임상 시험의 설계
앞선 포스팅에서 임상시험의 단계에 대해 다루었다. 임상 시험 단계에서 가장 많은 시간과 비용이 소모되는 제 3상에서는 임상시험 디자인을 결정하고, 이에 따른 적절한 대상자의 수를 결정한 후, 디자인에 맞게 병원별 대상자를 모집하여 임상 시험을 실시한다. 실제로 임상 시험을 실시하는 과정은 엄청난 시간과 비용이 들고 다기관이 참여하며 고려해야할 사항이 매우 많다. 본 포스팅에서는 그 중 임상 시험에서 일반적으로 쓰이는 설계 방법에 대해 정리하였다.
1. 평행 설계 (Parallel Design)
2. 교차 설계 (Crossover design)
교차설계가 가능한 임상 시험의 예
교차설계는 세부적으로 기본 교차 설계 (2x2 교차설계)와 다차원적 교차설계 (high-order design) 으로 나눌 수 있다. 다차원적 설계는 단순히 A-B, B-A 두 순서로 대상자를 배정하는 것이 아니라 A-A, B-B 등으로도 배정하여 분석의 타당성을 높이기 위한 방법이다.
<2x2 교차설계>
교차설계시 중요하게 고려해야할 부분
3. 요인 설계 (Factorial design)
|
약물 A 처리 |
약물 A 미처리 |
약물 B 처리 |
A,B 모두 투여 (n) |
B 만 투여 (n) |
약물 B 미처리 |
A만 투여 (n) |
A, B 모두 미투여 (n) |
기본 2x2 요인 설계는 위처럼 대상자를 네 군으로 나누어 시험을 실시하는 방법이다. 평행 설계에서는 A만 투여한 군과 B 만투여한 군으로 배정하여 비교하는 것으로 볼 수 있다. 하지만 평행 설계에서는 새로운 약물 1개에 대해서만 검증할 수 있다. 하지만 요인 설계에서는 새로운 약물 2개에 대해 한 번에 검증할 수 있다는 점이 평행설계와 요인설계의 차이점이다. 또한 새로운 약물 2개의 대한 교호작용도 볼 수 있다. 따라서 특정 상황에서는 요인설계가 평행설계에 비해 효율적일 것이다.
요인설계가 평행설계에 비해 적절한 상황
참고자료
식약처 식품의약품안전평가원에서 임상시험의 통계원칙이라는 public book 을 작성하였습니다. 이 책에 임상 시험에 사용되는 통계 관련하여 개괄적으로 참고할 부분이 많습니다. (https://asancpt.github.io/book-stat/design.html)
임상시험의 단계 정리 (0) | 2019.10.25 |
---|---|
의생명 분야에서의 신경망 모델 (Deep learning in biomedicine) (0) | 2018.12.02 |
헬스케어를 위한 인공지능 (0) | 2018.03.06 |
Medical Image 분야의 Deep Learning 응용 (0) | 2017.10.31 |
Framinghum Heart Study의 Stroke 예측 모형 (0) | 2017.08.03 |
임상시험의 단계 정리
1. 전임상 단계
임상시험을 실제로 시작하기 전에 가장 먼저 시작하는 단계로 연구실 내 안전성 시험 및 동물 실험, 선행 논문 조사 등이 이 단계에 포함된다. 한국의 경우, 전임상 단계를 거쳐 임상시험계획서 (Investigational New Drug, IND) 를 식품의약품안전처에 제출하여 임상시험의 허가를 받아야한다.
2. 제 1상
목적 : 안정성 검증 및 최대 투약량 결정
3. 제 2상
목적 : 3상 진입 가능 여부 판단 (효율성 판단), 투약량 결정
2상-A 단계
2상-B 단계
이렇게 A, B 단계로 세부적으로 나누기도 하지만 이 구분이 반드시 필요한 것은 아니다.
4. 3상
목적 : 약 효과 확증
임상 시험의 설계 (0) | 2019.10.25 |
---|---|
의생명 분야에서의 신경망 모델 (Deep learning in biomedicine) (0) | 2018.12.02 |
헬스케어를 위한 인공지능 (0) | 2018.03.06 |
Medical Image 분야의 Deep Learning 응용 (0) | 2017.10.31 |
Framinghum Heart Study의 Stroke 예측 모형 (0) | 2017.08.03 |
NGS (Next-generation sequencing) 데이터의 증가
Genome sequencing 데이터에 대한 신경망 모델의 응용
Position weight matrix (position probability matrix)
DeepSEA의 데이터 구축 과정 및 모델 아키텍쳐입니다. 데이터 구축 과정에서는 총 919개의 chromatin feature를 학습하도록 Ground truth가 마련되습니다. 시퀀스를 통해 이것이 chromatin feature (예를 들어, Dnase hypersensitive site) 인가? 하는 것이 바로 Y, 즉 예측하고자 하는 것입니다. X로는 whole genome을 200bp 로 나눈 후, 이 시퀀스 중 절반 이상이 919개의 chromatin feature의 peak region에 포함되면 1 아니면 0으로 코딩되었습니다. 모델로는 Convolutional neural network를 사용하였고, Regularization을 위해 L2, L1 regularization, Dropout을 사용하였습니다.
모델 구축
DeepSEA의 목적은 총 2개로 나눌 수 있습니다.
1. 해당 Variant가 Chromatin feature에 미치는 영향 파악, 이를 통해 variant의 각각의 chromatin feature (919개) 에 대한 기능을 파악할 수 있습니다.
2. 해당 Variant의 overall한 functional prediction
1을 위해서 variant가 없는 sequence (1000bp 단위) 와 variant가 있는 sequence를 모델에 넣어서 log(P(reference)/P(alternative))를 통해 해당 chromatin에 variant가 미치는 영향을 파악합니다. 2를 위해서는 총919개의 chromatin feature에 대한 예측값과 함께 Evolutionary conservation score를 이용합니다. 저는 이 부분이 DeepSEA 가 대단한 부분이라고 생각합니다. 기존에 알려진 과학적 지식을 Deep learning 모델에 통합하여 더욱 잘 functional score를 예측하는 것이죠. 일종의 앙상블 모델이라고 볼 수 있습니다. 이를 통해 딥러닝 모델로부터 발생할 수 있는 오버피팅을 방지하고 더욱 robust한 모델이 될 수 있습니다.
모델 테스트
2. Stakeholder가 그것을 사용할만한 Rationale이 있어야합니다.
임상 시험의 설계 (0) | 2019.10.25 |
---|---|
임상시험의 단계 정리 (0) | 2019.10.25 |
헬스케어를 위한 인공지능 (0) | 2018.03.06 |
Medical Image 분야의 Deep Learning 응용 (0) | 2017.10.31 |
Framinghum Heart Study의 Stroke 예측 모형 (0) | 2017.08.03 |
인공지능, 머신러닝은 더 이상 현실 세계와 동떨어진 이야기가 아니다. 헬스케어 분야를 리드하는 기업들은 인공지능, 머신러닝 기술들을 자신의 분야에 이미 적용시키고 있다. 이는 AI 기술들이 헬스케어 분야에 실용적으로 적용되고 있다는 것을 뜻한다. 회사들은 AI를 활용하여 자신들의 서비스를 개선하고, 수익을 증대하며 발생할 수 있는 리스크를 줄인다. 본 포스팅에서는 AI가 헬스케어 분야에 적용되어 불러올 수 있는 사회적 가치와 응용 사례를 살펴보려고 한다.
AI FOR GOOD
기술은 그 자체로도 중요하지만 사회적으로 그 기술을 활용하여 무언가의 이득을 얻을 때 그 가치가 가장 크다고 생각한다. 예를 들어, 기존에 해결할 수 없던 문제를 해결한다거나, 어려웠던 문제를 더 쉽게 만든다거나, 돈을 더 벌어준다더가 하는 것이다. AI FOR GOOD 이라는 말은 이러한 여러 사회적 가치 중 "공익"에 관한 것이다. 인공지능이 헬스케어분야에 적용하는 것의 가장 큰 가치는 바로 공익의 증진이다. AI의 헬스케어 적용은 기존의 헬스케어 분야에서 기존의 해결하기 어렵거나, 해결하는데 시간이 오래걸렸던 문제를 해결하고, 가속화하여 공익의 증가에 기여한다.
AI-based Medicine을 통한 의학 분야의 돌파구
Accenture에 따르면, 현재 가장 큰 가치를 갖고 있는 기술들은 로봇 보조 수술, 가상 환자 돌봄 서비스(virtual nursing assistant), 행정 보조 기술 등이다. 이는 빅데이터, 인공지능 등의 키워드가 뜨기전부터 의학 분야에 적용되어온 기술들이다. 하지만, 의영상 분야도 큰 가치를 갖고 있다. 왜냐하면 취약 계층의 경우, 질병을 진단 받을 때, 의영상 진단 기술의 도움을 받기 힘들다. 전문가의 진단은 비싸며, 일정 수준 이상의 수요를 필요로하기 때문이다. 이러한 취약 계층에 AI 기반의 의영상 진단 기술이 적용될 경우, 공익에 큰 기여를 할 수 있다. 본 포스팅에서는 AI 기반 의료의 실제 사례를 몇 가지 살펴보려고 한다.
AI 기반 의료의 실제 사례
- 개발 도상국 국가에서 X-RAY를 결핵 환자 발견
의영상 이미지에서 무언가의 패턴을 찾는 것은 가장 유망하며, 실제로 AI가 많이 적용되고 있는 분야이다. 많은 연구자들이 이러한 AI 기반의 의영상 진단 기술을 연구하고 있다. (원논문) 이러한 기술들이 개발 도상국 국가에서 활용된다면, 영상의학 전문의의 도움 없이도 결핵에 걸린 환자를 발견해 낼 수 있다. 또, 한 국가의 여러 지역에서 이런 기술을 적용한다면, 결핵 취약 지역을 발견해 낼 수 있다. 만약 결핵 예방, 치료 사업을 한다고 하면, 이러한 방식의 접근 법을 통해 정책의 우선순위를 결정할 수도 있다.
- 응급실에서의 환자 뇌출혈 발견
이스라엘의 회사인 MedyMatch와 IBM Watson은 응급실에서 환자의 뇌출혈을 확인하는데 인공지능을 활용하고 있다.
- 피부 사진을 통한 암 진단
암진단에도 종종 AI가 응용된다. CT, MRI, X-ray 등이 암진단을 위한 의영상 기술로 적용되고 있지만, 이 기술들을 통해 암 진단을 하지 못할 경우, 치명적이다. 암환자가 아닌데 암환자로 진단하는 경우 (false positive, 1종 오류) 보다 암환자인데 암환자로 진단하지 못한 경우(false negative, 2종 오류), 환자의 생명에 영향을 주는 치명적인 판단 오류라고 볼 수 있다. 또한 false negative를 위해 false positive를 늘리는 소위 과잉진료로 인한 문제도 심각하다. 이는 환자에 생명에 영향을 주진 않지만, 잘못된 진단 결과로 인해 의료 비용을 높이고 환자의 심적 부담을 증가시킨다. 따라서 정확한 암 진단 기술이 중요하며, 이 진단 과정에 AI가 적용되어 진단의 속도와 정확성을 높이려는 시도가 이루어지고 있다.
Stanford의 AI 팀은 피부 이미지를 통해 피부암을 진단하는 AI 기술을 내놓았다. 이 AI 기술은 21명의 피부과 의사들과 비교해 진단 능력이 떨어지지 않았다.
- CT 사진을 통한 폐암 진단
Enlitic은 회사는 폐 CT 사진을 통해 폐암을 진단하는 AI 기술을 개발하였다. 딥러닝을 활용해 병변의 존재와 그 위치를 파악하는 것이다. 회사는 정확도가 영상의학전문의의 50% 이상이라고 주장한다.
역사상 많은 기술들이 과대 선전되어 왔다. 누군가는 인공지능 기술이 과대 포장되고 실체는 별로 없는 기술이라고 생각할 수 있다. 또한 누군가는 인공지능이 실제로 산업에 적용되어 가치를 불러올 수 있을까하는 의문을 제기할 수 있다. 인공지능이 인간을 완전히 대체하는 것은 어려울지도 모른다. 오로지 데이터 기반 접근법이라는 문제로 인해, 적절한 수의 훈련 데이터 없이는 동작할 수 없으며, 과적합의 가능성이 있다. 또한 AI의 경우 기기별 차이를 감안하여 모든 기계에 대해 robust한 모델을 만드는 것이 아직까지는 완벽하지 않은 경우가 많다. 하지만, 확실한 것은 특정한 제한된 범위의 태스크에서는 AI가 인간보다 나을 수 있다는 것이다. 현재 의료 산업 분야에 활발히 적용되고 있는 인공지능 기술과, 인공지능 스타트업에 투자되고 있는 금액의 규모가 인공지능의 의료분야에서의 가능성을 보여준다.
참고
https://sigmoidal.io/artificial-intelligence-and-machine-learning-for-healthcare/
임상시험의 단계 정리 (0) | 2019.10.25 |
---|---|
의생명 분야에서의 신경망 모델 (Deep learning in biomedicine) (0) | 2018.12.02 |
Medical Image 분야의 Deep Learning 응용 (0) | 2017.10.31 |
Framinghum Heart Study의 Stroke 예측 모형 (0) | 2017.08.03 |
4p 의학의 개념 (0) | 2017.01.31 |
Medical Image 분야에서의 Deep Learning 응용
약 100여년 전, 의학분야에 처음 Medical Image가 도입되었을 때 그것은 의학 분야의 패러다임을 바꾸었습니다. X-RAY와 같은 의영상 기술을 통해 비침습적으로 내부 장기들을 볼 수 있고, 이를 통해 병을 진단할 수 있고, 암환자의 경우 자신의 남은 수명 또한 알 수 있었습니다. 최근, Deep Learning 기술의 발전이 이 분야에 적용됨으로써 의영상 분야에 다시 한 번 새로운 가능성을 만들어나가고 있습니다.
CBInsigt에서 제시한 이 HeatMap을 보시면 Medical Image분야에 대한 투자가 2015년에 정점을 찍고 계속해서 높은 관심을 받고 있는 것을 볼 수 있습니다. 그만큼 이 분야에 많은 가능성이 있다는 것을 알 수 있습니다. IBM 연구자에 따르면 Medical Image 데이터가 전체 Medical 데이터의 90%를 차지한다고 합니다. 용량만 놓고 말하면 소위 말하는 "헬스케어 데이터" 의 대부분이 Medical Image 데이터 인 것입니다. 데이터의 양만 보더라도 이 분야가 헬스케어 산업에서 차지하는 비중이 매우 높다는 것을 알 수 있습니다. 영상의학 전문의들은 병원에서 하루에 수많은 영상 데이터를 본다고 합니다. 그러므로 그러한 의사들이 마주치는 데이터로부터 어떤 특징을 추출해서 정보를 효율적으로 보여주는 방식이 진단의 속도와 정확성을 높이고 병원이 더 많은 환자를 처리할 수 있게 되어 사회적 문제 해결에도 도움이 될 수 있는 것이죠.
현재 Medical Image 분야에서 Machine Learning, Deep Learning이 응용되는 부분
Tumor Detection
미국에서는 년간 500만건의 피부암의 발생이 보고된다합니다. 피부암은 미국에서 가장 흔하게 진단되는 암이며, 미국의 헬스케어 시스템에서 80억달러가 매년 피부암 치료에 사용된다고 합니다. 이중에서 악성흑색종(Melanoma)의 경우 치명적인 종양인데, 빠른 진단과 치료가 이루어진다면 높은 확률로 이를 치료할 수 있습니다. 피부암은 언제 진단되느냐에 따라 생존률이 15%~65%로 달라지며, 빠른 진단과 치료가 이루어진다면 5년 생존률은 무려 98%에 달한다고 합니다. 피부암을 진단하기 위해서는 피부암을 영상이미지에서 찾아내는 것(Detection)이 중요합니다. Deep Learning을 통해 피부암과 관련된 특징들을 학습하고 이를 통해 피부암을 찾아내는 것이 응용되는 부분 중 하나입니다.
피부 병변의 양성/악성 분류하는 CNN (출처 - https://web.stanford.edu/~kalouche/cs229.html)
다음으로 폐암(Lung Cancer) Detection에도 DeepLearning이 많이 사용됩니다. 주로 폐의 CT scan 데이터를 통해 암을 Detection 하는 알고리즘이 많이 사용되고 있습니다. (Enlitic 이라는 Medical Image 관련 호주 회사) 이 회사에 보고에 따르면 이미지로부터 폐암의 특성을 찾아내는 정확도가 영상의학 전문의보다 높다고합니다.
Medical Image 분야에서는 데이터를 어떻게 획득하냐는 문제가 있습니다. 데이터가 있어야 이를 통해 학습하는 알고리즘을 만들 수 있기 때문입니다. IBM은 2015년 8월 Merge Health Care라는 의영상업체를 인수함으로써 이러한 문제를 해결하고자 하였습니다. Merge의 홈페이지에 가보면 이제 IBM Watson HealthCare라는 이름이 붙어있습니다. IBM은 Merge의 약 300억개의 Medical 이미지 데이터를 통해 Watson을 학습시켜 의사의 진단을 보조할 수 있도록 하는 방법을 꾸준히 연구해나가고 있습니다.
간암 Segmentation하는 논문의 Groud Truth 데이터 Deep Learning은 이러한 CT 데이터를 학습하여 테스트 데이터가 들어왔을 때,
간의 위치와 종양의 위치를 Segmentation 할 수 있다.
암 전이 Tracking
Medical Image는 non-invasive로 질병을 모니터링함으로써 의학적인 중재에 활용할 수 있습니다. Deep Learning은 시간의 흐름에 따른 영상 데이터를 통해 암의 전이 과정을 추적하는데 활용되기도 합니다. 이 논문은 유방암의 Historical 데이터를 통해 암 전이 과정을 평가한 논문입니다. Fraunhofer Institute for Medical Image Computing 은 2013년도에 딥러닝을 통해 암 이미지의 변화를 추적하는 새로운 툴을 공개하였습니다. 이를 통해 임상의들이 암 치료를 어떻게 할지를 결정할 수 있습니다. 이러한 기술들이 더욱 발전된다면 암의 Progress 모니터링을 자동화할 수 있는 가능성이 있습니다.
Tumor Detection & Classification 사례
병변이 의심되는 지점을 찾더라도 그것이 양성인지 악성인지 분류하는 것이 필요한데 삼성은 초음파 이미지에 딥러닝을 활용하여 유방의 병변을 분석하는데 활용하고 있습니다. 삼성의 시스템은 수많은 유방의 케이스를 학습함으로써, 해당 병변의 특성과 그것이 양성인지 악성인지를 분류해 냅니다. 특히 의영상 분야에서는 한국 스타트업의 활약이 두드러지는데 대표적으로 Lunit과 Vuno가 있습니다. Lunit은 유방암 Detection 대회에서 마이크로소프트와 IBM을 제치고 1위에 올라 CB Insight 선정 100대 AI 스타트업에 그 이름을 올린 것으로 유명합니다. 삼성 연구원들이 퇴사후 2014년에 설립한 Vuno의 경우 Medical Image Interpretation분야에서 의사를 보조하는 기술을 개발하고 있습니다. 여기에 머신러닝/딥러닝 기술이 들어가며, 이를 통해 의사의 진단 과정을 더욱 빠르고 정확하게 보조하는 역할을 합니다.
Vuno의 데모영상(https://youtu.be/i7CS05WvOLE)을 보면 Medical Image 데이터를 통해 DILD(Diffuse Interstitial Lung Disease)를 Detection하는 시스템의 데모를 볼 수 있습니다.
https://www.techemergence.com/deep-learning-applications-in-medical-imaging/
임상시험의 단계 정리 (0) | 2019.10.25 |
---|---|
의생명 분야에서의 신경망 모델 (Deep learning in biomedicine) (0) | 2018.12.02 |
헬스케어를 위한 인공지능 (0) | 2018.03.06 |
Framinghum Heart Study의 Stroke 예측 모형 (0) | 2017.08.03 |
4p 의학의 개념 (0) | 2017.01.31 |
Framinghum Heart Study Stroke 모형
논문 Probability of Stroke: A Risk ProfileFrom the Framingham Study (1991)
질병의 위험도 예측 모형은 어떤 질병이 향후 t년간 발생할 확률을 예측하는 모형이다. 위험도 예측 모형은 다양한 모델로 구축할 수 있는데, Cox-proportional Hazard 모형을 많이 사용한다. 질병 발생이 성별로 양상이 다른 경우가 많아 성별로 다른 위험도 예측 모형을 만드는 경우가 많다. 이 논문에서도 성별로 다른 예측 모형을 구축하였다. 이 논문은 Framinghum Heart Study 코호트를 통하여 Stroke의 위험도 예측 모형을 구축하였다.
이 연구에서 Stroke는 아래와 같이 정의하였다.
Atherothrombotic brain infarction : 죽상혈관 뇌경색
Transient ischemic attack only : 일시적인 허혈성 발작
Cerebral embolus : 뇌색전 (ischemic attack의 원인이라고 한다.)
Intracerebral hemorrhage : 출혈성 뇌혈관 질환
Subarachnoid hemorrhage : 지주막하 출혈
위 논문에서 위험도 예측 모형에 사용한 변수 및 회귀 계수는 아래와 같다.
이를 식으로 표현하면 아래와 같다.
p = 1-S(t)^B
(p는 t년 안에 stroke 발생 확률)
이 때,
A = L-M
B = e^A
L = 0.0505xAge+0.0140xSBP-l-0.3263xHyp Rx+0.3384xDM+0.5147xCigs-t-0.5195xCVD+0.6061xAF+0.8415xLVH
M = 0.0505xMeanAge+0.0140xMeanSBP-l-0.3263xMeanHypRx+0.3384xMeanDM+0.5147xMeanCigst 0.5195xMeanCVD+0.6061xMeanAF+0.8415xMeanLVH
(MeanXXXX은 stroke 발생자의 평균 값. 예를 들어 MeanAge는 stroke 발생자의 평균 나이)
이 연구에서 stroke 발생자의 위험인자들의 평균값은 아래와 같다.
또한 stroke 없이 t년간 생존할 확률 S(t)는 성별로 아래와 같이 정의된다.
남자
여자
예제
예를 들어, 70세의 남성이며 수축기혈압이 140mmHg, 흡연자, 고혈압약 미복용, 당뇨병 안걸림, 심세동 및 심방조동 과겨력 X, 좌심실 비대 X인 사람을 생각해보자. 그러면,
L=0.0505x70+0.0140x140+0.3263x0+0.3384x0+0.5147x1+0.5195x0+0.6061x0+0.8415x0=6.0097
또한 M = 5.6770 (Table2에 제시된 평균값 대입)
따라서,
A = 6.0097-5.6770 = 0.3327
B = e^A = e^0.3327 = 1.3947
p=1-S(10)^B= 1-0.9044^(1.3947) = 1-0.8692= 0.1308 = 13.08%
임상시험의 단계 정리 (0) | 2019.10.25 |
---|---|
의생명 분야에서의 신경망 모델 (Deep learning in biomedicine) (0) | 2018.12.02 |
헬스케어를 위한 인공지능 (0) | 2018.03.06 |
Medical Image 분야의 Deep Learning 응용 (0) | 2017.10.31 |
4p 의학의 개념 (0) | 2017.01.31 |
4p Medicine(4p 의학)은 2000년대 중반에 제안된 것으로 p로 시작하는 4가지 의료 혁신의 목표 예방의료(preventive medicine), 맞춤의료(personalized medicine), 참여의료(participatory medicine), 예측의료(predictive medicine)를 의미하는 약자입니다. 막연한 구호처럼 여겨지던 4p medicine이 최근 디지털 의료, 빅데이터 기술, 유전체 기술의 발달로 인해 차근차근 구현 되어 나가고 있습니다.
Preventive Medicine(예방의료) : preventive medicine은 질병의 치료(disease treatment)와 반대되는 개념으로 질병이 일어나기 전에 미리 방지하는 방법입니다. 질병은 유전적 요인이나 환경적 요인에 영향을 받기 때문에 이것들을 분석함으로써 질병이 발생하기 전에 미리 질병 발생의 확률을 예측할 수 있고 이를 방지할 수 있습니다.
Personalized Medicine(맞춤의료) : personalized medicine이란 어떠한 개인을 약물에 대한 반응, 질병 위험도 등을 통해 분류하고 이를 통해 개인에 맞춘 의학적인 결정을 내리거나 약을 처방하는 등을 하는 의학적인 절차입니다.
Participatory Medicine(참여의료) : participatory medicine은 환자가 의사와 함께 의학적인 결정에 참여하는 것입니다. 최근 다양한 health care 앱들이 등장함으로써 개인이 의사에 의존하는 정도가 점점 줄고 있습니다.
아래는 4p medicine에 대해 이해하기 위해 스크랩한 자료들입니다.
출처 - http://www.yoonsupchoi.com/2016/02/28/digital-medicine-1/
임상시험의 단계 정리 (0) | 2019.10.25 |
---|---|
의생명 분야에서의 신경망 모델 (Deep learning in biomedicine) (0) | 2018.12.02 |
헬스케어를 위한 인공지능 (0) | 2018.03.06 |
Medical Image 분야의 Deep Learning 응용 (0) | 2017.10.31 |
Framinghum Heart Study의 Stroke 예측 모형 (0) | 2017.08.03 |