이 연구실은 통계학을 중심 축으로 다양한 실제 문제를 정량적으로 해석하고 예측하는 연구를 수행한다. 연구의 출발점은 복잡한 현상을 데이터로 구조화하고, 변수 간 관계를 해석 가능한 형태로 모델링하는 데 있다. 전통적인 다변량통계, 분류, 군집, 차원축소, 생존분석, 시계열분석 등을 폭넓게 활용하며, 데이터의 특성과 목적에 맞는 분석 전략을 설계하는 역량이 연구실의 핵심 강점으로 보인다. 특히 연구실의 이력과 성과를 보면 R과 SPSS 기반의 통계학 교육 및 분석 방법론 정립에 지속적으로 기여해 왔으며, 실제 응용 현장에 통계적 방법을 접목하는 데 집중하고 있다. 학술발표 주제에는 중도탈락 예측, 태풍 피해율 분석, 농업 생산량 및 가격 예측, 문서 요약과 분류 등 매우 다양한 문제가 포함되어 있는데, 이는 연구실이 단순한 이론 통계에 머무르지 않고 데이터 기반 의사결정 문제를 실용적으로 해결하고 있음을 보여준다. 또한 STARMA, VAR-X, 웨이브렛, 특징추출 등 고급 통계 및 수리적 도구를 통해 예측 성능과 해석 가능성을 함께 확보하려는 접근이 두드러진다. 이러한 연구는 산업, 공공정책, 교육, 농업, 의료 등 여러 분야에서 신뢰할 수 있는 의사결정을 지원하는 기반이 된다. 연구실의 방향성은 단순히 예측 정확도를 높이는 데 그치지 않고, 데이터 생성 구조를 이해하고 변수의 의미를 해석함으로써 현장 적용성을 높이는 데 있다. 앞으로도 대규모 데이터 환경에서 통계학의 엄밀성과 데이터사이언스의 확장성을 결합해 설명력과 실용성을 동시에 갖춘 분석 체계를 발전시킬 가능성이 크다.

이 연구실은 암과 같은 중증 질환 환자의 예후를 보다 정확하게 예측하기 위해 의료영상과 임상정보를 결합한 생존분석 연구를 수행하고 있다. 폐암, 림프종, 대장암, 전립선암 등 다양한 암종을 대상으로 하며, 환자의 생존율, 질병 진행, 유전적 변이와 예후의 관계를 분석하는 데 통계학과 인공지능 기법을 함께 적용하고 있다. 이는 환자별 위험도를 정밀하게 평가하고 맞춤형 치료 전략 수립을 지원하는 정밀의료 연구의 중요한 흐름과 맞닿아 있다. 연구 성과를 보면 PET/CT 영상과 임상데이터를 결합한 생존 예측, 비소세포폐암 환자의 생존율 예측 특허, KRAS 및 HRD 돌연변이가 전이성 대장암 생존에 미치는 영향 분석 등 다층적인 융합 연구가 확인된다. 특히 멀티모달 딥러닝 기반 특허는 3D PET 영상, 3D CT 영상, 임상 특징을 통합하여 생존 위험도를 예측하는 방식으로, 기존 단일 데이터 기반 분석보다 더 높은 정확성과 신뢰성을 목표로 한다. 또한 Kaplan-Meier, Cox 비례위험모형 같은 고전적 생존분석과 딥러닝, 오토인코더, 영상 특징추출을 결합함으로써 설명 가능한 통계모형과 고성능 예측모형의 장점을 동시에 활용하고 있다. 이 연구는 실제 의료 현장에서 환자 분류, 치료 반응 예측, 수술 및 약물치료 전략 설계에 직접적으로 기여할 수 있다. 더 나아가 임상데이터와 분자유전학 정보, 의료영상 데이터를 통합하는 연구는 향후 개인 맞춤형 암 진단 및 치료 알고리즘 개발로 확장될 수 있다. 연구실은 통계학적 엄밀성 위에 인공지능 기반 분석을 접목하여 의료 의사결정의 객관성과 정밀성을 높이는 방향으로 발전하고 있으며, 이는 바이오메디컬 데이터사이언스 분야에서 매우 경쟁력 있는 연구 축이라 할 수 있다.

이 연구실은 농업 현장에서 생성되는 다양한 데이터를 활용해 생산량, 가격, 생육, 수분 상태, 기상 영향 등을 분석하는 스마트 농업 연구를 활발히 수행하고 있다. 주요 과수와 채소를 대상으로 토양수분, 수액흐름, 과실 생장, 병해충, 기상 정보, 보험 및 재해 데이터를 수집하고 이를 기반으로 농업 생산성과 안정성을 높이는 예측모형을 개발한다. 이는 전통 농업을 데이터 기반의 정밀 농업으로 전환하는 데 필요한 핵심 연구라 할 수 있다. 프로젝트와 학술발표를 보면 양파, 마늘, 고추 등 농산물의 생산량 및 가격 예측, 배나무 수액 흐름 분석, 태풍 정보 기반 낙과 피해율 예측, 토양습도 예측, 화분 발아 이미지 분류 등 매우 폭넓은 응용이 이루어지고 있다. 사용 방법론 역시 시계열모형, 웨이브렛, Prophet, LSTM 오토인코더, 랜덤포레스트, 합성곱신경망 등 전통 통계와 머신러닝을 아우른다. 또한 과수 기계화와 로봇개발, 센서 데이터 수집, 자율주행 운반기 및 방제 로봇 관련 협력 과제를 통해 데이터 분석이 현장 장비 및 자동화 시스템과 연결되고 있다는 점도 특징적이다. 이러한 연구는 농업 생산의 불확실성을 줄이고, 재배 전략과 유통 계획, 재해 대응 및 자원관리의 효율성을 높이는 데 실질적으로 기여한다. 기후변화가 심화되는 상황에서 농업 데이터 기반 예측은 단순한 수확량 전망을 넘어 국가 식량안보와 지역 산업 경쟁력에도 중요한 의미를 가진다. 연구실은 통계학적 모델링 능력을 바탕으로 농업, 기상, 센서, 영상, 로봇 데이터를 융합하는 방향으로 연구를 확장하고 있으며, 이는 스마트팜과 디지털 농업 분야에서 높은 활용 가능성을 지닌다.