아에스아부하메드타메르 연구실

본 연구는 정신질환자의 ICU 사망률 예측을 위해 Asclepius, Meditron, GatorTron, PubMedBERT 등 다양한 의료 언어모델을 앙상블한 분류기를 개발했습니다. MIMIC-IV 데이터셋의 11,914명 정신질환자 의료기록으로 미세조정한 다중모달 앙상블 모델은 단일 모달리티 기반 개별 모델보다 우수한 성능을 달성했습니다.

본 연구는 데이터 이질성 환경에서 연합학습의 중독 공격에 대한 영향을 조사합니다. FedAvg와 FedNova 모델을 의료 영상 작업에 적용하여 악의적 클라이언트 비율과 중독 농도 수준이 모델 정확도에 미치는 영향을 평가한 결과, 데이터 이질성이 증가할수록 중독 공격의 영향이 악화되며, FedNova가 FedAvg보다 더 큰 복원력을 보입니다. 악의적 클라이언트의 수가 각 클라이언트의 중독 샘플 비율보다 성능 저하에 더 큰 역할을 합니다.

본 연구는 정신건강장애 분야에서 머신러닝과 딥러닝 모델의 신뢰성을 분석한 첫 번째 체계적 문헌 검토입니다. 정신건강장애 치료에 AI 활용 가능성이 있음에도 불구하고 의료 현장에서 실제 적용이 미흡한 이유는 도메인 전문가의 AI 시스템 신뢰 부족 때문입니다. 연구 결과 정신건강장애 분야의 AI 모델은 다른 분야 대비 신뢰할 수 있는 AI 기준 구현에 심각한 한계를 보이며, 향후 이러한 과제를 해결하기 위한 연구 방향을 제시합니다.

본 연구는 피츠패트릭 척도 기반 피부 분류의 정확도를 향상시키기 위해 전문 피부 분석기 기기로부터 얻은 제어된 환경 데이터셋에서 주름과 모공 같은 피부 표면 속성을 제거하는 특화된 필터를 제안합니다. 9차원 특성 벡터 모델링과 차원 축소를 통해 영향력 있는 특성을 식별하며, 다양한 머신러닝 알고리즘으로 교차 검증한 결과 97%의 분류 정확도를 달성하여 기존 방법의 약 75% 대비 성능을 크게 향상시켰습니다.