모델학습
- ResNet101-V2 모델은 학습을 위해 음성 데이터(.wav) 파일의 형태를 이미지 형태로 변환해야 한다. 기본 학습 이미지 크기는 (224x224x3) 형태를 가지며, 분류층을 조정하여 최종 결과를 다른 방향으로 가지고 갈 수 있다. 질병의 유무만을 판단하는 이진 분류 또는 질환별로 유사도를 측정하는 다중 분류를 할 수 있다.

서비스 활용 시나리오
⦁구축한 모델은 음성 질환 평가 및 분석 서비스에 활용할 수 있음.
⦁음성 질환 평가 및 분석 서비스 활용
- 데이터 수요자가 음성 질환 분석 평가 서비스 제공회사라면 데이터 자체를 평가 지표 데이터 및 비교군 데이터로 사용하여 해당 질환의 중증도에 대해 비교하여 진행도를 파악할 수 있고, 학습한 AI 모델을 사용하여 질병의 유무에 대해 조기 발견하여, 선제 대응으로 질병의 경과를 최대한 늦출 수 있도록 빠른 치료를 시작할 수 있다.
 

 데이터 포멧

 데이터 구성
- 기관코드

- 데이터 코드(질병 구분별)

 어노테이션 포맷
- 18개 질문

- 18개 질문(14-18번 질문 반복녹음)

- 25개 질문

- 후향적데이터

 실제예시
{
    "metaData": {
        "Patient_No": "3-001",
        "ICF_Date": "2022-07-04",
        "Inclusion": "Y",
        "Exclusion": "Y",
        "Sex": "F",
        "Date_of_Birth": "1983",
        "Age": "38",
        "Genetic_Dx": "NC",
        "Symtom_onset": "N",
        "Severity_class": "N",
        "Underlying_disease_HTN": "N",
        "Underlying_disease_DM": "N",
        "Underlying_disease_Dyslipidemia": "Y",
        "MRI_YN": "N",
        "MRI_Date": "",
        "MRI_Conclusion": "",
        "FDG_PET_YN": "N",
        "FDG_PET_Date": "",
        "FDG_PET_Conclusion": "",
        "FP_CIT_PET_YN": "N",
        "FP_CIT_PET_Date": "",
        "FP_CIT_PET_Conclusion": "",
    },
    "annotation": [
        {
            "category": "A18",
            "startTime": 0.84,
            "endTime": 6.96,
            "labelText": "무엇보다도 산에 오를 땐 더욱더 그 빼어난 아름다움이 느껴진다"
        }
    ]
}