본 연구의 최종목표는 생성형 AI 기반 멀티모달 의료 종단 예측 파운데이션 모델을 개발하여 개인 맞춤형 질병 궤적 예측과 조기 진단이 가능한 범용 정밀의료 플랫폼을 구현하는 것이다.구체적으로는 한국인 21만 명 대규모 종단 코호트(KoGES) 데이터를 기반으로 MMoE(Multimodal Mixture-of-Experts)와 Time-Series Diffu...

개인의 환경, 유전, 생물학적 특성 등에 따라 개인에게 최적화된 의료 서비스를 제공하는 정밀 의학(Precision Medicine)의 대두와 함께 방대하게 축적된 다양한 수준의 의료 빅데이터(혈액, 영상, 환경, 유전, 기저질환, 약복용력 등)을 효과적으로 학습하는 딥 러닝 기반 방법론의 활용성이 증가하고 있다. 하지만 실제 의료 데이터의 특성상 labe...

-실제 다양한 수준의 임상 데이터(multi-modal data)는 매우 복잡하게 상호 유기적으로 연결되어 있어 정확한 질병 예측 및 진단을 위해서는 그래프 기반 인공지능 알고리즘 개발이 필수적임 -고차원의 그래프 데이터를 모델링하기 위한 그래프 기반 딥 러닝 알고리즘인 Graph Neural Network(GNN) 연구가 의료 분야에서도 최근 많은 관심을 받고 있지만, -다양한 수준의 데이터를 통합할 때 발생하는 제약 상황으로 인해 단일 수준의 데이터를 적용하는 데에 그침 -실제 의료 데이터는 임상 정보와 더불어 환경, 복용력, 사회력 등 복합적인 정보를 활용하는 것이 필수적이나 모든 수준에서 label이 있는 sample 수의 더욱 적기 때문에 self-supervised learning 방법으로 다양한 수준의 임상 데이터의 활용성을 극대화함. 1차년도에 활용한 알고리즘을 그래프 구조에 활용한 Graph contrastive learning 방법을 활용하면 이를 구현할 수 있음 -위의 Self-supervised graph neural network 연구 개발을 위해서는 1차년도와 같이 supervised graph neural network를 현재 보유한 서울대병원 데이터에 적용하는 것이 선행되어야하며 현재 공공 의료 데이터와 더불어 서울대병원 건강검진 데이터를 기반으로 한 GNN 선행 연구를 진행중임 -1차년도에 개발한 영상 데이터 기반 지도 학습 모델과 2차년도 연구의 선행 연구인 GNN 기반 지도 학습 모델을 토대로 GNN 기반 self-supervised learning 모델의 고도화를 진행할 계획임