수술 후 섬망의 다양한 표현형을 식별하고 각 표현형의 주요 위험 요인을 설명할 수 있는 데이터 기반 접근법을 제안한다.
대규모 다중 모달 모델을 활용하여 병리 보고서에서 정보를 자동으로 추출하고 표준화된 보고서를 생성하며, 추출된 정보의 신뢰도를 평가하고 이를 바탕으로 환자 예후를 분석할 수 있다.
대규모 언어 모델은 무작위 대조 시험의 이진 결과를 정확하게 추출할 수 있지만, 복잡한 연속형 결과에 대해서는 여전히 제한적인 성능을 보인다.
본 연구는 의료 코드 중심의 다중 모달 대조 학습 프레임워크를 제안하여 전자 건강 기록(EHR) 데이터의 다양한 모달리티를 효과적으로 통합하고, 의료 코드 계층 구조를 활용한 정규화 기법을 통해 성능을 향상시킨다.
상호 정보와 앙상블 기반 접근법을 사용하여 신장암 병기 분류에 가장 중요한 임상 특징을 식별하고 추천한다.
양자 컴퓨팅 기반 하이브리드 랜덤 포레스트 알고리즘을 이용하여 심장 질환을 정확하게 조기 예측할 수 있다.
연합 학습 환경에서 의료 데이터의 이질성이 모델 성능에 미치는 영향을 분석하고, 다양한 이질성 시나리오에서 최적의 연합 학습 알고리즘을 제시한다.
의료 분야에서 AI 및 데이터 보호 규제가 강화됨에 따라, 합성 데이터 생성 기술이 데이터 기반 기술의 새로운 기회를 제공한다. 본 연구에서는 분류 문제에 적용 가능한 통계적 합성 데이터 생성 방법을 제안하고, 실제 사례인 패혈증 탐지에 적용하여 합성 데이터의 유용성과 프라이버시 영향을 평가한다.
수면다원검사 데이터 자동 분석 알고리즘을 전문가 검토 프로세스에 통합하여 분석 시간 단축과 정확도 향상을 달성하였다.
본 연구는 의료 도메인 지식, 약물-질병 관계, 시간 정보를 통합하여 환자의 건강 이벤트를 정확하게 예측하는 모델을 제안한다.