경두개 시간 간섭 자극(transcranial temporal interfering stimulation, tTIS)은 인간의 뇌에 각각은 영향을 주지 않는 두 개의 고주파에서 박동을 사용함으로써 특정 기능과 관련된 뇌의 깊은 부위를 국소적으로 자극할 수 있다. 그러나 시뮬레이션의 복잡성과 비선형성은 계산 시간과 최적화 정밀도의 측면에서 이를 제한한다. 본 연구는 뇌의 깊은 부위를 정밀하게 자극할 수 있는 고정밀 전극(high-definition electrodes)의 간섭 전류 값을 신속하게 최적화하기 위하여, tTIS에 대한 비지도 신경망(unsupervised neural network, USNN)을 제안한다. 전극 전류 값의 생성을 담당하는 네트워크를, 생성된 자극과 목표 자극을 비교하여 최적화를 수행하도록 간섭 노출(interference exposure)을 계산하는 데 구축된 또 다른 네트워크에 연결하였다. 또한 16개의 현실적인 두부 모델을 사용한 계산 연구를 수행하였다. 아울러 성능과 특성의 관점에서 tTIS와 경두개 교류 전류 자극(transcranial alternating current stimulation, tACS)을 비교하였다. 제안된 방법은 깊은 영역을 표적으로 하거나 다중 표적 자극을 수행하더라도 목표 지점에서 가장 강한 자극을 생성하였다. 고정밀 tTIS는 표적 깊이에 의해 tACS보다 덜 영향을 받았으며, 깊은 영역에서 두 쌍(two-pair) 추론적(inferential) 자극을 사용하는 경우와 비교하여 오자극(mis-stimulation)이 감소하였다. 목표 자극을 위한 전극 전류의 최적화는 3분 내에 수행할 수 있었다. 본 연구에서 tTIS에 대한 제안된 USNN을 사용함으로써, tTIS의 전극 전류를 빠르고 정확하게 최적화할 수 있음을 입증하였다. 또한 경두개 전기 자극을 통해 뇌의 깊은 부위를 정밀하게 자극할 수 있는 가능성을 확인하였다.

코로나19 팬데믹 동안 신속하고 신뢰할 수 있는 대체 코로나19 선별 방법의 필요성이 대두되면서, 흉부 X선(Chest X-ray, CXR)과 컴퓨터단층촬영(Computed Tomography, CT) 영상으로부터 획득한 흉부 방사선 영상을 기반으로 코로나19 환자를 선별하기 위한 학습 네트워크의 개발이 촉진되었다. 개발된 모델의 효과성은 이미 문헌에서 보고되었으나, 방사선 전문의의 보조를 위한 실제 도입은 주로 적용 가능한 프레임워크의 구현 또는 제시 실패로 인해 제한되고 있다. 따라서 본 논문에서는 방사선 전문의를 돕기 위한 코로나19 환자 선별용 로봇 프레임워크를 제안한다. 구체적으로, 전이학습(Transfer learning)을 적용하여 먼저 두 가지 잘 알려진 학습 네트워크(GoogleNet과 SqueezeNet)를 개발하고, 이를 통해 3개의 공개 저장소에서 수집한 흉부 X선(CXR) 및 CT 영상에 기반하여 코로나19 양성 및 음성을 분류한다. SqueezeNet의 경우 각각 시험 정확도 90.90%, 민감도 94.70%, 특이도 87.20%를 얻었으며, GoogleNet의 경우 시험 정확도 96.40%, 민감도 95.50%, 특이도 97.40%를 각각 얻었다. 결과적으로 모델의 임상적 사용 가능성을 입증하기 위해, 방사선 전문의를 위한 보조 플랫폼으로서 기능하는 소셜 로봇인 Softbank NAO-V6 휴머노이드 로봇에 해당 모델을 배치하였다. 이 전략은 특히 코로나19 환자에 대해 X-ray 영상을 종단 간(end-to-end)으로 설명 가능한 방식으로 정렬(선별)하는 것이다. 실험실 기반으로 전체 프레임워크를 구현한 결과, 제안된 플랫폼이 코로나19 선별에서 방사선 전문의를 보조하는 데 효과적임을 보여주었다.