이 연구는 문헌 조사와 벤치마킹 분석을 통해 뇌영상 기반 통증 예측 모델 개발 시 고려해야할 모델 타겟과 특성을 파악하였습니다. 데이터 평균화 수준, 뇌의 공간적 범위, 그리고 샘플 크기가 모델 성능에 유의미하게 영향을 미침을 확인했습니다. 이러한 결과는 뇌영상 기반 바이오마커를 개발하고 평가하는 연구에서 고려해야 할 요소들을 제시하고 보다 정밀한 모델 개발 전략의 필요성을 시사합니다.
Hoeppli 등(2022)이 발표한 논문에 대한 commentary로, 뇌영상, 사회 인구학적 및 심리학적 측정치를 다양하게 포함한 다중 회귀 모델을 사용하면 통증 자기보고(self report)에서의 개인 차이를 예측할 수 있음을 밝힌 연구입니다. 또한, 이러한 차이와 연관된 뇌 영역을 기능성 자기 공명 영상(fMRI) 데이터를 통해 식별하며, 개인의 통증 경험에 대한 예측가능성을 제시하고 이를 검증했습니다.
캡사이신 소스를 사용해 혀의 통각을 자극하고 이러한 입 속 통증이 지속되는 동안 기능적 뇌 네트워크의 변화를 탐색한 연구입니다. 통증이 감소함에 따라 초기에는 구강안면 영역(orofacial areas)이 피질하 및 전두엽-두정엽 영역들(subcortical an는frontoparietal regions)과 통합되는 반면 후기에는 분리되는 현상을 밝혀냈습니다. 또한, 머신러닝 모델이 통증 변화를 효과적으로 예측할 수 있음을 보여줍니다. 이 연구는 뇌 시스템 간의 동적 상호작용이 통증 경험을 구성하며 이를 조절하는 방식에 대한 새로운 통찰을 제공합니다.
이 연구는 개인 별로 통증을 처리할 때 변동성이 큰 뇌 영역을 식별하였습니다. 상위 수준의 다기능적(transmodal) 영역이 개인별로 더 큰 변동성을 보이는 반면, 단일 기능(unimodal) 영역은 개인 간에 더 안정적인 통증 표상(representation)을 지닌다는 사실을 밝혀냈습니다. 이러한 뇌 영역의 개인별 차이는 정밀의학(precision medicine) 관점에서 통증 진단 및 치료 관련 통찰력을 제공합니다.
심장 검진 보조를 위한 심음 세그멘테이션 딥러닝 모델과 웹앱 서비스 이동희(팀 리더),
이명준,
김정현 2024.1.~2024.2. (7주)
코드
/
발표영상
이 프로젝트의 목표는 심장 검진 보조를 위한 심음 세그멘테이션 딥러닝 모델과 웹앱 서비스 개발입니다. PhysioNet Challenge에서 제공하는 청진기 소리 데이터를 가지고 U-Net++기반의 심음 (S1, S2) 세그멘테이션 딥러닝 모델을 개발하고 이를 웹앱 서비스에 배포했습니다. 오디오 데이터를 전처리하고 이를 스펙트로그램 형태의 이미지로 변환한 뒤 이미지 세그멘테이션 딥러닝 모델을 학습 및 성능 평가하는 과정을 거쳤습니다.
사용 기술: Python, Numpy, Librosa, torchaudio, OpenCV, Tensorflow, Keras, Google Cloud Platform