Research
우리는 복잡하고 불완전한 임상·생물학적 데이터에서 필요한 정보를 학습하고, 환자와 세포의 상태 및 변화를 정량화하며, AI의 결과를 언제 얼마나 신뢰하고 활용할 수 있는지를 연구한다.
Reliable AI for Clinical and Biological Decision-Making
A SHARED PERSPECTIVE
OUR CORE RESEARCH
CORE 01
Trustworthy & Reliable Medical AI
연구 방향이 예측을 언제 믿을 수 있는가?
예측 정확도뿐 아니라 불확실성, 보정, 실패 양상을 함께 평가합니다. 데이터 분포나 사용 조건이 달라질 때 결과를 얼마나 신뢰할 수 있는지, 어느 경우에 판단을 유보해야 하는지 연구합니다.
International Conference on Pattern Recognition (ICPR 2026)
CORE 02
Clinical Multimodal Learning
연구 방향현재 가진 검사만으로 충분히 판단할 수 있는가?
환자 단위로 여러 검사와 임상 정보를 통합합니다. 검사가 빠져 있거나 서로 다른 신호를 보낼 때, 시간에 따라 정보가 추가될 때 무엇을 근거로 판단할 수 있는지 연구합니다.
CORE 03
Quantitative & Longitudinal Imaging Biomarkers
연구 방향영상에서 환자의 상태가 실제로 얼마나 달라졌다고 말할 수 있는가?
영상의 순서형 중증도와 연속적인 상태 표현을 학습하고, 반복 촬영에서 의미 있는 변화를 측정하는 방법을 연구합니다. 관찰자·판정 기준·촬영 조건의 차이가 측정에 미치는 영향도 함께 다룹니다.
EMERGING RESEARCH
Label-free Cellular Phenotyping
비표지 세포영상만으로 세포의 상태와 반응을 어디까지 알 수 있는가?
비표지 세포영상에서 상태와 반응을 읽는 표현을 연구합니다. 형광 기반 학습 감독과 추론 입력을 구분하며, 비표지 영상의 대체 가능성은 확인된 근거 범위에서 평가합니다.
We explore cellular states in label-free microscopy, distinguishing fluorescence-guided supervision from inputs used at inference.
CONNECTING RESEARCH TO PRACTICE
새로운 AI 모델을 만드는 것만큼, 우리가 측정하는 신호와 실제 데이터가 원하는 임상 질문에 답할 수 있는지 검증하는 것도 중요합니다.
사람이 바라본 곳은 실제 인지와 임상 판단을 얼마나 반영하는가?
시선 위치와 인지·판단을 동일시하지 않고, 실제 연구에서 확인한 범위 안에서 신호의 의미를 살펴봅니다.
일상적인 돌봄 과정에서 수집된 데이터로 새로운 임상 문제까지 판단할 수 있는가?
돌봄 데이터의 수집 목적과 새로운 임상 목적 사이의 타당성을 구분해 평가합니다.
OUR TOOLKIT
세 핵심 분야를 뒷받침하는 방법론입니다. 아래 항목은 개별 프로젝트의 검증 완료를 의미하지 않습니다.
환자, 의료진, 나아가 병원에 도움이 되는 AI 연구로 우리 삶의 질을 향상시킨다.
항상 사용자 중심의 효능감 있는 실용주의적 연구를 수행한다.