Geongyu Lee · 이건규
Geongyu Lee · 이건규 機械学習リサーチャー · ソウル

Geongyu Leeイ・ゴンギュ · 이건규

AIリサーチャー · OMIXAI

Multimodal Learning · Interpretability · Reliable ML

学習に使っていないデータ、たとえば新しい病院や未知の薬剤でも通用する機械学習モデルを作ります。画像・タンパク質・RNAなど異なるデータを結びつけ、予測を信頼する前にその根拠がどこから来るのかを確かめます。

研究

産業界で5年以上、機械学習の研究開発に携わり、研究課題の設定からデータ分析、モデル開発、実験設計、論文執筆まで取り組んできました。

学習された表現、予測の根拠、そして結果を信頼できる条件に関心があります。異なるデータを結びつける学習手法と解釈可能なモデルを研究し、分布シフトや不確実性を考慮して評価します。

研究の多くは、ラベルの取得コストが高く、病院ごとにデータの分布が異なり、規制当局の検証も求められる医療データで行ってきました。こうした条件で検証した手法は他の分野にもそのまま通用するため、新しいデータや課題に応用したいと考えています。

研究テーマ

  • マルチモーダル学習と表現学習H&E画像とプロテオミクス・RNAの統合(MoSPR、薬剤応答モデル)
  • モデルの解釈と説明可能なAI予測を大域・領域別のプログラムに分解(MoSPR)、class-activation mapによる点検
  • 汎化と頑健性施設分離検証、leave-drug-out分割、施設交絡の点検
  • 不確実性と信頼性評価不確実な領域での予測保留(MurSS)、OODを考慮した能動学習、事前登録プロトコル

チームにもたらせること

  • 研究から製品へ。韓国MFDSに承認申請された医療AI製品の実運用前検証と申請文書の作成に貢献しました。
  • データパイプライン。多施設研究向けのWSIパイプラインと、協力会社とのデータ転送システムを構築しました。
  • メンタリングと査読。Codeitのメンターとして若手人材やプロジェクトチームを指導し、ML4H 2026の査読者も務めています。

経歴

OMIXAI2025.02 – 現在
ソウル · 旧RadiSen

AIリサーチャー

クロスモーダル学習 · マルチオミクス · 薬剤応答
  • プロテオミクス・RNA・H&Eを用いた薬剤応答予測のマルチオミクスR&Dを主導(進行中、プロテオーム解析4名・AI 4名の8人チーム)
  • プロテオミクスに基づくIC50モデル、犬の腫瘍への薬剤推薦アルゴリズム、ADMETモデルを開発
  • Arc Institute Virtual Cell ChallengeへのOMIXAI参加を企画から実験まで担当
  • 協力会社とのデータ転送システムを構築
詳細
  • プロテオミクス・RNAとH&E病理画像を統合して薬剤応答を予測するマルチオミクスモデルの研究開発を主導(進行中)
  • プロテオミクスに基づく細胞株の薬剤応答(IC50)予測モデルの開発(381薬剤のそれぞれを学習から外して評価するleave-one-drug-out、Pearson ≥ 0.65、社内R&D・未発表)
  • 犬の腫瘍に対する薬剤推薦アルゴリズムとADMET予測モデルの開発
  • Arc Institute Virtual Cell ChallengeへのOMIXAI参加を企画から実験まで担当(多能性幹細胞のCRISPRノックダウン応答予測)
  • H&E画像から遺伝子発現を予測するMoSPRの共同筆頭著者(プレプリント・コード公開)。ベースライン比較を含む実験の約半分を担当
  • G2L論文(AAAI 2026 ワークショップ W3PHIAI 論文採択、共著者による口頭発表)およびトリプルネガティブ乳がんの空間プロテオミクス研究(プレプリント、2026)の共著者
Deep Bio2021.03 – 2025.01
ソウル · 九老

AIリサーチャー

Computational Pathology · MFDS承認申請に向けたモデル検証
  • 2施設の乳がん再発研究でWSIパイプラインと予測モデルを開発
  • リンパ節転移検出と糸球体セグメンテーションのモデルを開発
  • 前立腺がんの転移・再発リスクモデリングを主導(社内、未発表)
  • MFDS承認申請に向けたモデル検証・申請文書作成に貢献し、Dockerを用いたサーバー自動化ツールを開発
詳細
  • 2施設の乳がん再発研究(Scientific Reports 2025)の筆頭著者。WSIパイプラインを構築し、500枚以上のスライドを処理
  • リンパ節転移検出モデルの開発、Deep BioチームでのKPIs 2024チャレンジ向け糸球体セグメンテーションモデルの開発(WSIレベル部門2位、MICCAI 2024)。チャレンジ報告論文(Medical Image Analysis、2026)の共著者
  • 前立腺がんの転移・再発リスクモデリングのプロジェクトを主導(リンパ節転移モデルを含む、社内・未発表)
  • AACR(2022、2023)・USCAP(2022)で乳がん病理AI研究を筆頭著者として発表。膵臓がん・乳がんの生存予測に関するポスター発表の共著者
Nuricon2021
板橋(パンギョ)

インターン

コンピュータビジョン
  • 駐車場向け火災検知AIシステムの開発

プロジェクト

マルチモーダル学習 · 解釈可能性 · 信頼できるMLcode ↗ github.com/Geongyu
FlyDiscovery workbench: PARP1 × niraparib structure, docking and affinity evidence
サイドプロジェクト · NVIDIA Agentic AIハッカソン2026 · 1位

FlyGate:創薬探索と医薬品安全性監視

追加学習なしのNIM検証 · OpenFold3 RMSD 1.0 Å Boltz-2 親和性 ρ 0.767 live ↗ code ↗

NVIDIA Agentic AI Hackathon 2026(主催パートナー: FAST CAMPUS)で決勝TOP 5に進み、1位を獲得した5人チームの作品です。市販前の標的結合予測(FlyDiscovery)と市販後の有害事象監視(FlyVigilance)を一つのエージェントでつなぎます。BioNeMo NIM(OpenFold3 · DiffDock · Boltz-2)で構造予測から親和性まで評価するFlyDiscoveryモジュールと探索ワークベンチUIを担当しました。

精密腫瘍学 · OMIXAI

獣医腫瘍CDSS・バーチャルセル

犬の薬剤推薦 top-k ≥ 70% · 自社コホート · 社内R&D、未発表 CRISPR摂動

臨床意思決定支援システム(CDSS)に向け、犬の腫瘍に対する薬剤推薦アルゴリズムを開発しました。Arc Institute Virtual Cell ChallengeではOMIXAIの参加を企画から実験まで担当し、多能性幹細胞のCRISPRノックダウン応答を予測しました。

Brain CT hemorrhage segmentation and class-activation maps
医療画像 · ソウル科学技術大学 × SK / 亜洲大学病院 · 2019

CT脳出血検出

セグメンテーションDice 0.66 スライス正解率 0.90 外部RSNAデータ(67万枚)で性能を維持 code ↗

ソウル科学技術大学データインテリジェンス研究室の産学課題(2019.06–12、責任者 ファン・サンフム教授)に主要参加研究員として参加しました。脳出血領域のセグメンテーション(U-Net、学習279名・テスト50名)とスライス分類(EfficientNet、学習523名・テスト143名)のモデルを構築しました。スライス厚が5 mmのため、3Dより2Dモデルが優れていました。外部のRSNA脳出血データでも分類の順位性能は低下せず、class-activation mapでモデルが出血部位を見て判断していることを確認しました。見逃したスライスの80%は正解ラベルが100ピクセル以下で、モデルよりラベルノイズの問題に近いものでした。

H&E WSI tiling to slide-level risk prediction pipeline
デジタル病理 · Deep Bio

H&EによるOncotype DXリスク群予測

Scientific Reports 2025 · 筆頭著者 · n = 125、2施設 感度 L / I / H 0.86 / 0.75 / 0.53 特異度 L / I / H 0.82 / 0.80 / 0.97

他の臨床情報を用いず、H&E WSIのみで21遺伝子再発スコア(Oncotype DX)のリスク群を予測しました。パッチ単位の分類結果を信頼度(confidence)で選別し、多数決でスライド単位の低/中/高リスク群を判定しました。

OMIXAI · 韓・米・日 · 国立がんセンター課題

Pan-Sarcoma:ヒトと犬の腫瘍の薬剤応答予測

参加研究員 2025–2028 進行中 成果は未公開

Pan-Sarcomaプロテオゲノム研究は、同じ期間に二つの研究として進めています。慶熙大学校医療院とはヒトの肉腫を、日本側とは犬の腫瘍を扱います。犬の研究では、日本側から提供された腫瘍のプロテオミクス・H&E画像・RNAを統合し、薬剤応答予測と分子解析を行っています。肉腫から始まったデータは、現在は複数のがん種に拡大しています。

マルチオミクス · OMIXAI

デュアルターゲットsiRNA候補選定に向けたRNA–タンパク質解析

遺伝子 11,238 Spearman中央値 ρ 0.441 CPTAC GBM 100名

膠芽腫(GBM)のデュアルターゲットsiRNA課題の一環です。CPTAC GBM患者100名のトランスクリプトームとプロテオームを対応づけ、RNA発現がタンパク質量をどの程度反映するかを遺伝子ごとに評価しました。1,000回のpermutation、多重検定補正、変動性・低発現・欠損のフラグ、感度分析を経て、ウェットラボ実験の候補を順位付けるための根拠表にまとめました。

プロテオミクス · OMIXAI

プロテオミクスによる薬剤応答予測

社内R&D 未発表

プロテオミクスから細胞株の薬剤応答(IC50)を予測するモデルを開発しました。381薬剤のうち380で学習し残り1つでテストすることを全薬剤で繰り返すleave-one-drug-out方式で評価しました(Pearson ≥ 0.65)。LoRA/PEFTによる自己教師ありプロテオーム表現学習も別途行いました。

その他の研究とサイドプロジェクト
その他のR&D · Deep Bio

病理画像のOOD考慮型能動学習 · ADMET/DTI

ADMET DTI OOD検出 能動学習

創薬初期の物性プロファイリングに向け、ADMET予測と薬物–標的相互作用のモデリングを行いました。病理画像のOODサンプルを定義してラベル付けを効率化する能動学習フレームワークも開発しました。社内R&Dのため未公開です。

K-BeautyGate architecture: one Python workflow run on a Vercel web demo and inside an NVIDIA OpenShell sandbox on Brev
サイドプロジェクト · NVIDIA Agentic AIハッカソン2026 · 本選

K-BeautyGate:サンドボックスで検証した訪韓客向けK-ビューティー買い物エージェント

Nemotron + ルール検査 韓 / 英 / 日 / 中 OpenShell迂回アクセス拒否 4 / 4 live ↗ code ↗

同じハッカソンの本選でTeam FlyGate(5人)が制作した作品で、決勝には上記のFlyGateで進出し、1位を獲得しました。訪問者の好み・避けたい成分・予算・時間から、根拠付きの製品推薦、店舗ルート、店員に見せる韓国語カードを作ります。中核のPythonワークフロー、WebデモとVercelデプロイ、韓国MFDS・台湾TFDAの成分・回収データとの照合、危険な依頼やプロンプトインジェクション文書を拒否する検査を担当しました。同じコードをBrev上のNVIDIA OpenShellサンドボックスで実行し、通常のモデル呼び出しは許可され、ポリシー外のファイル・ネットワークアクセスは拒否されることを実行記録で確認しました。

Machine-vision screw localization with circle detection
コンピュータビジョン · Fronttec

ねじ不良判別

5クラス 1枚0.3秒未満

製造ラインの不良検出です(969枚、5クラス、1枚0.3秒以内の制約)。分類前に、深層学習ではなくマシンビジョンでねじ位置を特定して背景を除去し、精度を高めました。

表形式データML · Zigbang

マンション成約価格予測

160万件 指標: RMSE

ソウル・釜山の成約価格を160万件のデータで予測しました。郵便番号で住所を再照合して誤記の地域を修正し、元データにない公共API特徴量(周辺の地下鉄・学校)を追加しました。

データエンジニアリング · ソウル科学技術大

音楽チャート収集パイプラインとDB

6プラットフォーム 日次収集 スキーマ設計 code ↗

Melon・Genie・VIBE・YouTube Music・Apple Music・Bugsの6プラットフォームから、Top 100を毎日同時刻に収集しました。曲・アーティスト単位で統合してDBに格納し、チャートイン/アウトによる欠損はNULL許容カラム、多言語タイトルはnvarcharで扱うスキーマを設計しました。

コンピュータビジョン · ソウル科学技術大

セグメンテーションモデルの敵対的頑健性

敵対的学習 Label smoothing Cut-out code ↗

PASCAL VOC(20クラス、1,928枚、4,203オブジェクト)でU-Netセグメンテーションにadversarial training・label smoothing・cut-outを単独/組み合わせで適用し、頑健性と精度のトレードオフを比較しました。医療AIにも引き継いだ「頑健性優先」の出発点です。

論文

学術誌論文・プレプリント・ワークショップGoogle Scholar ↗
Grad-CAM heatmaps over H&E breast tissue patches
Scientific Reports 2025 筆頭著者

Assessing the risk of recurrence in early-stage breast cancer through H&E stained whole slide images

研究概要

H&Eのみで21遺伝子再発検査のリスク群をどこまで近似できるか検証した多施設後ろ向き研究です(n=125、国立がんセンター・高麗大学九老病院)。組織病理のみの深層学習で、検査による低/中/高リスク群を近似できることを示しました。

感度 L / I / H 0.86 / 0.75 / 0.53 特異度 L / I / H 0.82 / 0.80 / 0.97
Paper ↗
MoSPR: patches to morpho-spatial macrostates, then low-rank regression to gene expression
プレプリント 2026 査読中 共同筆頭著者 †

MoSPR: Histology-to-Gene Expression Prediction with Morpho-Spatial Macrostates and Low-Rank Molecular Programs

研究概要

WSIパッチを形態学的ミクロ状態にまとめ、空間的隣接関係からマクロ状態(macrostate)を抽出し、低ランク分子プログラムで遺伝子発現を予測する線形回帰フレームワークです。TCGAの3がん種で14の比較手法を上回り、少ない学習データでもその優位を維持しました。線形構造のため、予測を大域・領域別の分子プログラムに分解して解釈できます。私はもう一人の共同筆頭著者と実験を分担し、14の比較手法との実験を担当したほか、付録の一部執筆と原稿の校正を行いました。アイデアと本文は責任著者が主導しました。

遺伝子別PCC BRCA 0.413 · KIRC 0.334 · LUAD 0.358 論文内の比較実験で15手法中1位
ML4H 2026 Findings 論文採択 · ポスター発表 共著者 · 発表者 BIOINFO/GIW ISCB-Asia 2026 口頭発表(採択)

A reliability map for per-gene multiome RNA velocity parameters in single-cell kinetics

研究概要

マルチオームRNA velocityが出力する遺伝子別パラメータ(転写率α、分解率γ、クロマチン-転写ラグ)が本当に信頼できるかを検証しました。5つのvelocity手法を4つの観点(手法間再現性、ATAC-shuffle対照、外部マルチオームデータセット5件での再現、実測の合成・分解率との整合)で評価しました。手法間で再現されたのはαのみで、γとラグには独立した測定法による検証が必要です。

α再現性 ρ = 0.88 γ ρ ≈ −0.1 事前登録 6/6 通過
KPIs 2024 patch-level glomeruli: PAS image, ground-truth mask and overlay
Medical Image Analysis 2026 チャレンジ報告論文 共著者

KPIs 2024 challenge: Advancing glomerular segmentation from patch- to slide-level

研究概要

糸球体セグメンテーションを対象としたKPIs 2024チャレンジの公式報告論文です(Medical Image Analysis 114巻、104234)。パッチ単位の学習からスライド単位の推論への汎化を扱っています。Deep BioチームとしてWSIレベル部門で2位となり、チームの一員として共著者に名を連ねています。

WSIレベル部門 2位 Deep Bioチーム MICCAI 2024
Paper ↗
Tumor patch risk-score heatmap with high- and low-risk patch regions
プレプリント 2026 共著者

AI-guided deep visual proteomics reveals recurrence-associated morpho-molecular signatures within triple-negative breast cancers

研究概要

H&EベースのAIリスクスコアで空間プロテオミクスの解析領域を選定し、トリプルネガティブ乳がん156例を解析しました。高リスクニッチでは細胞増殖経路が、低リスクニッチでは免疫活性が顕著でした。ここから導いた13タンパク質シグネチャを画像ベースのリスクスコアと組み合わせると、予後予測性能が向上しました。

H&Eリスクモデル AUC 0.77 / C-index 0.77 独立テスト H&E + 13タンパク質複合 OOB C-index 0.679 → 0.739
arXiv ↗
Encoder embedding-space illustration for supervised contrastive learning
IEEE Access 2021 共著者

Supervised Contrastive Embedding for Medical Image Segmentation

研究概要

修士論文に関連する研究室の研究に、共著者として参加しました。領域アノテーションに基づくピクセル単位の対照損失により、ラベルが少なく信頼性の低い医療画像データでもセグメンテーションを安定化します。

対照学習 少量・ノイズを含むラベル
IEEE ↗

学会発表

ポスター・口頭発表発表資料 ↗
BIOINFO/GIW ISCB-Asia 2026 ポスター発表(採択) 共同筆頭・責任著者・発表者

Predictability is not substitutability: a cost-of-substitution framework for H&E-based molecular prediction across 5 cancers

研究概要

ソウル · 2026.11.17–20。H&Eモデルの精度が高くても、分子検査を代替できるとは限りません。誤分類を治療経路の逸脱に換算した「代替コスト」を定義し、事前登録した単一プロトコル(UNI + CLAM-SB、施設分離検証、label-shuffle対照)を5がん種(乳・肺・大腸・胃・頭頸部)に適用しました。肺・胃・頭頸部がんの予測は、検証結果が出る前にコミットで封印しました。封印した10エンドポイントのうち3つは陽性対照、7つは候補で、候補のうち確定は頭頸部がんのHPV状態(AUROC 0.959)のみ、残る6つはプロトコルが求める検証陽性25例に届かず「未決」と報告しました。最も性能が高かった肺の組織型(対照、AUROC 0.939)は施設交絡の検証で除外しました。乳がん・大腸がんの結果は報告のみで集計には含めていません。Pseudo Labとの共同研究。評価プロトコルの設計、解析の再実施と最終確定(子宮内膜がんへの拡張を含む)、抄録・原稿草稿の執筆を担当しました。

確定 HNSC HPV · AUROC 0.959 除外 肺組織型 · V(site, label) = 1.0
AACR年次総会 2023 ポスター発表 筆頭著者

Predicting protein receptor status from H&E-stained images in breast cancer

研究概要Grad-CAM over H&E for protein-receptor status prediction

オーランド · 2023.04 · 抄録 #5404。IHCを用いず、H&E WSIのみからER・PR・HER2ステータスを予測しました。TCGA-BRCA 728例を用い、共有エンコーダと受容体別ヘッドを持つマルチタスクモデルに信頼度ベースのパッチ選択を組み合わせました。信頼度70%未満のパッチは除外しました。染色の色調の違いによる影響を抑えるため、色調のデータ拡張を適用しました。高麗大学九老病院との共同研究。

スライド単位精度 · クラス均衡テストセット ER 74.6% · PR 66.0% · HER2 76.6%
ポスター ↗
AACR年次総会 2022 ポスター発表 筆頭著者

Recurrence risk prediction based on automatic histologic analysis of breast cancer using whole slide images

研究概要Patch-level classification and majority-voting pipeline for recurrence risk

ニューオーリンズ · 2022.04.12。H&E WSIから21遺伝子再発スコアのリスク群を予測した研究(125例)で、のちにScientific Reports(2025)論文へと発展しました。高リスク症例を低リスクと誤分類した例はありませんでした。

one-vs-rest精度 L / I / H 0.832 / 0.776 / 0.912 感度 L / I / H 0.857 / 0.746 / 0.529
スライド ↗
AACR年次総会 2022 ポスター発表 共著者

A deep learning based pancreatic adenocarcinoma survival prediction model applicable to adenocarcinoma of other organs

研究概要5-fold C-index results for pancreatic adenocarcinoma survival model

ニューオーリンズ · 2022.04。TCGA膵腺がん179例で学習した組織画像の生存予測モデルを、直腸がんと乳がんに適用しました。直腸がんでは性能がおおむね維持され、乳がんでは低下しました。

C-index 0.726 READ適用 0.694 BRCA適用 0.571
スライド ↗
USCAP年次総会 2022 ポスター発表 筆頭著者

Automatic histological grading of breast cancer resection tissue

研究概要Class-activation maps for breast histologic grading

2022.03.17。病理医が注釈を付けたH&E WSI 125枚で腫瘍パッチを組織学的グレード1・2・3に分類し、観察者間のばらつきの低減を目指しました。高麗大学医学部との共同研究です。

パッチ one-vs-rest精度 G1 / G2 / G3 0.958 / 0.922 / 0.956
ポスター ↗
韓国産業工学会 秋季学術大会 2020 口頭発表 筆頭著者

セグメンテーションモデルの性能向上に向けた対照損失関数の活用

研究概要U-Net with feature-wise contrastive loss on encoder embeddings

ソウル科学技術大学ファン・サンフム教授の指導のもと、エンコーダのボトルネックにfeature-wise contrastive lossを適用し、CT肺・肝臓セグメンテーションでU-NetとUNet++の性能を向上させました。修士論文のもとになった研究です。

肝臓 DSC 0.912 → 0.923 肝臓 ASD 0.533 → 0.365
スライド ↗

学歴

ソウル科学技術大学2019 – 2021
ソウル

修士(データサイエンス)

ソウル科学技術大学(SeoulTech) · 指導教員: ファン・サンフム教授
  • 修士論文:「Utilizing Feature-wise Contrastive Loss for Improving Segmentation Performance」
大田大学2012 – 2019
大田

学士(情報セキュリティ)

リーダーシップ・コミュニティ活動

コミュニティ研究 · 査読 · メンタリング · 執筆
Pseudo Lab2026 · シーズン13
オープンリサーチコミュニティ

Falsify:偽論文を作って見抜く検証ベンチマーク

研究メンバー(ランナー) · 進行中(2026.10 – 2027.01)
  • レッドチームが生物医学のオープンアクセス論文にもっともらしい欠陥(数値の不一致、存在しない引用、根拠を超えた結論)を仕込み、ブルーチームがそれを検出するゲートを作るプロジェクトです。突破した攻撃はそのままベンチマークになります。
  • パイロット問題を作成:コード・データ・実行記録・Git履歴を備えた架空の研究と、40件の主張および正解表
  • プロジェクトのガイド記事11本を執筆:エージェント、スキル、ハーネス、MCP・CLI、マルチエージェントレビュー、対照群、正解表の点検
Pseudo Lab2026 · シーズン12
オープンリサーチコミュニティ

AutoBioX: AI Agents for End-to-End Bio Research

研究メンバー(ランナー) · 修了
  • バイオ研究向けAIエージェントを扱う9名チームに参加
  • 本プロジェクトから生まれた研究2件がBIOINFO/GIW ISCB-Asia 2026に採択(ポスター発表は筆頭著者・発表者、口頭発表は共著者)。その後、共著研究がML4H 2026 Findingsトラックに採択され、ポスター発表予定
ML4H2026
学術貢献

査読者

Machine Learning for Health シンポジウム
  • ML4H 2026 投稿論文の査読
Codeit2025 – 現在
非常勤

AIキャリア・プロジェクトメンター

メンタリング · プロジェクト指導 · キャリアコーチング
  • 若手AI・データ人材30名以上への1対1メンタリング(履歴書・ポートフォリオ・キャリアの方向性)と、3期にわたる8チーム以上(各4–6名)のプロジェクト指導(課題設定から手法設計、成果物レビューまで)
BOOKK2026
電子書籍 · 共著

AI創薬の入門書2冊を共著

AIパート · 数学パート執筆
  • 질병의 신호를 읽어라(『病気のシグナルを読め』):オミクスデータから始めるAI創薬標的探索。ISBN 979-11-12-34045-0。
  • 약이 될 분자를 찾아라(『薬になる分子を探せ』):公開データから始めるAI低分子創薬。ISBN 979-11-12-34044-3。
  • OMIXAIの同僚7名と業務時間外に自主的に進めた執筆プロジェクト。両書でAIパートと数学パートを執筆

技術

深層学習

PyTorchHuggingFacePEFT / LoRAAccelerateDDP / FSDP

病理画像解析

OpenSlideQuPathCLAM / weakly-supervised MILUNI · CONCH · VirchowWSIタイリング

バイオ / オミクス

scanpy · AnnDataシングルセル摂動プロテオーム表現学習ADMET

MLOps・言語

PythonR · SQL · BashDocker · SlurmW&B · MLflowFastAPI · Git

研究プロジェクト

参加研究員

精密腫瘍学に向けたPan-Sarcomaプロテオゲノムプロファイリング

国立がんセンター 韓米がん共同研究事業 · RS-2025-02243055
韓・米・日 · ヒト肉腫(慶熙大学校医療院) · 犬の腫瘍(日本側)
2025.04 – 2028.12 · 進行中 · 参加研究員

獣医腫瘍学に向けたバーチャルセルCDSS

農林食品技術企画評価院(IPET) · 先端技術基盤 主要難治性疾患精密診断技術開発事業 · RS-2026-25527499
2026 – 2030 · 進行中 · 参加研究員

がん病理診断向け汎用AIの開発・実用化

代表機関: Deep Bio · 国家R&D
事業期間 2021.04 – 2025.12 · 参加研究員(2021.04 – 2025.01)

連絡先

研究協力や採用に関するお問い合わせはメールでご連絡ください。論文はGoogle Scholar、コードはGitHubでご覧いただけます。