라벨-희소 멀티모달 의료를 위한 반지도 그래프 표현학습 및 자가학습

Semi-/Self-Supervised Graph Representation for Label-Scarce Multimodal Healthcare

연구 내용

라벨이 제한된 멀티모달 의료 데이터에서 반지도 그래프 표현학습과 자가학습을 통해 질병 위험 패턴을 학습하는 연구

임상 환경에서는 라벨 수집 비용과 품질 편차로 인해 지도학습 적용이 제한되는 경우가 많습니다. 본 연구는 건강검진 및 임상 변수로부터 subject similarity graph를 구성하고, 그래프 표현학습을 반지도 방식으로 수행해 소수 라벨에서도 질병 위험 패턴을 추정합니다. 동시에 explainable GNN을 통해 개인별 feature importance를 산출해 임상적 해석 가능성을 보완합니다. 한편 연구실은 라벨이 없는 멀티모달 의료 데이터를 대상으로 자가학습 모델을 개발하고, 생성형 AI를 활용한 멀티모달 종단 예측 플랫폼을 구축하여 개인 맞춤형 질병 궤적과 조기 진단을 통합하는 방향으로 연구를 진행합니다.

관련 프로젝트

3건

연구 흐름

2022년 시작된 라벨-무관 멀티모달 의료 데이터 자가학습 과제에서 그래프 신경망 기반 표현을 형성하는 방법을 정립했습니다. 이후 2024년에는 지방간 질환에서 subject similarity graph를 활용한 semi-supervised graph representation learning으로 소수 라벨 성능을 확보하는 연구를 수행했습니다. 같은 시기에 explainable GNN을 결합해 개인 수준의 근거 점수를 제공하도록 확장했습니다. 현재는 2025년부터 멀티모달 의료 종단 예측과 생성형 기반 조기 진단 플랫폼 개발 과제를 통해, 정적 예측에서 종단 궤적 예측으로 발전시키는 흐름을 구성하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

라벨-희소 의료 데이터 학습
자가학습 기반 표현 추출
그래프 유사도 기반 위험 패턴 학습
멀티모달 종단 궤적 추정
조기 진단 스크리닝 모델
개인 맞춤형 위험도 추적
설명가능 예측 근거 생성
전이학습 가능한 의료 모델
임상 데이터 기반 그래프 생성 파이프라인
생성형 종단 예측 모델 개발