의생명 시계열 자기지도·대조학습 기반 진단/예후 예측 연구

Self-supervised and contrastive learning for biomedical time-series diagnosis and prognosis

연구 내용

EEG·ECG 등 의생명 시계열에서 자기지도학습 표현을 구성하고 전이학습으로 발작 및 심장질환 관련 과제를 수행하며, 유방암 지연재발 예측 모델을 함께 개발하는 연구

의생명 시계열 데이터의 구조적 관계를 반영하기 위해 자기지도학습과 대조학습 기반 표현 학습을 적용합니다. EEG에서는 뇌 영역 간 연결성을 지도 신호로 활용하여 제한된 채널 수에서도 발작 검출 성능을 확보하는 방향으로 접근합니다. ECG에서는 리드 마스킹과 순서 재구성 같은 학습 설계를 통해 시간적 변화와 리드 영향 최소화를 동시에 고려합니다. 또한 유방암 지연재발 예측에서는 다유전자 패널과 인공지능 기반 예측 모델을 결합하여 임상 의사결정에 활용 가능한 예후 예측 로직을 구축합니다.

관련 프로젝트

1건

연구 흐름

처음에는 의생명 신호에서 라벨 비용 문제를 줄이기 위해 자기지도학습이 표현 학습에 미치는 효과를 확인하는 데 집중했습니다. 이후 EEG의 경우 뇌 연결성 정보를 반영하는 대조학습 형태로 전환하여, 전극 수가 제한된 조건에서도 전이학습 성능을 유지하는 방향으로 확장했습니다. ECG에서는 리드 마스킹과 순서 재구성 설계를 통해 시간적 패턴과 리드 영향의 분리 가능성을 검증했습니다. 현재는 이러한 신호 표현 학습 역량을 암 예후 예측과 연결하여, 유방암 지연재발 문제에서 유전자 패널 기반 예측 모델 개발을 수행하고 있습니다.

활용 가능성

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

발작 조기 탐지
전극 수 절감형 EEG 분석
심전도 기반 위험도 스코어링
부정맥 후보 구간 검출
지연재발 위험 예측
다유전자 패널 기반 모델링
신호 전처리 파이프라인 표준화
자기지도학습 전이학습 평가
임상 지원 의사결정 보조
개인화 분석을 위한 표현 학습