이 연구 주제는 임상 정보, 의료영상(PET, CT, MRI), 생체신호(ECG, EEG) 등 서로 다른 형태의 의료 데이터를 통합하여 질병을 진단하고 예후를 예측하는 인공지능 기술 개발에 초점을 둔다. 연구실은 비소세포폐암 생존 예측, 뇌종양 분할 및 생존일수 추정, 알츠하이머병 및 파킨슨병 진행 예측, 수면무호흡 및 심혈관질환 분류처럼 실제 의료 현장에서 중요한 문제를 대상으로 정밀한 예측 모델을 설계해 왔다. 단일 데이터만으로는 포착하기 어려운 병태생리 정보를 여러 모달리티에서 동시에 추출해, 보다 신뢰도 높은 의료 의사결정을 지원하는 것이 핵심 목표이다. 방법론적으로는 3D CNN, U-Net 계열 분할 네트워크, Transformer, attention mechanism, masked autoencoder, survival analysis 모델 등 최신 딥러닝 기법이 폭넓게 활용된다. 특히 서로 다른 시점과 형식의 데이터를 연결하는 크로스 모달 학습, 결측 시점과 결측 모달리티를 다루는 표현 학습, 경량화된 멀티모달 퓨전 구조, 임상 변수와 영상 특징을 함께 반영하는 예후 예측 모델이 중요한 축을 이룬다. 최근 특허와 과제를 보면 뇌 연령 예측, 생존 시간 예측, 심뇌혈관질환 연합 의료 AI, 질병 진행 분석을 위한 유사성 기반 크로스 모달 학습 등으로 연구가 확장되며, 의료 AI의 실용성과 설명가능성을 함께 강화하고 있다. 이 연구는 병원 내 진단 보조 시스템, 환자 위험도 계층화, 맞춤형 치료 전략 수립, 장기 추적 기반 질병 진행 예측 등으로 이어질 수 있다는 점에서 파급력이 크다. 특히 분산된 의료기관 데이터를 활용하는 연합학습과 인과 추론 기반 의료 AI로 확장되면서, 개인정보 보호와 고신뢰성이라는 현실적 요구를 동시에 만족시키는 방향으로 발전하고 있다. 결과적으로 이 연구는 데이터 중심의 정밀의료 구현을 목표로 하며, 임상 활용성이 높은 차세대 의료 의사결정 지원 기술의 기반을 제공한다.

이 연구 주제는 사람의 감정, 반응, 몰입도, 스트레스, 우울 상태와 같은 정서적·인지적 신호를 인공지능으로 이해하는 데 중점을 둔다. 연구실은 얼굴 표정 인식, 시선 움직임 기반 감정 추론, 음성·영상 융합 감정 인식, 대화 맥락 기반 정서 분석, 우울 및 정신건강 진단, 사회적 상호작용에서의 반응 생성 등 인간 중심 AI의 핵심 분야를 지속적으로 수행해 왔다. 특히 단순 감정 분류를 넘어, 공감 가능한 상호작용과 원격 정서 공유까지 포괄하는 공감지능 연구로 확장하고 있다는 점이 특징이다. 기술적으로는 시계열 CNN, 다층 합성곱 신경망, Transformer 기반 멀티모달 퓨전, cross-attention, diffusion model, talking face generation, 행동 및 표정 생성 모델 등이 활용된다. 얼굴·음성·텍스트·시선·생체신호를 함께 분석하는 멀티모달 학습이 중심이며, 실제 환경(in-the-wild) 데이터에서의 강건한 감정 인식 성능 향상에 많은 노력이 투입되고 있다. 또한 EmoTouch 과제에서 보이듯 XR 환경과 감정 전달, 감정 증폭, 공감력 측정, 메타 공감지능 같은 새로운 응용 영역으로 연구가 확장되어 인간-기계 상호작용의 질을 높이는 방향으로 발전하고 있다. 이 연구의 기대효과는 정신건강 지원 시스템, 감정 기반 인터페이스, 교육 및 상담 보조, 사회적 로봇, 디지털 치료제, 몰입형 XR 커뮤니케이션 등 매우 넓다. 최근 발표 주제들에는 실시간 정서 지원 컴패니언, 우울증 검출, 통증 및 스트레스 평가, 감정 제어형 영상 생성 등이 포함되어 있어, 연구실이 인식과 생성 양쪽을 아우르는 정서 AI 역량을 갖추고 있음을 보여준다. 궁극적으로 이 연구는 기계가 인간의 감정과 의도를 더 자연스럽게 이해하고 반응하도록 만들어, 보다 공감적이고 신뢰할 수 있는 AI 시스템 구현에 기여한다.

이 연구 주제는 연구실의 기반 정체성에 해당하는 데이터마이닝과 지식처리 기술을 중심으로, 다양한 비정형·정형 데이터를 분석하고 의미 있는 구조를 추출하는 데 목적이 있다. 초기 연구에서는 온톨로지, 지식 표현, 협업 설계 정보 관리, 의미 기반 정보 검색, 제품 설계 규칙 관리 등 지식공학적 문제를 다루었으며, 이후 문서영상 분석, 텍스트 마이닝, 웹 데이터 추출, 재난 및 소셜 데이터 분석으로 연구 영역이 확대되었다. 이는 연구실이 단순한 예측 모델 개발을 넘어, 데이터의 의미 구조를 이해하고 활용하는 지능형 정보처리 전반에 강점을 가지고 있음을 보여준다. 구체적으로는 데이터마이닝 알고리즘, 온톨로지 기반 표현, 지식그래프, 의미 규칙 관리, 문서 이진화 및 텍스트 검출, OCR, 클러스터링, 추천, 웹 스크래핑, 결측 데이터 복원, 시계열 분석 등이 주요 방법론으로 활용된다. 최근 프로젝트인 Bio-Causal AI는 질병 인과 예측과 기전 경로 탐색을 위해 지식그래프와 동적 인과모델을 결합하고 있으며, AI 스크래퍼 기반 SaaS 플랫폼 개발은 웹 환경에서의 자동 정보수집과 구조화 능력을 보여준다. 이런 흐름은 전통적 데이터마이닝에서 최신 생성형 AI 및 RAG 기반 응용으로 자연스럽게 연결되고 있다. 이 연구는 의료, 제조, 전자상거래, 교육, 재난 대응 등 여러 산업 분야에서 데이터 활용도를 높이는 기반 기술로서 중요한 의미를 갖는다. 연구실의 문서영상 처리, 의미 기반 검색, 웹 데이터 추출, 지식그래프 구축 역량은 대규모 데이터를 체계적으로 정제하고 실제 서비스로 연결하는 데 유리하다. 따라서 이 주제는 연구실의 응용 AI 성과를 뒷받침하는 핵심 토대이자, 향후 설명가능 AI, 인과 AI, 산업형 지식 서비스로 확장될 수 있는 전략적 연구축이라고 볼 수 있다.