본 연구실은 인공지능과 딥러닝 기술을 활용하여 바이오 및 헬스케어 데이터를 분석하는 데 중점을 두고 있습니다. 유전체, 단백질, 대사체 등 다양한 오믹스 데이터와 의료 영상, 생체 신호 등 복합적인 바이오 데이터를 효과적으로 처리하고 해석하기 위해 최신 기계학습 및 딥러닝 모델을 개발하고 있습니다. 특히, 질병 진단, 예후 예측, 신약 후보 물질 발굴, 유전자 변이 탐지 등 실제 임상 및 생명과학 분야에 적용 가능한 혁신적인 알고리즘을 연구합니다. 이러한 연구는 대규모 데이터셋의 노이즈, 결측치, 불균형 등 현실적인 문제를 해결하기 위한 데이터 전처리, 특성 추출, 모델 일반화 기법 개발을 포함합니다. 예를 들어, 대규모 유전체 데이터에서 질병 관련 유전자 변이를 예측하거나, 의료 영상에서 암 병변을 자동으로 탐지하는 등 다양한 응용 사례를 통해 연구 성과를 검증하고 있습니다. 또한, 다중 모달리티 데이터를 통합 분석하여 질병의 복합적인 원인과 진행 과정을 규명하는 데 기여하고 있습니다. 최근에는 생성형 AI, 그래프 신경망, 강화학습 등 첨단 인공지능 기법을 바이오·헬스케어 데이터에 접목하여, 기존의 한계를 극복하고 새로운 지식과 치료법을 발견하는 데 주력하고 있습니다. 이를 통해 정밀의료, 맞춤형 치료, 신약 개발 등 미래 의료 패러다임 전환에 핵심적인 역할을 수행하고 있습니다.

본 연구실은 텍스트, 이미지, 음성, 시계열 등 다양한 형태의 데이터를 통합적으로 처리할 수 있는 멀티모달 대규모 인공지능 모델의 개발과 신뢰성 향상에 집중하고 있습니다. 최근 대형 언어모델(LLM), 멀티모달 트랜스포머, 확산 모델 등 최신 AI 기술을 활용하여, 자연어 처리, 이미지 생성 및 편집, 음성 합성, 시계열 예측 등 다양한 응용 분야에서 뛰어난 성능을 달성하고 있습니다. 특히, 멀티모달 데이터를 효과적으로 융합하고, 각 모달리티의 특성을 반영한 해석 가능하고 제어 가능한 모델 구조를 설계합니다. 예를 들어, 텍스트-이미지 생성, 텍스트-음성 변환, 영상 내 객체 탐지 및 설명 생성 등 복합적인 인공지능 문제를 해결하기 위한 연구를 수행하고 있습니다. 또한, 실제 환경에서 발생할 수 있는 편향, 노이즈, 도메인 변화 등에 강인한 모델을 개발하기 위해 다양한 일반화 및 적응 기법을 연구합니다. 아울러, 인공지능의 신뢰성, 투명성, 공정성, 개인정보 보호 등 사회적 요구에 부응하기 위한 기술 개발에도 힘쓰고 있습니다. 모델의 설명 가능성, 편향 완화, 프라이버시 보호, 안전성 검증 등 AI 신뢰성 확보를 위한 이론적·실용적 연구를 병행하며, 실제 산업 및 공공 분야에 적용 가능한 신뢰성 높은 AI 시스템 구축을 목표로 하고 있습니다.