University of Ulsan Open Access Korea
Not a member yet
17799 research outputs found
Sort by
Role of eIF2alpha phosphorylation in maintaining mitochondrial homeostasis and suppressing ferroptosis under endoplasmic reticulum stress
No full textEukaryotic translation initiation factor 2α (eIF2α) phosphorylation, which regulates all three unfolded protein response pathways, helps maintain cellular homeostasis and overcome endoplasmic reticulum (ER) stress through transcriptional and translational reprogramming. However, transcriptional regulation of mitochondrial and redox homeostasis (especially glutathione (GSH) homeostasis) by eIF2α phosphorylation during ER stress is not fully understood. Here, I report that the eIF2α phosphorylation- activating transcription factor 4 (ATF4) axis is required for expression of multiple transcription factors (TFs) including nuclear factor erythroid 2-related factor 2 and their target genes responsible for mitochondrial and GSH homeostasis during ER stress. eIF2α phosphorylation-deficient (A/A) cells displayed dysregulated mitochondrial dynamics and mitochondrial DNA replication, decreased expression of oxidative phosphorylation complex proteins, and impaired mitochondrial function during ER stress. eIF2α phosphorylation deficiency also increased cellular (even mitochondrial) reactive oxygen species accumulation because expression of multiple antioxidant genes including GSH- synthesizing genes was decreased. Consequently, the ER stress-mediated decrease of the cellular (even mitochondrial) GSH level was aggravated in A/A cells. Moreover, the eIF2α phosphorylation-ATF4 axis was responsible for upregulation of ferroptosis- inhibiting genes and downregulation of ferroptosis-activating genes upon ER stress. Therefore, ER stress strongly induced ferroptosis of A/A cells, which was inhibited by the ferroptosis inhibitor ferrostatin-1. ATF4 overexpression suppressed impairment of mitochondrial and GSH homeostasis in A/A cells during ER stress by promoting expression of downstream TFs and their target genes. Consequently, ATF4 overexpression suppressed ferroptosis of A/A cells during ER stress. Our results indicate that eIF2α phosphorylation is essential for preservation of mitochondrial and GSH homeostasis to prevent cell death (particularly ferroptosis) via transcriptional reprogramming during ER stress.Docto
AI-based Image Augmentation Technique for Detecting Defects on Automotive Stabilizer Bars
No full text본 연구에서는 자동차 스테빌라이저 환봉의 표면 결함을 AI로 자동 탐지하기 위해 효과적인 이미지 증강 파이프라인을 제안한다. 먼저 U²-Net 기반의 rembg와 SAM을 활용해 배경과 그림자를 제거하고, H×H 정사각 패치로 환봉 ROI를 균등 분할하여 국소 텍스처 학습을 용이하게 하였다. 정상 이미지에서 1,116장의 패치를, 비정상 결함 이미지에서 274장의 결함 패치를 추출한 후, 알파 블렌딩 기법으로 다양한 위치와 각도의 결함 합성을 수행하여 학습 데이터를 대폭 확장하였다. 그 결과 정상은 7,023장, 비정상은 7,756장으로 증강되어 클래스 불균형과 데이터 부족 문제를 동시에 완화하였다. 제안된 증강 기법을 DenseNet-121, ViT-S/32 등 총 8개 모델에 적용한 실험에서 평균 정확도 96% 이상, F1-score 0.96 이상을 달성하였다. 기존 Mixup, CutMix, RandAugment 대비 정확도가 4∼6%p 향상되었고, 검증 손실은 평균 12% 감소하였다. 이로써 제안 방법이 자동차 부품 표면 결함 탐지의 일반화 성능을 크게 개선하고, 비파괴 검사 비용 및 인력 의존도를 줄이는 데 기여할 수 있음을 확인하였다.Maste
Comparison of NEWS, SOFA and SCAI Scores for prognostic prediction in Cardiac Intensive Care Unit Patients
No full text배경 : 심혈관 질환은 전 세계 주요 사망 원인 중 하나로, 심장내과 중환자실에 는 심근경색, 심부전, 심장성 쇼크 등으로 인한 고위험 환자가 다수 입원한다. 이 들은 기계적 순환 보조 장치, 승압제, 지속적 신대체요법 등의 집중 치료를 받으 며, 상태 변화가 급격하고 복합적이기 때문에 조기 예후 예측과 적절한 중재 시 점의 판단이 중요하다. 그러나 중증도 평가 도구의 예측력은 환자군의 특성이나 평가 시점에 따라 달라질 수 있으며, 특히 심장내과 중환자실 환자를 대상으로 한 도구 간 비교 연구는 상대적으로 부족하다. 목적 : 본 연구의 목적은 심장내과 중환자실에 입원한 환자를 대상으로 NEWS(National Early Warning Score), SOFA(Sequential Organ Failure Assessment), SCAI(Society for Cardiovascular Angiography and Interventions) shock classification 세 가지 중증도 평가 도구의 중환자실 및 병원 내 사망률 예측력을 비교·분석하는 것이다. 방법 : 본 연구는 A 종합병원 심장내과 중환자실에 2024년 1월 1일부터 12월 31 일까지 입원한 만 18세 이상의 성인 환자 중, 중환자실 재실 기간이 24시간 이상 이며 필수 변숫값이 누락되지 않은 321명을 대상으로 수행한 후향적 조사 연구 이다. 각 도구의 점수는 입실 시점과 24시간 후 시점에 산출하였으며, 예측력 평 가는 SPSS version 30.0과 R version 4.3.1을 활용해 ROC 분석 및 DeLong 검정 을 수행하였다. 결과 : 세 중증도 평가 도구 모두 중환자실 및 병원 내 사망률에 대해 통계적으 로 유의한 예측력을 보였다(p<.05). SOFA는 입실 시점(AUC=0.812)과 24시간 후 시점(AUC=0.850) 모두에서 가장 높은 예측 정확도를 나타냈으며, 시간 경과에 따른 환자 상태 변화를 반영함으로써 예측력이 향상되는 양상을 보였다. SCAI는 두 시점 모두에서 예측력 변화가 크지 않아 일관된 성능을 유지하였으며, 24시간 후 Stage E 환자의 사망률은 88.2%, 특이도는 0.843으로 고위험군 선별에 효과 적인 성능을 보였다. 반면 NEWS는 시간 경과에 따라 예측력이 감소하는 경향을 나타냈다. 병원 내 사망률 예측에서도 SOFA의 24시간 후 AUC는 0.775(p<.001)로 세 도 구 중 가장 높았으며 SOFA는 민감도 측면에서, SCAI는 특이도 측면에서 각각 강점을 보였다. 이러한 결과를 바탕으로, 두 도구의 특성을 상호 보완적으로 고 려할 경우 보다 정밀한 예후 평가에 기여할 수 있을 것으로 보인다. 결론 : 심장내과 중환자실 환자의 예후 예측에 있어 SOFA가 상대적으로 높은 정확도를 보였으며, 24시간 후 반복 평가가 예측력 향상에 효과적임을 시사한다. 또한 SCAI는 일관된 특이도를 기반으로 고위험 환자 선별에 유용한 도구로 활 용될 가능성이 있다. SOFA와 SCAI는 각각 민감도와 특이도 측면에서 강점을 보였으며, 병합 활용 시 보다 정밀한 예후 예측 도구로서 임상 적용 가능성을 시 사한다. 이러한 결과는 향후 중증도 평가 도구의 선택과 적용 시점을 임상적으로 고려하는 데 기초자료로 활용될 수 있다.|Background: Critically ill patients in the cardiac intensive care unit (CICU) are at high risk of deterioration and mortality, requiring accurate risk stratification for timely intervention. Objective: To compare the predictive accuracy of the NEWS, SOFA, and SCAI scores for ICU and in-hospital mortality. Methods: A retrospective cohort study was conducted on 321 adult CICU patients admitted between January and December 2024 with ICU stays over 24 hours. Scores were calculated at admission and 24 hours later. ROC curve analysis and DeLong’s test were performed using SPSS 30.0 and R 4.3.1. Results: For ICU mortality, the 24-hour SOFA score showed the highest AUC (0.850, p<.001), followed by SCAI (0.786) and NEWS (0.689). SCAI Stage E demonstrated the highest specificity (0.843). In-hospital mortality showed similar trends, with SOFA also demonstrating the highest AUC (0.775). Conclusion: SOFA and SCAI scores at 24 hours provided superior predictive accuracy for ICU and in-hospital mortality compared to NEWS, supporting their clinical utility in managing CICU patients.Maste
Development of a Two-Stage 3D Segmentation Deep Learning Model for Detecting Active Bleeding in Contrast-Enhanced Abdominopelvic CT
No full textActive bleeding in the abdominopelvic region is a critical condition that requires rapid and accurate diagnosis to guide timely clinical intervention. Contrast-enhanced abdominopelvic CT is the primary imaging modality for detecting active hemorrhage in trauma and non-trauma patients. However, one- stage deep learning models often struggle to capture the complex anatomical structures and variable bleeding patterns of the abdomen, limiting their performance in clinical applications. This study aimed to evaluate the performance of a two-stage deep learning model using a multi-scale patch approach for automated detection of active bleeding on contrast-enhanced abdominopelvic CT scans across multi- institutional datasets. In this retrospective study, contrast-enhanced CT scans were collected from a development dataset (1,602 portal venous phase scans; mean age ± SD, 52.2 ± 16.6 years) and an internal validation dataset (125 scans) from Asan Medical Center (AMC), as well as external validation datasets from Busan Haeundae Hospital (204 scans) and the RSNA 2023 public dataset (478 scans). The model employed a two-stage ensemble approach and its segmentation performance (patient-wise) was evaluated using the Dice Similarity Coefficient (DSC), Average Surface Distance (ASD) and False positives per scan (FPPS), and detection performance (lesion-wise) was evaluated with recall and precision. The proposed two-stage model achieved robust performance across three datasets. At the patient level, it obtained mean DSCs of 66.5% (AMC), 50.7% (Paik Hospital), and 42.1% (RSNA), with corresponding ASD values of 12.2mm, 35.3mm, and 39.3mm, and FPPS of 2.4, 2.0, and 2.5, respectively. At the lesion level, the model demonstrated recall/precision of 0.935/0.707 (AMC), 0.875/0.563 (Paik Hospital), and 0.833/0.513 (RSNA). The two-stage multi-scale model outperformed single-scale baselines in detection performance, demonstrating robust generalizability across diverse imaging protocols and anatomical regions.Maste
Development of Standardized Details for SMRFs Based on Seismic Performance Evaluations of Emergency Response Facilities in Nuclear Power Plants
No full text국문 초록
2011년 일본 후쿠시마에서 발생한 지진 이후 원전의 내진 성능이 중요하게 부각됨에 따라, 이 논문에서는 원전 관련 구조물 중 하나인 비상대응시설 통합보관고의 지진 거동 특성을 해석적으로 분석하고, 이를 바탕으로 내진성능 판단 기준 중 하나인 고신뢰도 저파손 확률(HCLPF) 값을 산정하고자 한다. 특히, HCLPF 산정에 반영되는 계수 중 구조물의 연성 능력을 나타내는 비탄성에너지흡수계수에 주목하여, 기존 원전 구조물의 콘크리트 전단벽 구조에 일률적으로 적용되어 온 값인 1.5보다 큰 값을 적용할 수 있는지를 검토한다. 비상대응시설 통합보관고를 특수모멘트골조로 분류함에 따라 비탄성에너지흡수계수 값 3.5를 적용할 수 있는 근거를 제시하는 것을 목표로 한다.
이를 위해, 국내 원전본부 통합보관고 중 가장 매입 층이 두껍고 공진 가능성이 큰 OO본부 통합보관고를 대표 통합보관고로 선정하여 내진성능평가를 실시하였다. 내진성능평가는 국내 원전 규제지침인 스트레스테스트 수행지침과 미국의 ASME PRA 2009 표준에 따라 수행되었다. ASME PRA 2009 표준에서는 국내 일반 구조물 설계기준의 파일지지방식으로 설계된 통합보관고에 대한 평가 기준이 없어, 규제기관과 협의를 통해 지반-구조물 상호작용을 고려한 응답스펙트럼을 반영한 내진성능 평가를 수행하였다. 지반-구조물 상호작용을 고려한 지진응답계수를 적용하여 통합보관고의 상부 구조를 해석한 결과, 가장 취약한 부재로 지붕의 철골 보가 도출되었다. 이 취약 부재에 결정론적 파손내력법을 적용하여 HCLPF를 산정한 결과, 통합보관고에서 요구되는 성능인 최대지반가속도 0.5g를 확보함을 확인하였다.
00본부 비상대응시설 통합보관고의 가장 취약한 부재는 지붕층의 철골 부재로 나타났으며, 이에 따라 ASCE 43-05 구조형식의 분류에 따른 비탄성에너지흡수계수 적용 가능 여부를 평가한 결과, 재료와 접합부 성능 측면에서 철골 특수모멘트골조(SMRF)에 준하는 성능을 갖추고 있음을 확인하였다.
따라서, 향후 철골 부재를 이용한 원전 관련 구조물 설계 시 AISC 358 에서 제시하고 있는 특수모멘트 접합상세를 적용한다면 기존 콘크리트 구조물에 비해 추가 내진성능 여유 확보가 가능한 것으로 판단된다.Maste
Tacrolimus Levels After 10 Years of Kidney Transplantation and Long-Term Clinical Outcomes : A Propensity Score-Matched Analysis
No full text배경 : Tacrolimus (TAC)는 신장이식 후 사용되는 주요 면역억제제이지만, 이 10년 이후의 장기 생존 기간 동안 최적의 약물 농도에 대한 근거는 부족하다. 본 연구는 이식 후 10~15년 사이 측정된 TAC 최저 혈중 농도와 15년 이후의 장기 임상 결과 간의 연관성을 평가하고자 하였다. 방법 : 1990년부터 2005년까지 서울아산병원에서 신장이식을 받은 1,747명의 환자를 후향적으로 분석하였다. 이 중 이식신 기능이 15년 이상 유지되고, 이식 후 10~15년 동안 TAC를 지속 사용하면서 정기적으로 최저 혈중 농도를 측정한 290명을 대상으로 분석하였다. 평균 최저 농도가 4.00 ng/mL 미만인 군(저농도군)과 4.00 ng/mL 이상인 군(고농도군)으로 분류하였으며, 추적 관찰은 2024년 12월까지 이루어졌다. 성향 점수 매칭을 통해 두 군 간의 기초 특성을 보정한 후, Kaplan–Meier 생존곡선과 Cox 비례위험 모형을 이용하여 생존율 및 위험비를 분석하였다. 비매칭 집단에서는 15년 이전에 공여자 특이 항체 양성이었던 환자를 제외하고, 15년 이후의 공여자 특이 항체 발생률을 Kaplan–Meier 방법으로 분석하였다. 결과 : 성향 점수 매칭된 집단(n = 204)에서 이식신 생존율 및 무거부반응 생존율은 두 군 간에 유의한 차이를 보이지 않았다. 감염, calcineurin inhibitor (CNI) 독성, 악성종양 발생률 등 이차 결과 역시 대부분 유의하지 않았으나, 저농도군에서 패혈증 발생이 유의하게 높았다(p = 0.049). 비매칭 집단에서의 공여자 특 항체 누적 발생률은 통계적으로 유의한 차이를 보이지 않았으나, 고농도군에서 더 낮은 경향을 보였다. 결론 : 이식신 기능이 안정적으로 유지된 장기 생존 신장이식 환자에서는 10~15년 사이의 TAC 농도 차이가 이식신 생존이나 거부반응 발생에 유의한 영향을 미치지 않았다. 그러나 패혈증 위험의 증가와 공여자 특이 항체 발생 경향성은, 장기 이식 환자에서도 TAC 농도의 개인별 조절 및 면역학적 모니터링의 중요성을 시사한다.|Background: Tacrolimus (TAC) is a key immunosuppressant in kidney transplantation, but optimal trough levels during the late maintenance phase remain unclear. This study aimed to investigate the association between TAC trough levels measured between 10 and 15 years post-transplantation and long-term clinical outcomes. Methods: We retrospectively reviewed 1,747 kidney transplant recipients from 1990 to 2005 at Asan Medical Center, Seoul, South Korea. Among them, 290 patients maintained graft function beyond 15 years with consistent TAC use and regular trough level monitoring from years 10 to 15 post-transplant. We compared outcomes between those with mean TAC trough levels <4.00 ng/mL (lower level group) and ≥4.00 ng/mL (higher level group), with follow- up through December 2024. Propensity score matching was performed using 1:1 nearest neighbor matching to balance baseline characteristics. Survival outcomes were assessed with Kaplan–Meier curves and Cox proportional hazards models to estimate hazard ratios (HRs) with 95% confidence intervals. In the unmatched cohort, the cumulative incidence of de novo donor-specific antibody (dnDSA) formation after year 15 was analyzed using Kaplan–Meier estimates, excluding patients who were dnDSA-positive before year 15. Results: In the matched cohort (n = 204), no significant differences were observed in kidney graft survival or rejection-free survival between the two groups. Secondary outcomes— including infection, calcineurin inhibitor (CNI) toxicity, and malignancy—also showed no significant differences, except for a higher incidence of sepsis in the lower level group (p = 0.049). In the unmatched cohort, the cumulative incidence of dnDSA formation after 15 years was not significantly different, though a lower tendency was observed in the higher level group. Conclusions: Among long-term kidney transplant recipients with stable graft function, modest variations in TAC trough levels during the late maintenance phase did not significantly impact graft or rejection outcomes. However, the observed sepsis risk and the immunologic implications of dnDSA formation highlight the need for personalized TAC exposure strategies and ongoing immunologic surveillance in long-term transplant care. ContentsMaste
A study on deep learning model for patient-specific anatomical structure segmentation in medical imaging using medical prior knowledge
No full text최근 딥 러닝의 발전은 분류, 분할, 이상 탐지 및 생성 모델에 초점을 맞춘 의료 영상에 상당한 영향을 미친다. 유사한 특징을 가진 별도의 영역으로 이미지를 분리하는 이미지 분할은 컴퓨터 비전에서 중요한 과제이다. 이러한 영역은 종종 다양한 조직 유형, 장기 또는 병리를 나타내며 해부학에 대한 비침습적 통찰력을 제공한다. 의료 영상 분할은 장기 또는 병변의 크기와 모양에 대한 중요한 정보를 제공하므로 자동 질병 진단 및 수술 계획을 포함한 다양한 응용 프로그램에서 중요하다. 전통적으로 수동 분할은 임상의의 전문 지식에 크게 의존했지만 이러한 접근 방식은 종종 불일치를 초래하여 더 간단하고 효율적인 방법에 대한 필요성을 강조했다. 이를 해결하기 위해 연구는 기계 학습 기술을 사용하여 의료 영상을 기반으로 영역 분할을 자동화하는 데 점점 더 집중하고 있다. 이러한 진전에도 불구하고 많은 최근 연구는 임상 및 의학적 사전 지식을 통합하지 않고 주로 엔지니어링 측면에 집중했다. 본 연구에서는 각 장기에 대한 의학적 사전 지식과 공학적인 학습 방법들을 접목하여 자동 분할 성능 및 일관성을 개선하는 것을 목표로 한다.
먼저 치과 해부학 구조 분할 연구다. 치과 임플란트 삽입의 주요 목표는 상악동과 하악 신경의 손상을 피하면서 최대 깊이와 안정성을 달성하는 것이다. 따라서 해부학적 구조를 정확하게 분할하는 것이 필수적이지만 인접한 치아와 보철물로 인해 시간이 오래 걸린다. 우리는 multi-label과 active learning을 사용하여 다양한 인접한 해부학적 구조를 분할하여 학습 성능을 개선하는 하악 신경 분할 모델을 개발하였다. Single-label model은 각 레이블을 개별적으로 학습했고, pair-label model은 상악동과 상악을 결합한 레이블과 하악과 하악 신경관을 결합한 레이블을 학습했으며, multi-label model은 모든 레이블을 결합하여 단일 이미지로 학습하였다. 하악 신경 레이블은 내부 데이터에서 단일 레이블의 경우 83%, 쌍 레이블의 경우 86%, 다중 레이블의 경우 90%의 정확도를 보였다. 하악 신경의 mean absolute distance와 Hausdorff distance도 다중 레이블 모델에서 가장 좋은 성능을 보였다. Multi-label model을 사용한 예측 후 수정은 수동 분할에 비해 약 7%의 시간이 소요되었다. Active learning을 활용하여 AI가 잘못 예측한 부분만 능동 학습을 통해 수동으로 수정하여 보다 효율적인 AI 조정 학습을 수행했다. 또한 인접한 해부학적 구조를 함께 학습하여 단일 레이블 모델에 비해 다중 레이블 모델의 성능을 개선했다.
다음은 선천성 소아 심장 자동 분할 연구다. 선천성 심장병은 출생 시 발생하는 심장의 구조적 또는 기능적 이상이다. 이전 연구에서는 3D 프린팅을 사용하여 환자별 선천성 소아 심장 수술 시뮬레이터를 개발했지만 이 역시 먼저 분할이 필요하다. 그러나 소아 심장의 크기가 작고 결함 유형이 다양하기 때문에 분할이 어려운 경우가 많다. 우리는 선천성 소아 심장의 대략적인 해부학적 구조를 활용하는 자동 분할 모델을 개발했다. 관상 동맥 분할 성능을 개선하기 위해 심장에 혈액을 공급하기 위해 심장 벽을 따라 위치한 관상 동맥의 해부학적 구조를 사용했다. 따라서 4심실 레이블을 확장하고 HU 값을 기준으로 추출하여 심장 벽 레이블을 만들었다. 총 4가지 방법을 사용하여 학습했습니다. 모델 1은 관상 동맥만 사용했고 모델 2는 대동맥, 폐동맥, 관상 동맥, 4심실 레이블을 사용했다. 모델 3은 두 번째 모델에 심장 벽 라벨을 추가했고, 모델 4는 관상 동맥과 심장 벽 라벨을 사용했다. 모델 1은 관상 동맥에서 61%를 달성한 반면, 모델 2는 같은 영역에서 59%를 달성했지만 다른 여섯 개의 라벨에서는 85% 이상을 달성했다. 심장 벽 라벨을 포함한 모델 3은 관상 동맥에서 66%의 정확도로 전반적인 성능을 개선했다. 모델 4는 상당히 증가하여 관상 동맥에서 74%의 정확도에 도달했다. 모델 비교 결과, 심장 벽 라벨을 학습한 사람들이 더 높은 정확도를 보였다. 전반적으로 인접한 해부학적 구조 라벨로 학습하는 것이 유익한 것으로 입증되었지만, 라벨 크기, 위치, 강도와 같은 요소를 고려하는 것이 중요했다.
마지막으로 폐엽 자동 분할 연구이다. 인간의 폐는 fissure로 분리된 5개의 엽으로 구성되어 있으며, 각 엽에는 독립적인 기도와 혈관이 있다. 따라서 질병 발생 시 해당 엽만 제거되므로 정확한 엽 분할이 중요하다. 그러나 COPD 환자의 경우 특히 fissure가 불완전한 경우가 많아 각각의 엽 분할이 어렵다. 폐엽 분할 모델에서 커리큘럼 학습 방법을 사용하여 모델 학습을 수행했다. 커리큘럼 학습을 위해 각 환자의 열구 불완전성을 계산했다. 열구 레이블을 만들고 HU 값을 비교하여 불완전성 비율을 계산했다. 그런 다음 각각 320개의 사례로 구성된 세 가지 난이도 그룹으로 나누었다. 모델은 쉬운 데이터에서 시작하여 더 복잡한 사례로 진행되는 세 단계로 학습되었다. 또한 쉬운 및 중간 난이도 데이터 600개 사례의 모델과 900개 데이터로 학습된 모델이 개발되었다. 테스트 데이터는 학습에 사용되지 않은 각 난이도 레벨의 20개 데이터를 60개 데이터로 사용했다. 학습 결과는 2단계에서 전반적으로 가장 좋은 성능을 보였다. 좌측 상단, 900 케이스 모델, 우측 상단의 경우 1단계 모델의 성능이 가장 좋았지만, 2단계 성능과 통계적으로 유의미한 차이는 없는 것으로 확인되었다. 쉬운 데이터 세트와 어려운 데이터 세트로 학습한 모델의 경우 서로 다른 난이도의 데이터에 대한 정확도가 상대적으로 낮음을 확인했다. 분할하기 가장 어려운 우츨 폐 중간엽의 경우 2단계 모델이 전반적으로 가장 좋은 성능을 보이는 것을 확인했다.
결론적으로 우리는 본 연구를 통하여 의료 영상에서 각 장기에 대한 의학적인 지식과 상황에 맞는 공학적인 학습 방법들을 결합하여 해부학적 구조의 자동 분할 성능을 개선하였다. 이는 실제 임상 환경에서 컴퓨터 지원 진단 및 수술 계획 등에 다양하게 도움이 될 수 있다. 향후 연구에서도 의학적 지식을 공학적 모델 학습에 통합하면 더 우수한 성능을 얻을 수 있으며, 중개 연구의 부분에서도 많은 성능 향상이 있을 것으로 기대된다.|Recent advancements in deep learning significantly impact medical imaging, focusing on classification, segmentation, anomaly detection, and generative models. Image segmentation, which separates an image into distinct regions with similar features, is a crucial challenge in computer vision. These regions often represent various tissue types, organs, or pathologies, providing noninvasive insights into anatomy. Medical image segmentation is vital in multiple applications, including automatic disease diagnosis and surgical planning, as it allows for critical information regarding the size and shape of organs or lesions. Traditionally, manual segmentation relied heavily on clinicians' expertise; however, this approach often resulted in inconsistencies, highlighting the need for simpler and more efficient methods. To address this, research is increasingly focused on using machine learning techniques to automate the segmentation of regions based on medical images. Despite this progress, many recent studies have primarily concentrated on engineering aspects without integrating clinical and medical prior knowledge. This study aims to enhance automatic segmentation performance by combining deep learning with previous medical knowledge of each organ, leveraging the strengths of medical and engineering perspectives to improve consistency and accuracy in medical image analysis. The main goal of dental implant insertion is to achieve maximum depth and stability while avoiding damage to the maxillary sinus and inferior alveolar nerve. Therefore, precise division of the anatomical structures is essential, but it takes a long time due to the adjacent teeth and prostheses. We developed the inferior alveolar nerve segmentation model, using multi-label and active learning to segment various adjacent anatomical structures to improve learning performance. The single-label model trained each label separately, the pair-label model trained the labels that combined the maxillary sinus and maxilla and the labels that combined the mandible and inferior alveolar nerve canal, and the multi-label model trained the combined all labels into a single image. The inferior alveolar nerve label showed an accuracy of 83% for single-label, 86% for pair-labels, and 90% for multi-label in internal data. The inferior alveolar nerve's mean absolute distance and Hausdorff distance also showed the best performance in the multi-label model. Post-prediction correction with a multi- label model took about 7% of the time compared to manual segmentation. By utilizing active learning, we performed more efficient AI adjustment learning by manually correcting only the parts that AI predicted incorrectly through active learning. In addition, we improved the performance of the multi-label model compared to the single-label model by learning adjacent anatomical structures together. Congenital heart disease is a structural or functional abnormality of the heart that occurs at birth. Previous studies have developed patient-specific congenital pediatric heart surgery simulators using 3D printing, but this also requires segmentation first. However, segmentation is often difficult due to the small size of the pediatric heart and the variety of defect types. We developed an automatic segmentation model that utilizes the adjacent anatomical structures of the congenital pediatric heart. To improve the coronary artery segmentation performance, we used the anatomical structure of the coronary artery located along the cardiac wall to supply blood to the heart. Accordingly, we expanded the four-chamber labels and extracted them based on the HU value to create a cardiac wall label. A total of four methods were used for training. Model 1 used only coronary arteries, and model 2 used the aorta, pulmonary artery, coronary artery, and four-chamber labels. Model 3 added cardiac wall labels to the second model, and model 4 used coronary artery and cardiac wall labels. Model 1 achieved 61% in a coronary artery, while model 2 had 59% in the same area but over 85% in six other labels. Model 3, which included cardiac wall labels, improved overall performance with 66% accuracy in the coronary artery. Model 4 significantly increased, reaching 74% accuracy in coronary arteries. Comparing the performance of models 1 and 4, as well as models 2 and 3, indicated that those learning cardiac wall labels displayed higher accuracy. The human lung is divided into five lobes with fissures between them. The airway and blood vessels exist independently in each lobe, so diseases preferentially affect specific lobes. Accurate segmentation is important because surgery is performed by removing only the specific lobe with the disease. However, in patients with Chronic Obstructive Pulmonary Disease (COPD), the lung fissures are often incomplete. In the pulmonary lobe segmentation model, model learning was performed using the curriculum learning method. For curriculum learning, we calculated the fissure incompleteness for each patient. We created fissure labels and compared the HU values to calculate the incompleteness rate. We then divided them into three difficulty groups of 320 cases each. Training used 300 cases of each difficulty, excluding 20 data of each difficulty level as test data. The model proceeded with a three-stage curriculum learning, starting with easy data and progressing to more complex cases. In addition, a model of 600 cases of easy and medium-difficulty data and a model trained on 900 data were developed. The learning results showed the best performance overall in curriculum learning stage 2. In the case of the left upper, the 900 case model, and the right upper, the performance of the curriculum learning stage 1 model was the best. Still, it was confirmed that there was no statistically significant difference from the performance of stage 2. We confirmed that the accuracy for data of different difficulties is relatively low for models trained with easy and complex datasets. For the middle lobe, which is the most difficult to segment, we confirmed that the two-stage model has the best performance overall. In conclusion, this study improved the automatic segmentation performance of anatomical structures by combining medical knowledge and context-appropriate engineering learning methods for each organ in medical images. This can be helpful in natural clinical environments, such as computer-aided diagnosis and surgical planning. In future studies, integrating medical knowledge into engineering model learning can lead to better performance, and there are expected to be many performance improvements in translational research.Maste
Sequential Design Optimization of Axial Flux Permanent Magnet Motors for Urban Air Mobility Traction
No full text전 세계적으로 도시화가 빠르게 진행됨에 따라 대도시를 중심으로 인구 밀집 현 상이 가속화되고 있으며, 이에 따른 교통 혼잡 문제 역시 심각해지고 있다. 이러한 배경 속에서 새로운 도시 교통 패러다임으로 부상한 것이 바로 도심 항공 모빌리티 (urban air mobility, UAM)이다. UAM은 전동 구동 기반의 소형 항공기를 활용하 여 도심 내 단거리 고속 이동을 가능하게 하며, 교통 분산 효과뿐 아니라 친환경성 과 시간 효율성 측면에서도 주목받고 있다. UAM용 전동기는 기존의 자동차나 산업용 전동기와는 다른 경량화, 고효율, 고 토크 밀도 특성을 요구한다. 이러한 기술적 요구 사항을 충족시키기 위해 본 연구 에서는 축 방향 자속 영구자석(axial flux permanent magnet, AFPM) 전동기를 기 반으로 한 UAM용 전동기를 설계한다. AFPM 전동기는 자속이 축 방향으로 흐르 기 때문에, 방사 방향 자속 전동기에 비해 구조적 자유도가 높고, 제한된 설치 공간 내에서도 고 토크 밀도를 확보할 수 있다. 특히, 요크 리스 및 세그먼트 구조 (yokeless and segmented armature, YASA)를 활용하면 고정자 요크를 제거하여 구조를 단순화하고, 전동기의 경량화 및 고효율화를 동시에 달성할 수 있다. 그러나 AFPM 전동기는 그 구조적 특성상 3차원 해석이 필수적이며, 복잡한 물 리 모델링과 비선형 특성 고려, 고해상도 메시 구성 등으로 인해 해석 시간이 매우 길어지는 문제가 존재한다. 이는 반복적인 해석을 필요로 하는 AFPM 설계자들에 게 큰 시간적·계산적 부담으로 작용하며, 실질적인 설계의 장애 요소가 된다. 따라 서 본 연구는 UAM용 AFPM 전동기 설계의 실용성과 효율성을 향상시키기 위해 각 설계 단계에 적합한 설계 기법을 적용한 단계별 설계 최적화를 제안한다. 단계별 설계 최적화는 설계 단계를 크게 초기, 상세, 최적의 세 단계로 구분한다. 초기 설계 단계에서는 푸리에 해석 기반의 공간 고조파 기법(spatial harmonic method, SHM)을 활용하여 기하 구조 변화에 따른 성능 예측을 빠르게 수행할 수 있도록 한다. 이 단계는 전동기의 형상을 간략화하여 빠르게 전동기의 특성을 분석 하므로 설계가 간단하고 해석 속도가 매우 빨라 초기 설계안 도출에 효과적이다. 상세 설계 단계에서는 여러 개의 2차원 해석 결과를 조합하는 Quasi-3D 해석 기법 과 정적 해석 기반의 One-step 해석 기법(One-step analysis method, OAM)을 활 용하여 복잡한 물리 상호작용을 효율적으로 예측하여 3차원 유한 요소 해석(finite element analysis, FEA)에 준하는 정확도를 확보한다. 또한, QAM과 OAM을 결합 하여 2차원 정적 해석만으로 3차원 해석을 대체하는 진화된 QAM(Evolved QAM, EQAM)을 적용하여 빠르게 전동기 특성을 분석한다. 마지막으로, 최적 설계 단계에 서는 다목적 최적화를 위해 pareto 최적화 기법을 도입하여 유한 요소 해석의 반복 횟수를 최소화하면서도 다양한 목적함수(토크, 효율, 맥동 등)를 만족하는 설계안을 도출한다. 제안된 단계별 설계 최적화의 효과성과 실현 가능성 검증을 위해, 감자해석을 통 한 영구자석 감자 안전성 평가와 실제 시제품 제작 및 성능 실험을 수행한다. 이 과정을 통해 제안한 단계별 설계 최적화가 단순히 이론적 기법에 그치지 않고, 실 제 제작 및 운용 환경에서도 적용 가능하다는 점을 확인할 수 있다. 본 연구는 UAM 시대를 대비한 차세대 전동기 설계 기법의 방향성을 제시하며, AFPM 전동기의 산업적 적용 가능성을 크게 확장시켰다는 점에서 의의가 있다. 또 한, 시간이 오래 걸리는 반복적인 FEA 기반 설계를 개선하여, 실무 현장에서 활용 가능한 신속하고 정확한 설계 접근 방식을 제시하였다는 점에서 실질적인 기여를 한다.
주요어 : 단계별 설계 최적화 (sequential design optimization), 도심 항공 모 빌리티(urban air mobility), 유한 요소해석(finite element analysis), 축 방향 자속 영구자석 전동기(axial flux permanent magnet motor), 파레토 최적화 (pareto optimization)
학 번 : 20225273Docto
Validation Study Based on the OMOP CDM of Semi- Automated SQL Query Conversion for Clinical Trial Eligibility Criteria Using a Large Language Model (LLM)
No full textBackground: Real World Data (RWD)-based feasibility assessments enhance clinical trial design, but automating eligibility criteria conversion to database queries is hindered by challenges due to difficulties in ensuring high accuracy and generating clear, usable outputs.
Objective: Using GPT-4, we aimed to develop an automated system to convert free-text eligibility criteria from ClinicalTrials.gov into OMOP CDM 5.3-compatible SQL queries, improving accuracy and efficiency with minimal manual adjustments
Methods: Our system workflow comprised six steps: text segmentation, non-clinical element exclusion, simplification, clinical information extraction, concept mapping, and SQL generation. development set of 30 clinical trials (10 each from breast cancer, diabetes mellitus, and cardiovascular disease) was used for prompt engineering and concept mapping evaluation. GPT-4-based concept mapping performance was compared with the conventional tool, USAGI. For validation, inclusion criteria from seven highly cited trials were converted into SQL queries and executed on Asan Medical Center’s OMOP CDM database. Two domain experts evaluated performance using predefined qualitative and quantitative criteria.
Results: Expert evaluation demonstrated excellent structural accuracy (3.99/4.0) and schema compliance (3.89/4.0), though contextual accuracy was lower (3.19/4.0) due to challenges in interpreting complex or ambiguous eligibility criteria, such as nuanced clinical terms. In concept mapping, the system achieved a concept inclusion accuracy of 3.43/4.0 and a concept ID correctness of 3.79/4.0, outperforming USAGI by 23% in accuracy and 18% in correctness. When executed on a tertiary hospitals’ OMOP CDM database, the generated queries produced patient cohorts closely aligned with N3C gold standard queries (nationally validated benchmarks), with high Jaccard similarity and overlap coefficient scores. However, criteria involving abstract concepts, such as chronic conditions, showed reduced alignment.
Conclusion: This study demonstrated GPT-4’s potential to automate clinical trial eligibility criteria conversion into OMOP CDM-based SQL queries, achieving high structural accuracy and schema compliance. Despite strong performance in preprocessing and concept mapping, challenges persist in interpreting nuanced clinical conditions and optimizing query execution efficiency. Future refinements, including domain-specific fine-tuning and hybrid approaches, are needed to address these limitations and enhance contextual accuracy.
Keywords: clinical trial eligibility criteria; GPT-4; large language model; LLM; OMOP CDM; SQL query generation; clinical data standardization; automated query transformationMaste
Study on High-Performance Thin-Film Reversible Solid Oxide Electrochemical Cell Cathode via Co-sputtering
No full text본 연구는 Glancing Angle Deposition(GLAD) 및 Glancing Angle Co-sputtering 기법을 활용하여 LSC(La0.6Sr0.4CoO3-x)-GDC(Gd-doped CeO₂) 복합 전극을 제작하고, 저온 환경에서의 고체산화물연료전지(SOFC) 및 고체산 화물전기화학셀(SOEC) 성능을 최적화하는 것을 목표로 한다. LSC는 높은 전자 전도도를 가지지만 산소 이온 전도도가 낮고, GDC는 높은 산소 이온 전도성을 가지지만 전자 전도도가 부족하다. 이를 해결하기 위해 두 물질을 최적화된 비 율로 결합하고, 증착 방식에 따른 미세 구조와 전기화학적 특성을 분석하였다. 기존의 일반적인 스퍼터링 방법으로 증착된 LSC 박막이 치밀(dense)한 형태로 성장하는 문제를 해결하기 위해 Glancing Angle Deposition(GLAD) 방식을 새 롭게 도입하였다. GLAD 방식을 통해 LSC는 나노 기둥형(columnar) 다공성 구 조를 형성하도록 증착되었으며, 이는 가스 확산 경로를 확보하고 산소 환원 반 응(Oxygen Reduction Reaction, ORR)의 활성화 영역을 극대화하는 데 기여하 였다. 이후, 제작된 LSC 다공성 박막을 고체산화물연료전지(SOFC)에 적용하여 전기화학적 성능을 평가하였다 Glancing Angle Co-sputtering 기법을 도입하여 LSC와 Gd/Ce 금속 합금을 동시에 증착함으로써 고성능 공기극을 제작하였다. LSC는 GLAD 방식으로 다 공성 구조를 형성하였고, GDC는 세륨(Ce)이 상온에서도 쉽게 산화된다는 점을 착안하여, GDC타겟 대신 Gd/Ce 금속타겟을 이용하여 높은 스퍼터링 속도를 확 보하였다. 제작된 복합 전극은 가역 고체 산화물 전기화학 셀에서 저항 감소와 높은 전기화학적 성능을 입증하였으며, 특히 500°C의 저온 환경에서도 1.44 W/cm²의 높은 전력 밀도와 1.42 A/cm²의 전기분해 성능을 달성하였다. 본 연구는 먼저 기존 LSC 박막의 치밀한 구조적 한계를 GLAD 방식을 통해 다공성 구조로 성공적으로 전환하였으며, 이후 GLAD와 Co-sputtering 방식을 융합하여 LSC-GDC 복합 전극을 최적화하였다. 이를 통해 저온 환경에서도 높 은 성능과 장기 안정성을 유지할 수 있는 SOFC 및 SOEC 시스템을 구현하였 다. 이러한 결과는 저온 SOFC 및 SOEC 기술의 상업화 가능성을 높이며, 차세 대 에너지 변환 및 저장 기술 개발에 중요한 기여를 할 것으로 기대된다.Maste