AITRICS

RSS

게시글: 8
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

AI
[Medical AI] #5 의료인공지능 모델 개발 파이프라인 툴 소개: Clairvoyance
본 글은 의료 인공지능 모델 개발 시 발생하는 데이터 특수성과 전처리 과정의 어려움을 해결하기 위한 파이프라인 툴킷 'Clairvoyance'를 소개합니다. 의료 데이터는 불완전하고 다양하며, 훈련-테스트 오염 방지를 위한 세심한 관리가 필요합니다. 기존 연구들은 이러한 전처리 과정을 명확히 공유하지 않아 연구 재현성에 문제가 있었으나, Clairvoyance는 의료 시계열 데이터 연구의 표준이 될 수 있는 파이프라인을 제공하여 연구 결과의 객관적인 비교와 재현성을 높이는 것을 목표로 합니다.
의료 인공지능Clairvoyance모델 개발
AITRICS·2022년 8월 17일
AI
[VitalCare] #4 EHR 데이터를 활용한 의료인공지능 모델 개발 파이프라인
본 글은 EHR(Electronic Health Record) 데이터를 활용하여 의료 인공지능 모델을 개발하는 파이프라인을 소개합니다. 환자 상태의 조기 예측은 예방적 개입과 병원 자원 할당에 중요하며, EHR 데이터는 수치화 및 지속적인 기록으로 활용 가치가 높습니다. 기존 규칙 기반 접근법과 달리 딥러닝은 환자 특성, 시간 정보, 다중 정보 반영에 유리하여 주목받고 있습니다. 논문 "Use of deep learning to develop continuous-risk models for adverse event prediction from electronic health records"를 기반으로, 모델 개발 파이프라인을 문제 정의, 데이터 전처리, 모델 구조 선정, 모델 보정 및 불확실성 추정, 모델 일반화 가능성 평가의 5단계로 나누어 설명합니다. 특히 문제 정의 단계에서는 데이터 기반 해결 가능성 검토와 적절한 데이터 수집의 중요성을 강조합니다.
EHR의료 인공지능딥러닝
AITRICS·2022년 7월 28일
AI
[VitalCare] #3 해석가능한 의료 인공지능 모델
이 글은 딥러닝 모델의 높은 성능에도 불구하고 발생하는 '블랙박스 현상'이라는 치명적인 단점을 지적하며, 특히 의료 인공지능 분야에서 이러한 해석 가능성의 중요성을 강조합니다. 이미지 분류와 같이 결과가 중요시되는 분야에서는 모델의 의사결정 과정을 알 수 없어도 용인될 수 있지만, 인공지능 판사처럼 중요한 결정을 내리는 경우, 그 판단 근거에 대한 설명이 필수적임을 역설합니다. 기존 딥러닝 모델이 블랙박스이기 때문에 이러한 요구에 답할 수 없으며, 따라서 모델의 성능 향상뿐만 아니라 의사결정 과정에 대한 설명이 가능한 모델 연구의 필요성을 제기합니다. 이는 해석 가능한 의료 인공지능 모델 개발의 중요성을 시사합니다.
딥러닝머신러닝이미지 분류
AITRICS·2021년 4월 21일
AI
[Drug Discovery]#3 대용량 가상탐색을 위한 계산화학 방법론의 활용과 개선방안
이 글은 신약 개발 분야에서 인공지능(AI)의 활용과 계산화학 방법론의 중요성을 다룹니다. AI는 물성 예측 및 후보 물질 설계에 활용되지만, 데이터 부족과 일반화 성능 저하라는 한계가 있습니다. 특히 딥러닝 모델은 화학적 현상에 대한 이해 없이 패턴 인식에 기반한 예측을 수행하여 정확도와 해석 가능성이 떨어질 수 있습니다. 이러한 문제를 해결하기 위해 AI와 함께 계산화학 방법론을 활용하는 것이 중요하다고 강조합니다. 계산화학은 분자 수준의 현상을 물리학적으로 묘사하여 분자-단백질 결합 정도 등을 예측하며, 대표적으로 Docking, Molecular Dynamics (MD), Free Energy Perturbation (FEP) 등이 있습니다. 글에서는 특히 대용량 가상 탐색을 위한 계산화학 방법론의 활용과 개선 방안에 대해 논의하며, AI와 계산화학의 시너지를 통해 신약 개발의 효율성을 높이는 방안을 모색합니다.
신약개발인공지능계산화학
AITRICS·2021년 3월 31일
AI
[VitalCare] #2 기존 평가도구의 한계를 극복하는 인공지능
이 글은 병원 내 환자 위험도 평가 도구로 사용되는 기존 메디컬 스코어(SOFA, qSOFA)의 한계를 지적하고, 인공지능을 활용한 새로운 평가 도구의 필요성을 제기합니다. 기존 메디컬 스코어는 질병 발생을 사전에 예측하기 어려워 환자 상태 악화 시 선제적 처치에 한계가 있습니다. SOFA와 qSOFA는 각각 6가지, 3가지 항목을 기반으로 환자의 사망 가능성을 점수화하지만, 실시간 예측 기능이 부족합니다. 글에서는 이러한 기존 도구의 단점을 설명하며, 인공지능 기술을 통해 이러한 한계를 극복하고 환자 위험도를 더욱 정확하고 시기적절하게 예측할 수 있는 가능성을 시사합니다.
패혈증메디컬 스코어SOFA
AITRICS·2021년 3월 2일
AI
[Drug Discovery] #2 가상탐색을 위한 신뢰할 수 있는 인공지능
이 글은 신약 개발 및 헬스케어 분야에서 발생하는 데이터 부족 문제를 해결하기 위한 인공지능 활용 방안을 다룹니다. 특히, 제한된 데이터로도 정확하고 신뢰도 높은 모델을 개발하기 위해 '베이지안 딥러닝'의 중요성을 강조합니다. 신약 개발 분야는 실험 기반 데이터 수집에 막대한 시간과 비용이 소요되며, 공개된 데이터셋 역시 예측 모델 개발에 필요한 양에 비해 턱없이 부족한 경우가 많습니다. 또한, 데이터의 불균형 문제로 인해 모델 예측의 정확성과 신뢰도가 저하될 수 있습니다. 이러한 문제를 극복하고 가상 탐색(virtual screening)을 위한 신뢰할 수 있는 인공지능 모델을 구축하는 것이 핵심 과제임을 제시합니다.
인공지능신약개발머신러닝
AITRICS·2021년 1월 15일
AI
[Drug Discovery] #1 신약개발에서의 인공지능
신약 개발은 시간과 경제적 비용이 많이 소요되는 과정으로, 질병 치료 메커니즘 및 화합물의 유효성과 안전성을 엄밀하게 검증해야 합니다. 우주에 존재하는 화합물의 수는 사실상 무한대에 가깝고, ZINC 데이터베이스에만 1억 개 이상의 화합물 구조가 공개되어 있어 실험적 검증은 사실상 불가능합니다. 이에 따라 신약 개발에 인공지능/기계학습 방법론을 접목하여 시간과 비용을 절감하려는 요구가 증가하고 있으며, 분자 구조를 입력받아 생체 활성, 독성(ADME/T), 단백질 결합력 등을 예측하는 모델 연구가 활발히 진행되고 있습니다. 대용량 가상 탐색(HTVS) 기술과 결합하여 신약 개발 효율성을 높이는 데 기여할 것으로 기대됩니다.
신약개발인공지능머신러닝
AITRICS·2020년 11월 21일
Etc
[VitalCare] #1 패혈증 사전 예측의 중요성
본 글은 VitalCare 프로젝트의 첫 번째 게시물로, 패혈증 사전 예측의 중요성에 대해 다루고 있습니다. 하지만 현재 제공된 본문 내용이 'Apologies, but something went wrong on our end.'이라는 오류 메시지로 인해 실제 내용을 파악할 수 없습니다. 따라서 패혈증 예측의 중요성, VitalCare 프로젝트의 목표, 그리고 이를 위해 사용되는 기술 스택 등에 대한 구체적인 정보는 추출할 수 없습니다. 오류 메시지만으로는 글의 기술적 깊이나 특정 기술에 대한 언급을 판단하기 어려워 'else' 카테고리로 분류하며, 태그는 글의 제목과 오류 메시지를 기반으로 일반적인 용어를 포함시켰습니다. 실제 글의 내용이 제공된다면 더 정확한 분석이 가능할 것입니다.
VitalCare패혈증사전 예측
AITRICS·2020년 11월 21일