최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
강정원, 이연규, 정다운, 이정식, 최양호, 신윤경
2015 / Ocean Science Journal
Seung
2019 / PSYCHIATRY INVESTIGATION
데이터가 존재하지 않습니다.
loading...
본 연구는 국방의료 데이터를 활용하여 딥러닝 기반의 폐렴 진단 및 예측 모델을 개발하고, 그 가능성을 확인하였다. 폐렴은 장기 입원 및 높은 사망률을 유발하는 주요 감염 질환으로, 조기 식별이 중요하다. 향후 국방의료 데이터를 활용하여 다른 주요 질병의 조기 발견 및 예측 모델 개발에 기여할 수 있을 것이다.
Computational modeling and data analysis in COVID-19 research
개인 맞춤의료의 시대가 온다 : 4차 산업혁명 시대 헬스케어의 미래 =
Deep learning applications in medical imaging
Signal detection theory and ROC analysis in psychology and diagnostics : collected papers :
Precision medicine and artificial intelligence : the perfect fit for autoimmunity
COVID-19 : prediction, decision-making, and its impacts
역노화 : 젊게 사는 시대가 온다
의료 인공지능
인공지능과 신약 개발
임상 호흡기 매뉴얼 =
Artificial intelligence and deep learning in pathology
(지능 기반 의료를 위한) 헬스케어 애널리틱스
지능 기반 의료를 위한 헬스케어 애널리틱스
Data mining and medical knowledge management : cases and applications
AI와 의료 임상
AI와 의료 임상
Handbook of biosurveillance
Artificial intelligence for the internet of health things
Impact of AI and data science in response to coronavirus pandemic
넥스트 비즈니스모델 2026 : 반려동물 PET 편 : 산업별 비즈니스모델 트렌드 및 BM 분석
디지털콘텐츠학회논문지
임태환, 임근옥, 정성욱, 한승철Biomedical Signal Processing and Control
Chen, J.; Liu, T.; Cui, Y.; Li, X.; Tong, W.Saudi journal of biological sciences
Zubair MACM Computing Surveys
Hertel R.,Benlamri R.Computers in Biology and Medicine
Chen W.,Han X.,Wang J.,Cao Y.,Jia X.,Zheng Y.,Zhou J.,Zeng W.,Wang L.,Shi H.,Feng J.DIAGNOSTICS
Becker, Judith; Decker, Josua A.; Roemmele, Christoph; Kahn, Maria; Messmann, Helmut; Wehler, Markus; Schwarz, Florian; Kroencke, Thomas; Scheurig-Muenkler, ChristianInformation and Management
Zolbanin H.M.,Davazdahemami B.,Delen D.,Zadeh A.H.European Physical Journal A
King, J.; Yanez, R.; Loveland, W.; Spencer Barrett, J.; Spencer Barrett, J.; Oscar, B.; Fotiades, N.; Tovesson, F.; Young Lee, H.Science
Brad Wible; Yury Suleymanov; Michael A. Funk; Bianca Lopez; Seth Thomas Scanlon; Corinne Simonti; Sacha VignieriIEEE ACCESS
Chowdhury, Muhammad E. H.; Rahman, Tawsifur; Khandakar, Amith; Mazhar, Rashid; Kadir, Muhammad Abdul; Bin Mahbub, Zaid; Islam, Khandakar Reajul; Khan, Muhammad Salman; Iqbal, Atif; Al Emadi, Nasser; Reaz, Mamun Bin Ibne; Islam, Mohammad TariqulIEEE ACCESS
Ali, Mudasir; Shahroz, Mobeen; Akram, Urooj; Mushtaq, Muhammad Faheem; Altamiranda, Stefania Carvajal; Obregon, Silvia Aparicio; Diez, Isabel De La Torre; Ashraf, ImranPLoS ONE
Kwon, TaeWoo; Lee, Sang Pyo; Kim, Dongmin; Jang, Jinseong; Lee, Myungjae; Kang, Shin Uk; Kim, Heejin; Oh, Keunyoung; On, Jinhee; Kim, Young Jae; Yun, So Jeong; Jin, Kwang Nam; Kim, Eun Young; Kim, Kwang GiNeural Computing and Applications
Yi R.,Tang L.,Tian Y.,Liu J.,Wu Z.한국콘텐츠학회 논문지
성태응Journal of the American College of Radiology
Morcos G.,Yi P.H.,Jeudy J.Current Medical Imaging
Sharma, S.; Guleria, K.; Dogra, A.Journal of Physics: Conference Series
Kazakov, O.D.; Kulagina, N.Y.; Averchenkov, A.V.한국방사선학회논문지
김지율, 예수영Academic Radiology
Schwyzer M.,Martini K.,Skawran S.,Messerli M.,Frauenfelder T.合肥师范学院学报 / Journal of Hefei Normal University
苏洋; 张浩; 刘俊彤전선 / 대학원
컴퓨터를 이용한 자료 분석으로 진단능을 향상시키는 방법을 개발하기 위한 연구 및 실험을 시행한다.전선 / 대학원
최근 딥러닝을 이용한 인공지능 기술이 의료 각 분야에서 다양하게 적용되고 있다. 이 강좌에서는 의료분야에서 사용되는 인공지능 기술의 기초와 다양한 적용 사례를 살펴봄으로써 의료 인공지능 기술의 미래 전망과 한계점을 이해하는 것을 목표로 한다. 아울러 실제 인공지능을 적용한 의료 서비스 사례를 연구함으로써 실용화 과정에 필요한 요구사항과 규제에 대한 이해를 증진한다.전선 / 대학원
이 수업은 인공지능과 기계학습의 이론적 기초를 다루며, 특히 의료 데이터의 다양한 특징에 맞는 학습 및 추론 알고리즘을 디자인하기 위해 필요한 공학적 및 신호처리 원리를 이해하는 데 초점을 맞춘다. 수업에서는 전통적인 기계학습 기법부터 최신 인공지능 기법까지의 원리를 배우고, 이를 통해 수강자가 주어진 데이터를 바탕으로 알고리즘을 설계하고 공학적으로 해석할 수 있는 능력을 키우는 것을 목표로 한다. 의료 데이터는 단백질과 분자 (그래프), 유전체/전사체 (텍스트), 혈당/뇌파 (시계열 신호), 의료 영상 (다차원 영상), 환자 메타 정보 (테이블), 대사 상호 작용 정보 (다차원 행렬) 등 매우 다양한 형태를 가지고 있다. 이러한 다양한 데이터를 컴퓨터가 이해할 수 있는 형식으로 변환하는 과정에서 비선형 함수의 학습이 중요한 역할을 하며, 이는 의료 인공지능의 핵심 신호처리 원리 중 하나이다. 본 수업은 일반적인 기계학습 및 인공지능의 공학적 기초 외에도, 이처럼 의료 데이터의 특성을 반영한 대표적이고 특징적인 기계학습 및 인공지능 기술을 추가적으로 학습한다. 이를 통해 수강자는 일반 데이터 전문 분석가를 넘어선 의료 데이터 전문 분석가로 성장할 수 있는 역량을 갖추는 것을 목표로 한다.전선 / 대학원
인공지능은 우리가 사는 방식을 바꾸었다. 특정 의료 영역에서 인공지능은 전문가의 수준 만큼 정확하고 일부 영역에서는 이미 전문가의 실력을 뛰어넘는다. 하지만, 의료계에서 이러한 알고리즘을 손쉽게 받아들이기 어려운 것은 인공지능의 “블랙박스” 즉 설명 불가능한 특성 때문이다. 본 수업은 현존하는 이해가능한 (interpretable) 기계학습 모형과 이해불가능한 딥러닝 모형의 설명가능 방법론 (explainable)을 의료의 관점에서 탐구할 것이다. 또한 “설명가능성”에 대한 사회적, 이론적, 경험적, 인과적 관점을 조사할 것이다.전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 모델을 이용하여 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에서 정상 해부학적 구조물의 자동적 영역분할, CEP 계측점 자동적 탐지, 및 다양한 치과질환의 자동적 탐지 및 분류하는 딥러닝 모델과, 3D 치과 데이터에서 자동적 탐지, 분할과 분류하는 딥러닝 모델의 원리와 구조에 대해 수업함. 인공신경망과 딥러닝 소개 컴퓨터 비전을 위한 심층 컨볼루션 신경망 소개 딥러닝을 이용한 의료 및 치과영상 감지 및 인식 딥러닝을 이용한 의료 및 치과영상 분할 딥러닝을 이용한 의료 및 치과영상 등록 딥러닝을 이용한 컴퓨터 지원 진단(CAD)전선 / 대학원
이 과목은 보건의료 영역에서 컴퓨터를 활용한 텍스트 분석을 다룬다. 보건의료 영역에는 여러 종류의 언어 자료가 존재한다. 사람들이 온라인 공간에서 여러 질병에 대해 던지는 질문들, 보건의료 전문가들의 연구들, 질병과 건강에 대한 신문기사들이 그 예다. 이들로부터 정보를 체계적이고 과학적으로 추출할 수 있다면, 보건의료에서 다양한 방식으로 활용할 수 있다. 최근 많이 사용되고 있는 컴퓨터를 활용한 텍스트 분석은 이런 작업에 새로운 가능성을 제시한다. 본 과목에서는 여러 가지 컴퓨터를 활용한 텍스트 분석 방법을 학습하고, 보건의료 영역 자료에 적용하는 것을 실습한다.전선 / 대학원
진료 및 연구결과로 얻어진 결과 데이터들을 분석하고 관리하는데 필요한 기초이론을 다룬다. 주된 내용으로는 access를 이용한 데이터베이스의 구축, 인터넷에서의 정보검색, matlab 등을 이용한 생체신호분석등의 내용을 다룬다.전선 / 대학원
다양한 종류의 의료 및 생명 분야 빅데이터가 생성되어 축적되고 있는 상황이다. 의료 분야 빅데이터는 기본적인 전자의무기록 외에도 이미지, 생체신호, 텍스트 등의 다양한 비정형 데이터를 포함하게 되었으며, 생명 분야 빅데이터는 차세대시퀀싱 기법의 발전으로 말미암아 유전체, 전사체, 후성유전체 등의 다양한 오믹스 데이터를 포함하게 되었다. 또한 이러한 빅데이터의 생성 및 축적과 더불어 인공지능 기법을 적용하여 기존에는 다루지 못했던 새로운 문제를 정의하고 보다 깊이 있는 빅데이터 분석을 시도하는 연구들이 등장하게 되었다. 본 강좌에서는 의료 및 생명 분야의 다양한 빅데이터를 소개하고 해당 데이터를 다룰 수 있는 인공지능 분석 기법들을 소개함으로써 최신의 의생명 빅데이터 관련 인공지능 연구를 배울 수 있도록 한다.전선 / 대학원
지능 시스템은 환경과 상호작용하고 성능을 극대화하는 방법이다. 지식 표현과 추론은 논리적 지식 표현, 판단 계산, 술어 계산, 상황 계산, 지식 표현 구축 등과 함께 지능 시스템의 중요한 측면이며, 불확실성을 해결하기 위한 방법으로 확률과 확률 네트워크, 퍼지 논리와 같은 기법을 사용한다. 계획과 학습 역시 지능 시스템의 중요한 구성 요소로서, 목표 달성을 위해 필요한 행동 순서를 결정하고 시간이 지남에 따라 성능을 개선할 수 있도록 한다. 본 강좌에서는 지능시스템을 이해하고 활용할 수 있는 기초 지식을 쌓는다.전선 / 대학원
최근 딥러닝을 이용한 인공지능 기술이 의료 각 분야에서 다양하게 적용되고 있다. 이 강좌에서는 의료분야에서 사용되는 인공지능 기술의 기초와 다양한 적용 사례를 살펴봄으로써 의료 인공지능 기술의 미래 전망과 한계점을 이해하는 것을 목표로 한다. 아울러 실제 인공지능을 적용한 의료 서비스 사례를 연구함으로써 실용화 과정에 필요한 요구사항과 규제에 대한 이해를 증진한다.전선 / 대학원
융합 연구는 다양한 기술 분야를 통합하는 연구로 사회적으로 어려운 문제를 극복하기 위한 방안으로 주목받고 있다. 의학 분야에 있어서도 다양한 학문 및 기술을 접목한 임상 연구가 요구되며 이를 통해 해결하기 어려운 질병의 극복과 삶의 질 개선이 기대되고 있다. 이 교과목에서는 인공지능, 빅데이터, 정보통신, 나노, 유전체, 재생의학 등 다양한 분야의 최신 기술을 활용한 임상 연구 경향을 파악하고 이에 맞추어 혁신적인 임상 연구 전략을 수립하여 융합적으로 연구를 설계하고 수행할 수 있는 최고의 연구능력을 시행할 수 있는 교육을 제공한다.전선 / 대학원
최근 보건의료자료의 증가로 머신러닝의 역할이 보건관리와 정책에서 더욱 더 중요해지고 있다. 본 강의는 보건관리와 정책부문의 연구자와 종사자에게 머신러닝의 내용과 방법을 학습시키고자 한다. 학생들은 건강 위험에 대한 체계적인 분석을 통해 국민건강을 증진하고 보건 정책에 기여하기 위한 지식과 기술을 학습한다.전선 / 대학원
근래의 의료 빅데이터의 축적 및 인공지능 기법의 발달은 많은 의학 분야에서 빅데이터에 기반한 정확한 예측 및 환자 맞춤형 진료를 가능하게 하고 있다. 주술기 의학 분야에 있어서도, 이러한 기술적 발달은 기존의 위험도 분류, 예후 예측, 조기 경보 및 의료 자원 분배 등 주술기 의학의 접근 방식에 큰 변화를 가능하게 하고 있다. 따라서 미래 임상 의사, 의학자들에게 있어 이러한 기술을 이해하고, 활용하는 것을 배우는 것이 점차 중요해지고 있다. 이 강좌에서는 먼저 VitalDB나 MIMIC, eICU 데이터셋 등 주술기 의학 분야의 오픈 데이터셋에 대해 알아보고, 이러한 데이터를 효과적으로 활용할 수 있는 기계 학습 기법에 대해 배울 것이다. 또한 실습을 통해 최신 기계 학습 기법들을 본인의 연구에 적용할 수 있는 방법을 배울 것이다.전선 / 학사
최근의 의학은 이전의 bio(분자생물학, 줄기세포, 재생의학 등 실제 실험실에서의 실험 연구 등) 중심에서 data science 중심으로 급격히 변화가 일어나고 있는 것은 누구나 다 인지하고 있는 사실이다. 소위 제4차 산업혁명이라고 불리어지는 영역이기도 하다. 이에 의학 및 실제 임상에서 이러한 분야의 발전과 변화가 어떤 영향을 미치고 있는지, 어떻게 활용하여야 하는지에 대한 관심은 매우 높다고 할 수 있다. 의학도로 막 입문한 의예과 학생들이 이러한 디지털 데이터 의학이라는 학문에 조기에 접하고 경험함으로써, 더욱 발전적인 미래를 기대할 수 있을 것이다.전선 / 대학원
본 교과목은 의학통계론 과목을 선수한 수강생들에게 추천되며, 의학 연구에 유용한 통계적 모델링 기법들을 의과학연구자 들이 친숙하게 이해하고 활용할 수 있도록 하는 것을 목적으로 한다. 해당 과목에서는 데이터 셋 탐색을 통해 변수 간 및 자료 간 상관구조를 파악하고 자료에 적절한 모델링 방법을 선택하여 의과학 연구에서 얻게 되는 복잡한 구조의 자료들을 효율적으로 모델링하기 위한 다양한 통계적 접근법 들을 다룬다.전선 / 대학원
생명 공학의 발전과 의료의 디지털화로 인해서 방대한 양의 유전체 및 오믹스, 그리고 전자의무기록 데이터가 수집되었으며, 이제 이 방대한 데이터의 처리 및 분석이 중요한 문제이다. 본 과목은 유전체, 오믹스, 의료 데이터의 특성을 소개하며, 이러한 데이터를 분석할 수 있는 통계 및 머신러닝 기반의 분석 방법을 소개한다. 특히, 이 과목은 유전체 등의 바이오 데이터와 전자의무기록이 결합되어 있는 바이오뱅크 데이터에 중점을 둔다. 구체적인 주제는 다음과 같다 ◆ 유전체 등의 바이오데이터와 전자의무기록 데이터의 특성 ◆ 유전체 데이터 연관성 분석 ◆ 유전체 기반 질병 위험도 예측, 인과관계 추론 및 약물 표적 규명 ◆ 전자의무기록 데이터 기반 임상 의사결정 지원 시스템 ◆ 유전체 및 임상 데이터 통합한 다중 모드 데이터 분석전선 / 대학원
치과의료는 4차 산업혁명 기술과의 융합을 통해 디지털 덴티스트리(Digital dentistry) 기술로 발전이 가속화되고 있음. 환자의 디지털 파노라마 영상, 콘빔CT(CBCT) 영상, 3D 구강스캔 및 3D 안면스캔 등의 디지털 데이터를 획득(Scanning), 계획(Planning)/시뮬레이션(Simulation)과 즉시적 디지털 제작(Direct Digital Manufacturing, DDR) 과정을 거쳐서 치과환자 진단/치료에 바로 적용됨. 본 강의에서는 딥러닝(deep learning) 등 다양한 인공지능 알고리즘에 대한 이해를 바탕으로, SMART 디지털 덴티스트리(Digital dentistry) 구현을 위한 치과질환 자동진단, 환자맞춤형 치료계획 자동화, 및 치과수술 시뮬레이션 지능화 등의 솔루션 등에 대해 수업함.전선 / 대학원
의료 분야는 인공지능(AI) 기술의 빠른 발전에 따라 진단, 수술 계획, 예후 예측, 환자 맞춤 치료 등 다양한 영역에서 혁신적인 변화를 겪고 있다. 본 강의는 정형외과 질환과 치료 과정에 있어 AI의 적용 가능성과 실제 임상 연구, 데이터 과학적 접근, 윤리적·법적 쟁점 등을 다룬다. ◆ 정형외과 영역에서의 AI 적용 분야와 현황 이해 ◆ 영상분석, 예측모델, 로봇수술 등 최신 기술 습득 ◆ 의료데이터 기반 AI 연구 방법론 이해 ◆ 임상 적용에서의 윤리·법적 이슈 탐구 ◆ 학문적 연구 및 정책 제안 능력 강화전선 / 대학원
최근 생물정보 데이터 생산 비용이 급격히 감소함에 따라 다양한 오믹스 자료를 활용하여 질병의 원인이 되는 오믹스 마커 규명 연구가 활성화되고 있다. 오믹스 자료는 유형에 따라 통계학적 성질에 큰 차이가 있으며, 따라서 보건자료와 다중오믹스를 통합하여 분석을 수행하는 경우 이러한 차이를 적절히 고려하여 유형 별 적절한 분석을 수행할 필요가 있다. 본 과목에서는 전장유전체분석, 멘델랜덤화 기법을 비롯하여 다양한 유전체와 보건 자료를 분석에 활용되는 분석기법을 주로 소개할 것이다. 또한 전사체, 후성유전체, 마이크로비옴과 같은 오믹스데이터와 보건 자료 통합분석 기법을 소개할 것이다. 각 오믹스 자료의 생물학적 이해보다는 자료의 특성과 분석 알고리즘을 통계학적 기법에 기초하여 설명할 것이며, 따라서 수업의 내용을 적절히 이해하기 위해서는 회귀분석/보건학통계방법론, 수리통계학/보건통계학연습 등의 과목을 선수강해야 한다.공통 / 대학원
의학 및 간호학 연구에 실제 사용되는 공공보건자료들에 대한 소개를 통해 자료들에 대한 깊이 있는 이해를 도모함으로써 새로운 연구주제를 발견하며, 자주 쓰이는 양적분석 방법론에 대한 학습을 통해 가설을 검증하는 능력을 기름으로써, 연구의 역량을 조화롭게 발전시키는 것을 목표로 함.