목적: 유방암은 서로 다른 예후를 보이는 다양한 아형을 포함하므로 정확한 층화(stratification) 방법이 필요하다. 현재의 기술은 제한된 부분 집합에서 유전자 발현을 정량화하는 데 의존한다. 유방 조직의 복잡성을 고려할 때, 의료 영상에서 유방암을 효과적으로 검출하고 분류하는 것이 중요하다. 본 연구는 조직병리 이미지에서 유방암을 검출하고 분류하기 위해, 다중 패치 기반 딥 컨볼루션 오토인코더(DCAE) 프레임워크와 VGG19를 결합한 새로운 방법 MPa-DCAE를 제안한다. 방법: 제안된 MPa-DCAE 모델은 DCAE 프레임워크 내에서 VGG19의 계층적 특징 추출 능력을 활용하여 조직병리 이미지의 복잡한 패턴을 포착하도록 설계되었다. 다중 패치 접근을 통해 병리 이미지에서 관심 영역을 추출하여 국소화된 특징 학습을 가능하게 하며, 이는 모델의 변별력을 향상시킨다. 오토인코더 구성요소는 비지도 특징 학습을 가능하게 하여 영상 특징의 변이에 대한 견고성과 적응성을 높인다. 모델 성능 검증을 위해 CBIS-DDSM 및 MIAS 데이터셋에서 다양한 배율에서 실험을 수행하였다. 결과: 실험 결과, MPa-DCAE 모델은 기존 방법보다 우수한 성능을 보였다. CBIS-DDSM 데이터셋에서 정밀도 97.96%, 재현율 94.85%, 정확도 98.36%를 달성하였다. MIAS 데이터셋에서는 정밀도 97.99%, 재현율 97.2%, 정확도 98.95%를 달성하였다. 이러한 결과는 모델의 견고성과 컴퓨터 보조 진단에서의 임상 적용 가능성을 보여준다. 결론: VGG19와 DCAE를 통합한 MPa-DCAE 모델은 유방암 진단을 위한 효과적이고 자동화된 접근임이 입증되었다. 높은 정확도와 범용성은 임상 실무에서 유망한 도구가 될 수 있으며, 잠재적으로 조직병리 기반 유방암 진단에서 환자 치료를 향상시킬 수 있다.

운전 스타일을 평가하기 위한 가장 널리 사용되는 자기평가 방법은 다차원 운전 스타일 설문지(Multidimensional Driving Style Inventory, MDSI)이다. 본 연구의 목적은 MDSI를 한국 운전자에 맞게 적응(MDSI-K)하고, 원래 버전의 8요인 운전 스타일 구조를 확인하는 데 있다. 20-70세의 운전자 640명이 본 연구에 참여하는 데 동의하였다. 모든 참가자는 최소 1년 이상의 운전 경험이 있었다. 확인적 요인분석을 수행하여 원래 MDSI가 한국의 운전 스타일 구조에 적합한지 확인하였으나, 적합도 지수는 수용할 만한 수준이 아니었다. 상관 분석을 통해 11개의 설문 문항을 제거하였고, 원래 MDSI와 동일한 구조를 갖는 MDSI-K를 도출하였다. 이후 탐색적 요인분석에서는 요인 간 일부 교차적재(cross-loadings)가 존재하는 8요인 구조가 도출되었다. 보다 엄격한 검증을 위해 탐색적 구조방정식 모형(Exploratory Structural Equation Modeling)을 사용하였으며, 그 결과 8요인에 걸쳐 33개 문항으로 구성된 정교화된 모형이 도출되었고, 이 모형에는 MDSI-K의 구성 과정에서 이러한 교차적재가 반영되었다. 이러한 교차적재는 운전 스타일에서의 문화적 차이를 반영하는 것으로 제안한다. 결론적으로, 본 연구의 결과는 다양한 국가에서 선행 조사되어 온 운전 스타일에 대한 공통된 개념이 존재함을 보여준다. 이는 국가 간에 널리 사용되는 운전 문화의 유사성으로 볼 수 있다. 한편, 국가와 문화에 따른 동일 설문지의 상이한 구조 또는 설문 문항에 관한 결과는 문화 간 차이를 보여준다.