
로그인 후 이용해주세요
저장소에 저장되었습니다.
로그인 후 이용해주세요
기존 한의 진단 시스템(ODS, OMES)이 전문가 지식 반영의 한계와 복잡한 증상 간 상호연관성 표현에 어려움을 겪는 것을 극복하고, 인공지능 신경망을 통해 진단 정확도를 높이고자 함.
4단계로 구성된 한의 진단 과정(팔강변증 → 장부변증 등)을 신경망으로 모델링하면서, 네트워크 비대화를 막기 위해 Cascade 구조를 적용한 2개의 서브 네트워크(SUBMIT-1, SUBMIT-2)를 설계하고 훈련하여 성능을 분석함.
먼저 의학의 팔강, 장부 변증 등 다단계 진단 과정을 신경망으로 모델링함. 이 시스템은 증상 간의 상호연관성(한/열, 허/실 등)을 규칙 기반이 아닌, 연결 가중치로 분산 표현하여 지식을 개념화하는데 이를 통해 복잡한 한의학 지식을 유연하게 처리할 수 있는 기반을 마련함.
다단계 진단으로 인한 네트워크 비대화 문제를 해결하기 위해 Cascade 구조를 도입함. 이는 진단 과정을 SUBMIT-1과 SUBMIT-2라는 두 서브 네트워크로 분리하고, 첫 번째 결과가 두 번째 입력으로 사용되도록 연결하여 계산량을 줄임. 실험 결과, 훈련을 통해 오류치가 감소하며 설계된 신경망이 환경에 성공적으로 적응함을 확인함.
신경망의 일반화 특성과 결함 극복 능력을 활용하여 기존 시스템의 명시적 지식 표현 및 구축의 어려움을 보완하고, 상대적으로 적은 케이스로도 유연하게 지식 베이스를 구축할 수 있음을 보여주었음. 또한, 한의학처럼 데이터 확보가 어렵고 지식의 복잡성이 높은 분야에서도 인공지능 융합이 가능함을 입증하며, 환자 개인의 특성을 고려한 맞춤형 진단 시스템 상용화 및 대화식 진단 시스템 개발의 기초를 마련했다는 점에서 큰 의의가 있음.