Geongyu Lee · 이건규
Geongyu Lee · 이건규 머신러닝 리서처 · 서울

Geongyu Lee이건규

AI 리서처 · OMIXAI

Multimodal Learning · Interpretability · Reliable ML

처음 보는 병원의 데이터나 학습에 없던 약물에서도 성능이 흔들리지 않는 머신러닝 모델을 만듭니다. 이미지, 단백질, RNA처럼 성격이 다른 데이터를 함께 다루고, 예측을 믿기 전에 그 근거부터 확인합니다.

연구

산업계에서 5년 넘게 머신러닝 연구개발을 했습니다. 문제를 정하고 데이터를 분석하는 일부터 모델 구현, 실험 설계, 논문 작성까지 전 과정을 직접 맡아 왔습니다.

제가 연구에서 늘 파고드는 질문은 세 가지입니다. 모델이 무엇을 배웠는지, 왜 그렇게 예측했는지, 그리고 그 결과를 언제 믿어도 되는지입니다. 그래서 이미지와 분자 데이터처럼 서로 다른 데이터를 함께 학습하는 방법과 해석 가능한 모델을 연구하고, 데이터 분포가 바뀌거나 불확실성이 클 때도 결과가 유지되는지 따져 봅니다.

연구는 대부분 의료 데이터로 했습니다. 의료 데이터는 라벨을 구하는 데 비용이 많이 들고 병원마다 특성이 다르며, 여기서 나온 모델은 규제 검증까지 거쳐야 합니다. 이런 조건에서 통한 방법이라면 다른 분야에도 옮겨 쓸 수 있다고 보고, 새로운 데이터와 문제에 적용해 보고 싶습니다.

연구 관심사

  • 멀티모달 학습과 표현 학습H&E 이미지와 프로테오믹스·RNA를 함께 학습(MoSPR, 약물 반응 모델)
  • 모델 해석과 설명 가능한 AI예측을 전체·영역별 기여로 나눠 해석(MoSPR), class-activation map으로 근거 점검
  • 일반화와 강건성병원을 나눠 검증, 학습에 없던 약물로 평가(leave-drug-out), 기관 교란 점검
  • 불확실성과 신뢰성 평가확신이 낮은 영역은 예측 보류(MurSS), OOD 기반 액티브 러닝, 사전 등록한 평가 프로토콜

팀에서 할 수 있는 일

  • 연구에서 제품까지. 식약처(MFDS) 인허가를 신청한 의료 AI 제품의 출시 전 검증과 인허가 문서 작업에 참여했습니다.
  • 데이터 파이프라인. 여러 병원이 참여한 연구의 WSI 파이프라인과, 협력사와 데이터를 주고받는 시스템을 만들었습니다.
  • 멘토링과 심사. 코드잇 멘토로 주니어 연구자와 프로젝트 팀을 지도하고, ML4H 2026 리뷰어로 논문을 심사합니다.

경력

OMIXAI2025.02 – 현재
서울 · 구 래디센

AI 리서처

크로스모달 학습 · 멀티오믹스 · 약물 반응
  • 프로테오믹스·RNA·H&E로 약물 반응을 예측하는 멀티오믹스 R&D 주도(진행 중, 단백체 분석 4명·AI 4명으로 꾸린 8인 팀)
  • 프로테오믹스 기반 IC50 모델, 반려견 종양 약물 추천 알고리즘, ADMET 모델 개발
  • Arc Institute Virtual Cell Challenge에 OMIXAI 팀으로 참가해 기획과 실험을 직접 수행
  • 협력사 데이터 전송 시스템 구축
상세 내용
  • 프로테오믹스·RNA와 H&E 병리 이미지를 함께 쓰는 약물 반응 예측 모델 R&D 주도(진행 중)
  • 프로테오믹스 기반 세포주 약물 반응(IC50) 예측 모델 개발(381개 약물을 하나씩 빼고 평가하는 leave-one-drug-out에서 Pearson ≥ 0.65, 사내 R&D·미공개)
  • 반려견 종양 약물 추천 알고리즘 및 ADMET 예측 모델 개발
  • Arc Institute Virtual Cell Challenge에 OMIXAI 팀으로 참가해 기획과 실험을 직접 수행(만능줄기세포 CRISPR 넉다운 반응 예측)
  • H&E 기반 유전자 발현 예측 모델 MoSPR 논문 공동 제1저자(프리프린트·코드 공개). 베이스라인 비교 등 실험의 절반을 맡음
  • G2L 논문(AAAI 2026 워크숍 W3PHIAI 논문 채택, 공저자 구두 발표) 및 삼중음성 유방암 공간 프로테오믹스 프리프린트(2026) 공저자
딥바이오2021.03 – 2025.01
서울 · 구로

AI 리서처

Computational Pathology · 식약처(MFDS) 인허가용 모델 검증
  • 2개 병원 유방암 재발 연구의 WSI 파이프라인과 예측 모델 개발
  • 림프절 전이 검출 및 사구체 분할 모델 개발
  • 전립선암 전이·재발 위험 모델링 주도(사내, 미발표)
  • MFDS 인허가 신청용 모델 검증과 문서 작업 참여, Docker 기반 서버 자동화 도구 개발
상세 내용
  • 2개 병원 유방암 재발 예측 연구 제1저자(Scientific Reports 2025), WSI 500장 이상을 처리한 파이프라인 구축
  • 림프절 전이 검출 모델 개발, 딥바이오 팀과 KPIs 2024 챌린지 사구체 분할 모델 개발(전체 슬라이드 트랙 2위, MICCAI 2024), 챌린지 결과 논문(Medical Image Analysis, 2026) 공저자
  • 전립선암 전이·재발 위험 모델링 프로젝트 주도(림프절 전이 모델 포함, 사내·미발표)
  • AACR(2022, 2023)·USCAP(2022)에서 유방암 병리 AI 연구 제1저자 발표, 췌장암·유방암 생존 예측 포스터 공저자
누리콘2021
판교

인턴

컴퓨터 비전
  • 주차장 화재 감지 AI 시스템 개발

프로젝트

멀티모달 학습 · 해석 가능성 · 신뢰할 수 있는 MLcode ↗ github.com/Geongyu
FlyDiscovery workbench: PARP1 × niraparib structure, docking and affinity evidence
사이드 프로젝트 · NVIDIA Agentic AI 해커톤 2026 · 1위

FlyGate: 신약 탐색과 약물 안전성 감시

추가 학습 없는 NIM 점검 · OpenFold3 RMSD 1.0 Å Boltz-2 친화도 ρ 0.767 live ↗ code ↗

NVIDIA Agentic AI Hackathon 2026(주관·파트너 패스트캠퍼스)에서 결선 TOP 5에 오른 뒤 1위를 한 5인 팀 작품입니다. 약이 나오기 전의 표적 결합 예측(FlyDiscovery)과 나온 뒤의 이상사례 감시(FlyVigilance)를 하나의 에이전트로 묶었습니다. 저는 FlyDiscovery 모듈과 탐색 워크벤치 UI를 만들었습니다. FlyDiscovery는 BioNeMo NIM(OpenFold3 · DiffDock · Boltz-2)으로 후보 물질의 구조 예측부터 결합 친화도까지 평가합니다.

정밀종양학 · OMIXAI

수의 종양 CDSS & 버추얼 셀

반려견 약물 추천 top-k ≥ 70% · 자체 코호트 · 사내 R&D, 미공개 CRISPR 섭동

임상 의사결정 지원 시스템(CDSS) 구축을 목표로 반려견 종양 약물 추천 알고리즘을 개발했습니다. Arc Institute Virtual Cell Challenge에는 OMIXAI 팀으로 참가해, 만능줄기세포의 CRISPR 넉다운 반응을 예측하는 과제를 기획부터 실험까지 직접 맡았습니다.

Brain CT hemorrhage segmentation and class-activation maps
의료영상 · 서울과기대 × SK / 아주대병원 · 2019

CT 뇌출혈 검출

분할 Dice 0.66 슬라이스 정확도 0.90 외부 RSNA 데이터(67만 장)에서 성능 유지 code ↗

서울과기대 데이터 인텔리전스 연구실의 산학 과제(2019.06–12, 책임 황상흠 교수)에서 주요 연구원 두 명 중 한 명으로 일했습니다. 뇌출혈 영역 분할(U-Net, 학습 279명·테스트 50명)과 슬라이스 분류(EfficientNet, 학습 523명·테스트 143명) 모델을 만들었고, 슬라이스 두께가 5 mm라 3D보다 2D 모델이 나았습니다. 외부 RSNA 뇌출혈 데이터에서도 분류 순위 성능이 떨어지지 않았고, class-activation map으로 모델이 출혈 부위를 보고 판단하는지 점검했습니다. 놓친 슬라이스의 80%는 정답 영역이 100픽셀 이하라, 모델 오류라기보다 라벨 노이즈에 가까웠습니다.

H&E WSI tiling to slide-level risk prediction pipeline
디지털 병리 · 딥바이오

H&E로 Oncotype DX 위험군 예측

Scientific Reports 2025 · 제1저자 · n = 125, 2개 병원 민감도 저 / 중 / 고 0.86 / 0.75 / 0.53 특이도 저 / 중 / 고 0.82 / 0.80 / 0.97

다른 임상 정보 없이 H&E WSI만으로 21-유전자 재발 점수(Oncotype DX)의 위험군을 예측했습니다. 패치마다 분류한 뒤, 신뢰도가 높은 패치만 골라 다수결로 슬라이드의 저·중·고위험군을 정했습니다.

OMIXAI · 한·미·일 · 국립암센터 과제

Pan-Sarcoma: 사람·반려견 종양의 약물 반응 예측

참여연구원 2025–2028 진행 중 결과 미공개

Pan-Sarcoma 프로테오지노믹스 과제는 두 갈래로 동시에 진행됩니다. 경희대학교 의료원과는 사람 육종을, 일본 연구진과는 반려견 종양을 다룹니다. 반려견 연구에서는 일본 연구진이 제공한 프로테오믹스·H&E·RNA 데이터를 함께 써서 약물 반응을 예측하고 분자 특성을 분석하고 있습니다. 처음에는 육종 데이터로 시작했고, 지금은 여러 암종으로 범위를 넓혔습니다.

멀티오믹스 · OMIXAI

듀얼타겟 siRNA 후보 선정을 위한 RNA–단백질 분석

유전자 11,238개 Spearman 중앙값 ρ 0.441 CPTAC GBM 100명

교모세포종(GBM) 듀얼타겟 siRNA 과제의 일부입니다. CPTAC GBM 환자 100명의 전사체와 단백체를 짝지어, 유전자마다 RNA 발현이 단백질 양을 얼마나 따라가는지 평가했습니다. 1,000회 permutation으로 귀무분포를 구하고 다중검정 보정을 했습니다. 변동성·저발현·결측 여부를 표시하고 민감도를 점검한 뒤, 웻랩 실험 후보를 고르는 근거표로 정리했습니다.

프로테오믹스 · OMIXAI

프로테오믹스로 약물 반응 예측

사내 R&D 미공개

프로테오믹스 데이터로 세포주의 약물 반응(IC50)을 예측하는 모델을 개발했습니다. 381개 약물 중 380개로 학습하고 남은 1개로 테스트하는 것을 모든 약물에 반복하는 leave-one-drug-out 방식으로 평가했습니다(Pearson ≥ 0.65). LoRA/PEFT 기반 자기지도 프로테옴 표현 학습도 별도로 진행했습니다.

추가 연구와 사이드 프로젝트
기타 R&D · 딥바이오

병리 OOD 기반 액티브 러닝 · ADMET/DTI

ADMET DTI OOD 검출 액티브 러닝

개발 초기 약물의 물성을 가늠하는 ADMET 예측과 약물-표적 상호작용 모델을 만들었습니다. 병리 이미지에서 분포 밖(OOD) 샘플을 골라 라벨링 부담을 줄이는 액티브 러닝 프레임워크도 개발했습니다. 사내 R&D라 공개된 결과는 없습니다.

K-BeautyGate architecture: one Python workflow run on a Vercel web demo and inside an NVIDIA OpenShell sandbox on Brev
사이드 프로젝트 · NVIDIA Agentic AI 해커톤 2026 · 본선

K-BeautyGate: 샌드박스에서 검증한 외국인 관광객용 K-뷰티 쇼핑 에이전트

Nemotron + 규칙 검사 한 / 영 / 일 / 중 OpenShell 우회 접근 차단 4 / 4 live ↗ code ↗

같은 해커톤 본선에서 Team FlyGate(5인)가 만든 작품이고, 결선에는 위의 FlyGate로 올라가 1위를 했습니다. 방문객의 요구 사항과 피하고 싶은 성분, 예산, 시간을 입력하면 추천 이유를 곁들인 제품 목록과 매장 동선, 직원에게 보여 줄 한국어 카드를 만들어 줍니다. 저는 핵심 Python 워크플로, 웹 데모와 Vercel 배포, 식약처(MFDS)·대만 TFDA 성분·회수 자료 대조, 위험한 요청과 프롬프트 주입 문서를 걸러내는 검사를 맡았습니다. 같은 코드를 Brev의 NVIDIA OpenShell 샌드박스에서 돌려, 정상적인 모델 호출은 통과하고 정책 밖의 파일·네트워크 접근은 막히는 것을 실행 기록으로 확인했습니다.

Machine-vision screw localization with circle detection
컴퓨터 비전 · 프론텍

나사 불량 판별

5개 클래스 장당 0.3초 미만

생산 라인 불량 검출 과제(969장, 5개 클래스, 장당 0.3초 미만 처리 조건)입니다. 딥러닝 대신 머신비전으로 나사 위치를 찾아 배경을 제거한 뒤 분류해 정확도를 높였습니다.

정형 데이터 ML · 직방

아파트 실거래가 예측

160만 건 지표: RMSE

서울·부산 거래 데이터 160만 건으로 실거래가를 예측했습니다. 우편번호로 주소를 다시 매칭해 잘못 기재된 지역을 바로잡았습니다. 원본에 없던 주변 지하철·학교 정보는 공공 API로 받아 피처로 추가했습니다.

데이터 엔지니어링 · 서울과기대

음원 차트 수집 파이프라인 & DB

6개 플랫폼 일 단위 수집 스키마 설계 code ↗

멜론·지니·바이브·유튜브 뮤직·애플 뮤직·벅스 6개 플랫폼의 일간 Top 100을 매일 같은 시각에 수집했습니다. 곡과 아티스트 기준으로 병합해 관계형 DB에 적재했습니다. 차트 진입·이탈로 생기는 결측에 대비해 순위 컬럼은 NULL을 허용하도록 설계했고, 다국어 제목은 nvarchar로 저장했습니다.

컴퓨터 비전 · 서울과기대

분할 모델의 적대적 견고성 연구

적대적 학습 Label smoothing Cut-out code ↗

PASCAL VOC(20개 클래스, 1,928장, 4,203개 객체)에서 U-Net 분할 모델에 adversarial training·label smoothing·cut-out을 하나씩, 또 섞어서 적용하며 견고성과 정확도 사이의 상충 관계를 비교했습니다. 이 프로젝트에서 시작된 '견고성 우선' 관점은 이후 의료 AI 연구로도 이어졌습니다.

논문

저널 논문 · 프리프린트 · 워크숍Google Scholar ↗
Grad-CAM heatmaps over H&E breast tissue patches
Scientific Reports 2025 제1저자

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

연구 요약

H&E 염색 슬라이드로 21-유전자 재발 검사를 대신할 수 있는지 살펴본 다기관 후향 연구(n=125, 국립암센터·고려대 구로병원)입니다. 검사가 나누는 저·중·고위험군을 조직 영상만으로 상당 부분 맞힐 수 있음을 보였습니다.

민감도 저 / 중 / 고 0.86 / 0.75 / 0.53 특이도 저 / 중 / 고 0.82 / 0.80 / 0.97
Paper ↗
MoSPR: patches to morpho-spatial macrostates, then low-rank regression to gene expression
프리프린트 2026 심사 중 공동 제1저자 †

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

연구 요약

WSI로 유전자 발현을 예측하는 선형 모델입니다. 패치를 형태가 비슷한 미시 상태(microstate)로 묶고, 공간적 인접 관계를 바탕으로 거시 상태(macrostate)를 찾은 뒤, 저랭크 분자 프로그램을 거쳐 유전자 발현을 예측합니다. TCGA 3개 암종에서 비교 모델 14종보다 성능이 좋았고, 학습 데이터를 줄여도 앞섰습니다. 선형 모델이라 예측 하나하나를 전체와 영역별 기여로 나눠 볼 수 있습니다. 실험은 다른 공동 제1저자와 반씩 나눠 맡았고, 비교 모델 14종과의 성능 비교 실험도 함께 진행했습니다. 부록 일부를 쓰고 원고 교정도 했습니다. 연구 아이디어 구상과 본문 집필은 교신저자가 주도했습니다.

유전자별 PCC BRCA 0.413 · KIRC 0.334 · LUAD 0.358 논문에서 비교한 15개 방법 중 1위
ML4H 2026 Findings 논문 채택 · 포스터 발표 공저자 · 발표자 BIOINFO/GIW ISCB-Asia 2026 구두 발표 채택

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

연구 요약

멀티옴 RNA velocity 방법이 내놓는 유전자별 파라미터(전사율 α, 분해율 γ, 크로마틴-전사 지연)를 정말 믿어도 되는지 따져 봤습니다. 5개 velocity 방법을 4개 축(방법 간 재현성, ATAC-shuffle 대조, 외부 멀티옴 데이터 5종에서의 재현 여부, 실측 합성·분해율과의 비교)으로 평가했습니다. 방법이 달라도 같게 나온 값은 α뿐이었고, γ와 지연은 다른 측정법으로 따로 확인해야 합니다.

α 재현성 ρ = 0.88 γ ρ ≈ −0.1 사전 등록 6/6 통과
KPIs 2024 patch-level glomeruli: PAS image, ground-truth mask and overlay
Medical Image Analysis 2026 챌린지 결과 논문 공저자

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

연구 요약

사구체 분할을 주제로 한 KPIs 2024 챌린지의 공식 결과 논문(Medical Image Analysis 114권, 104234)입니다. 패치 단위로 학습한 모델로 슬라이드 전체를 추론하는 문제를 다룹니다. 딥바이오 팀으로 참가해 전체 슬라이드 트랙 2위를 했고, 팀원으로 공저자에 이름을 올렸습니다.

전체 슬라이드 트랙 2위 딥바이오 팀 MICCAI 2024
Paper ↗
Tumor patch risk-score heatmap with high- and low-risk patch regions
프리프린트 2026 공저자

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

연구 요약

삼중음성 유방암 환자 156명의 조직에서 H&E 기반 AI 위험도 점수로 공간 프로테오믹스 분석을 할 영역을 골랐습니다. 고위험 니치에서는 세포 증식 경로가, 저위험 니치에서는 면역 활성이 두드러졌습니다. 니치 분석에서 찾은 13개 단백질 시그니처를 영상 기반 위험도 점수와 합치자 예후 예측이 더 정확해졌습니다.

H&E 위험도 모델 AUC 0.77 / C-index 0.77 독립 테스트셋 H&E + 13개 단백질 통합 모델 OOB C-index 0.679 → 0.739
arXiv ↗
MurSS multi-resolution selective segmentation architecture
Bioengineering 2024 공저자

MurSS: A Multi-Resolution Selective Segmentation Model for Breast Cancer

연구 요약

여러 해상도의 이미지를 한꺼번에 받는 분할 모델입니다. 확신이 낮은 영역에서는 신뢰도 기반 reject loss로 예측을 보류합니다. 라벨 노이즈가 많은 조직병리 데이터를 염두에 두고 설계했습니다.

mIoU 0.728 · 95% 커버리지 0.760 · 80% 커버리지
Paper ↗
Encoder embedding-space illustration for supervised contrastive learning
IEEE Access 2021 공저자

Supervised Contrastive Embedding for Medical Image Segmentation

연구 요약

석사 논문과 이어지는 연구실 논문으로, 공저자로 참여했습니다. 영역 주석(annotation) 단위로 정의한 픽셀 대조 손실을 써서, 라벨이 적고 신뢰도도 낮은 의료영상에서도 분할이 흔들리지 않게 합니다.

대조 학습 소량·노이즈 라벨
IEEE ↗

학회 발표

포스터 · 구두 발표발표 자료 모음 ↗
BIOINFO/GIW ISCB-Asia 2026 포스터 발표 채택 공동 제1저자·교신저자·발표자

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

연구 요약

서울 · 2026.11.17–20. H&E 모델이 정확하다고 해서 분자검사를 대신할 수 있는 건 아닙니다. 오분류가 생겼을 때 미리 정한 치료 경로에서 얼마나 벗어나는지를 '대체 비용'으로 정의했습니다. 사전 등록한 단일 프로토콜(UNI + CLAM-SB, 기관 분리 검증, label-shuffle 대조)을 유방·폐·대장·위·두경부 5개 암종에 똑같이 적용했고, 폐·위·두경부암의 예측은 검증 결과가 나오기 전에 커밋으로 봉인했습니다. 봉인한 엔드포인트 10개 가운데 3개는 양성 대조, 7개는 후보였습니다. 후보 중 확정된 것은 두경부암 HPV 상태(AUROC 0.959) 하나였고, 나머지 6개는 검증 세트의 양성 사례가 프로토콜 기준인 25건에 못 미쳐 '미결'로 보고했습니다. 성능이 가장 높았던 폐 조직형(대조, AUROC 0.939)은 기관 교란 점검에서 제외했습니다. 유방·대장암 결과는 보고만 하고 집계에서 뺐습니다. Pseudo Lab과 함께 진행했습니다. 평가 프로토콜은 제가 설계했습니다. 분석은 나중에 다시 돌려 최종 결과를 확정했고(자궁내막암 확장 포함), 초록과 원고 초안도 썼습니다.

확정 HNSC HPV · AUROC 0.959 제외 폐 조직형 · V(site, label) = 1.0
AACR 연례학술대회 2023 포스터 발표 제1저자

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

연구 요약Grad-CAM over H&E for protein-receptor status prediction

올랜도 · 2023.04 · 초록 #5404. IHC 염색 없이 H&E WSI만으로 ER·PR·HER2 상태를 예측했습니다(TCGA-BRCA 728례). 형태 인코더 하나를 공유하고 수용체마다 예측 헤드를 따로 두는 멀티태스크 모델을 만들고, 신뢰도 70% 미만인 패치는 뺐습니다. 염색 색 차이에 덜 흔들리도록 색상 증강도 넣었습니다. 고려대 구로병원과 함께 진행했습니다.

슬라이드 단위 정확도 · 클래스 균형 테스트셋 ER 74.6% · PR 66.0% · HER2 76.6%
포스터 ↗
AACR 연례학술대회 2022 포스터 발표 제1저자

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

연구 요약Patch-level classification and majority-voting pipeline for recurrence risk

뉴올리언스 · 2022.04.12. H&E WSI로 21-유전자 재발 점수 위험군을 예측한 연구(125례)로, 이후 Scientific Reports(2025) 논문으로 발전했습니다. 고위험 증례를 저위험으로 잘못 분류한 경우는 한 건도 없었습니다.

일대다 정확도 저 / 중 / 고 0.832 / 0.776 / 0.912 민감도 저 / 중 / 고 0.857 / 0.746 / 0.529
슬라이드 ↗
AACR 연례학술대회 2022 포스터 발표 공저자

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

연구 요약5-fold C-index results for pancreatic adenocarcinoma survival model

뉴올리언스 · 2022.04. TCGA 췌장 선암 179례로 학습한 조직 영상 기반 생존 예측 모델을 직장암과 유방암에 적용했습니다. 직장암에서는 성능이 대체로 유지됐고, 유방암에서는 떨어졌습니다.

C-index 0.726 READ 적용 0.694 BRCA 적용 0.571
슬라이드 ↗
USCAP 연례학술대회 2022 포스터 발표 제1저자

Automatic histological grading of breast cancer resection tissue

연구 요약Class-activation maps for breast histologic grading

2022.03.17. 병리의가 주석을 단 H&E WSI 125장에서 종양 패치를 조직학적 1·2·3등급으로 분류했습니다. 판독자마다 등급이 달라지는 문제를 줄이려는 연구입니다. 고려대 의대와 함께 진행했습니다.

패치 단위 일대다 정확도 G1 / G2 / G3 0.958 / 0.922 / 0.956
포스터 ↗
대한산업공학회 추계학술대회 2020 구두 발표 제1저자

영역분할 모델 성능 향상을 위한 대조적 손실 함수의 활용

연구 요약U-Net with feature-wise contrastive loss on encoder embeddings

서울과학기술대 황상흠 교수님 지도로 진행했습니다. 인코더 병목에 feature-wise contrastive loss를 더해 CT 폐·간 분할에서 U-Net과 UNet++의 성능을 높였고, 석사 학위논문의 바탕이 됐습니다.

간 DSC 0.912 → 0.923 간 ASD 0.533 → 0.365
슬라이드 ↗

학력

서울과학기술대학교2019 – 2021
서울

데이터사이언스 석사

서울과학기술대학교(SeoulTech) · 지도교수 황상흠
  • 석사 논문: 「영역 분할 모델의 성능 향상을 위한 대조적 손실함수의 활용」
대전대학교2012 – 2019
대전

정보보안학과 학사

리더십 & 커뮤니티

커뮤니티 연구 · 논문 심사 · 멘토링 · 집필
Pseudo Lab2026 · 13기
오픈 리서치 커뮤니티

Falsify: 가짜 논문을 만들고 잡는 검증 벤치마크

연구 멤버(러너) · 진행 중(2026.10 – 2027.01)
  • 레드팀이 생의학 오픈액세스 논문에 그럴듯한 결함(수치 불일치, 없는 인용, 근거를 넘는 결론)을 심고, 블루팀이 이를 잡는 검증 게이트를 만드는 프로젝트입니다. 검증 게이트를 통과한 공격 사례는 그대로 벤치마크에 들어갑니다.
  • 파일럿 문제 제작: 코드·데이터·실행 기록·Git 이력을 갖춘 가상의 연구와 40개 주장, 정답표
  • 프로젝트 가이드 글 11편 작성: 에이전트, 스킬, 하네스, MCP·CLI, 멀티에이전트 검토, 대조군, 정답표 점검
Pseudo Lab2026 · 12기
오픈 리서치 커뮤니티

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

연구 멤버(러너) · 수료
  • 바이오 연구용 AI 에이전트를 다루는 9인 팀 참여
  • 프로젝트에서 나온 연구 2편이 BIOINFO/GIW ISCB-Asia 2026에 채택(포스터 발표 제1저자·발표자, 구두 발표 공저자), 이후 공저 연구가 ML4H 2026 Findings 트랙에 채택되어 포스터 발표 예정
ML4H2026
학술 활동

리뷰어

Machine Learning for Health 심포지엄
  • ML4H 2026 투고 논문 심사
코드잇2025 – 현재
파트타임

AI 커리어·프로젝트 멘토

멘토링 · 프로젝트 지도 · 커리어 코칭
  • 주니어 AI·데이터 인력 30명 이상 1:1 멘토링(이력서·포트폴리오·커리어 방향), 3개 기수 프로젝트 팀 8개 이상(팀당 4–6명) 지도(문제 정의부터 방법론 설계, 결과물 리뷰까지)
부크크2026
전자책 · 공저

AI 신약개발 입문서 2권 공저

AI 파트 · 수학 파트 집필
  • 질병의 신호를 읽어라: 오믹스 데이터로 시작하는 AI 신약 표적 발굴. ISBN 979-11-12-34045-0.
  • 약이 될 분자를 찾아라: 공개 데이터로 시작하는 AI 저분자 신약개발. ISBN 979-11-12-34044-3.
  • OMIXAI 동료 7명과 퇴근 후 자발적으로 진행한 집필 프로젝트. 두 권 모두에서 AI 파트와 수학 파트 집필

기술

딥러닝

PyTorchHuggingFacePEFT / LoRAAccelerateDDP / FSDP

디지털 병리

OpenSlideQuPathCLAM / weakly-supervised MILUNI · CONCH · VirchowWSI 타일링

바이오·오믹스

scanpy · AnnData단일세포 섭동프로테옴 표현 학습ADMET

MLOps & 언어

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

연구 과제

참여연구원

정밀종양학을 위한 Pan-Sarcoma 프로테오지노믹스 프로파일링

국립암센터 한미암공동연구사업 · RS-2025-02243055
한·미·일 · 사람 육종(경희대학교 의료원) · 반려견 종양(일본 측)
2025.04 – 2028.12 · 수행 중 · 참여연구원

수의 종양학을 위한 버추얼 셀 CDSS

농림식품기술기획평가원(IPET) · 첨단기술기반 주요 난치성 질환 정밀진단기술개발사업 · RS-2026-25527499
2026 – 2030 · 수행 중 · 참여연구원

암 병리 진단용 범용 AI 개발·상용화

딥바이오 주관 · 국가 R&D
과제 기간 2021.04 – 2025.12 · 참여연구원(2021.04 – 2025.01)

연락처

연구 협업이나 채용 관련 문의는 이메일로 연락해 주세요. 논문은 Google Scholar, 코드는 GitHub에서 볼 수 있습니다.