 부산IT융
합부품연구소 선임연구원
･2021년 3월∼현재 : 한국건설생활환경시험연구
원 선임연구원
･관심분야 : 인공지능, 스마트제조, 클라우드