코딩하는 간호사

특허 출원

또방91 — Fri, 26 Apr 2024 11:26:36 +0900

특허 출원

드디어 특허출원이 완료되었다 !

약 2년여간 AI응급의료 관련한 연구를 진행하면서, 내 이름이 발명자로 들어간 특허 출원!

총 3건 중 2건이 먼저 출원완료되었고, 나머지 1건도 정리되면 곧 진행할 예정이다보니 올해 3건의 특허 출원의 성과가 완료된다

지금까지 연구를 진행하면서 IRIS에서 연구리스트에 성과가 하나씩 차곡차곡 쌓이는 것도 물론 보람찼지만,

이 기쁨은 견줄 수가 없다ㅎ

앞으로는 ?

중장기적인 목표로는 이번 년도부터 심장내과로 분과를 옮기게 되면서 이곳에서도 좋은 성과를 내면서,

새로 연구과제도 따고 특허부터 여러 좋은 성과를 얼른 내야겠다.

중단기적인 목표로는 이번 새로운 연구사업을 준비하면서 느낀 건데,

최근 공부하고 있던 CRA 뿐만 아니라 의료기기 RA쪽도 공부해야겠다는 생각이 들었다.

AWS와 ISTQB는 잠깐 hold해야겠지만!

출산휴가 들어가기 전?

단기적인 목표로는 정밀초음파 보기 전까지 건강하게 출퇴근 하는 것!

언제나 고맙고 사랑하는 꾸꾸와 ‍

언제나 귀여운 둥이와

그리고 언제나 나와 함께하는 리꾸와 함께

기도하면서 잘 지내야지!

[SAQ] The Seattle Angina Questionnaire 정의, 내용

또방91 — Mon, 4 Mar 2024 15:28:21 +0900

정의

SAQ(Seattle Angina Questionnaire)는

관상동맥질환 환자의 임상적으로 중요한 5가지 건강 측면을 측정하는 타당하고 신뢰할 수 있는 도구로,

환자의 기능과 삶의 질에 미치는 영향정도를 정량화하기 위해 건강상태를 측정하는 가장 일반적인 설문지입니다.

(Spertus JA, Winder JA, Dewhurst TA, et al. Development and evaluation of the Seattle Angina Questionnaire: a new functional status measure for coronary artery disease. J Am Coll Cardiol. 1995;25(2):333-341. doi:10.1016/0735-1097(94)00397-9)

https://www.sciencedirect.com/science/article/pii/0735109794003979?ref=pdf_download&fr=RR-2&rr=85ef881b9b0b933e

세부 내용

개요

* 5가지 범주에서 19항목 설문으로 이루어짐

* 각 문항 당 5점 척도로 평가. 최저 0점~최대 100점 측정

* scores on the SAQ angina frequency scale of 0-30 points indicate daily angina, 31-60 points indicate weekly angina, 61-99 points indicate monthly angina, and 100 points indicate no angina

* 협심증에 관련한 삶의 질을 구체적으로 평가할뿐만아니라, 심장질환 치료효과를 판정하는 수단으로 사용됨

설문 문항

Physical Limitation (신체활동제한)

Anginal Stability (협심증 안정도)

Angina Frequency (협심증 주기)

Treatment Satisfaction (치료만족도)

Quality of Life (삶의 질)

참고

* 대한심장학회 KOREAN MUlticenter Survey of healTh stAtus outcomes after percutaNeous coronary anGioplasty in patients with acute coronary syndromes 성모병원 심장혈관내과 전두수 pdf 자료

* 김유정, "관상동맥중재술 환자의 삶의 질 구조모형", 서울대학교 대학원, 서울대학교 대학원, 박사학위논문. 서울, 2014

SAQ는 총 19문항으로 5개 영역으로 구성되어 있는데, 신체활동 제 한에 대해 9문항, 협심증 안정도에 대해 1문항, 협심증 빈도에 대해 2문 항, 치료 만족도에 대해 4문항, 삶의 질에 대해 3문항으로 구성되어 있 고, 각 문항은 5점 척도로 평가한다. SAQ의 5개 영역은 각각 독립된 항 목으로 5개 영역의 총 합계 점수나 평균을 내지 않으며, 각 영역의 특성 을 감안하여 개별 사용하기도 하므로(Ulvik et al., 2008)

[pydicom] DICOM 대량 데이터 PACS프로그램에서 확인하기 (FileSet)

또방91 — Thu, 29 Feb 2024 14:58:47 +0900

들어가기 전

연구 프로젝트를 하다보면 의료원으로부터 대량의 dicom 파일을 전달받을 것이다.

여러 상하위의 폴더 속 파일들이 많은데,

PACS 프로그램에서 영상을 확인하기 위해선 path가 저장된 DICOMDIR 파일이 꼭 필요하다.

그렇다보니 pydicom 패키지 속 fileset 클래스의 Fileset 모듈을 사용한다면 된다!

1. os.walk를 통해 상하위 폴더 내 dcm 파일리스트를 확인하고
2. 반복문을 돌려 Fileset에 add를 할 계획임
3. 단, 오류발생을 대비하여 try ~ except 구문을 사용하면서, 그 오류발생 path들만 따로 모아서 txt 파일로 저장시킴

os.walk & os.path.join

데이터 Path 확인하기

dicom 파일셋을 representation하기위해서는 Fileset.add하여 path 들을 추가하게 되는데,

이때 적용해야 할 path들에 대해서 확인추출하는 작업이 필수적이다.

os.walk

많은 폴더 속 파일의 path를 추출하기 위해선 os라이브러리의 walk( ) 함수를 사용합니다.

walk 함수 속 지정한 top root가 있는 tree의 각 directory에 대해 튜플을 생성하기 때문!

(디렉토리path, 디렉토리name, 파일name) 형식의 튜플!

os.path.join

path를 다룰 때 일반적으로 많이 사용하는 함수이며, os.path.join( ) 함수를 사용할 경우 경로 결합!

옆에 tree 이미지를 참고하여, 범위를 간단하게 줄여서

D:\SONA\3D_TEE\data\sev\part_1\69771\2023_02\21 폴더의 파일path만 추출해보자!

# 추출할 path 변수 설정
dir_path=r"D:\SONA\3D_TEE\data\sev\part_1\69771\2023_02\21"

# 설정한 디렉토리 path에 대해 (디렉토리path, 디렉토리name, 파일name) 튜플이 생성됨!
# 다차원의 튜플이 생성되었기에, 반복문으로 돌려서 확인해본다!

for i in os.walk(dir_path):
    print(i)

아래와 같이 출력이 된다 root, folders, files로 이루어진 게 확인가능하며 top -> down 형식의 구조로 출력됨을 알 수 있다.

Path 결합하기

이제 각 root와 files를 연결하여 파일 각각의 path를 만들기 위해선 다중 반복문을 사용하여 path들을 join시켜준다.

for root, folders, files in os.walk(dir_path): #바깥쪽 반복문
    for i in files: #안쪽 반복문
        file_path= os.path.join(root, i) #root와 files join하기
        
#이때 다중 반복문을 계속 돌면서 file_path 변수에 각 파일의 path가 지정된다.

좀 더 그 구조를 쉽게 이해시키기 위해 조금 코드식 변형을 시켜 출력한 결과를 본다면-!

바깥쪽 반복문 1: 이때는 files가 없기에 안쪽 반복문에서 생성 값이 없다.

바깥족 반복문2,3,4: 최상위 바로 아래 첫번째 폴더 내 파일부터 join한 path들을 출력됨이 확인된다.

Pydicom.fileset .FileSet

FS=FileSet() #FileSet( ) 함수 alias변수 생성하기

#오류발생 시 파일생성을 위해
err_list=[] #err발생 파일저장 전 담아놓을 리스트
err_file="D:/err_list.txt" #err발생한 path 담을 파일명

for root, folders, files in os.walk(dir_path):
    try:
        for i in files:
            file_path= os.path.join(root, i)
            try:
                FS.add(file_path) #FileSet에 추가
            except:
                FS.remove(file_path) #err발생한 path는 담지말고 삭제
    except:
        err_list.append(file_path) #err발생한 path는 리스트에 담아두고
        pass # 그다음 반복문으로 시작

FS.write(output_path) # 다 끝났으면 지정경로에 DICOMDIR 저장하기


# err 발생한 것들 txt 파일로 저장하기
with open(err_file,"w+") as f:
    f.write("\n".join(err_list))

PACS 프로그램에서 dicom 파일을 확인할 수 있도록

파일들이 변환저장되었고,

각 path와 그에 따른 정보들이 저장되었다.

아마 위 코드식이 복잡하고 어렵다고 느꼈다면

for 반복문, try ~ except 구문, 파일 생성하고 저장하는 것에 대한 공부가 선행되어야 하겠지만

영상데이터를 다루는 분들이라면 웬만해서는 이미 다 알고 있을 듯하다!

Github

https://github.com/LIMSONA/Digigal_Healthcare/blob/main/pydicom_dicomdir.ipynb

공식 참고

* os.walk - https://docs.python.org/3/library/os.html#os.walk

* os.path - https://docs.python.org/3/library/os.path.html

* pydicom.fileset.Fileset - https://pydicom.github.io/pydicom/dev/reference/generated/pydicom.fileset.FileSet.html

* pydicom.fileset - https://pydicom.github.io/pydicom/stable/tutorials/filesets.html

[pydicom]Python으로 PACS DICOM 의료 영상 데이터 활용하기

또방91 — Thu, 29 Feb 2024 11:39:54 +0900

Pydicom 소개

의료 영상데이터 관련 업무를 한다면,

DICOM 형식의 파일을 필연적으로 마주친다.

파이썬을 통한 DICOM을 다룰 때 Pydicom 패키지는 아주 유용한 패키지가 될 것이다.

pydicom 패키지를 활용할 때 기본적인 작업들을 소개하려한다.

* pydicom 공식문서: https://pydicom.github.io/pydicom/stable/

Pydicom 설치

#pip 사용하여 설치방법
pip install pydicom

#conda 사용하여 설치방법
conda install -c conda-forge pydicom

Dicom 데이터 가져오기

예시 데이터가져오기

의료데이터 정보보호에 의해 쉽게 데이터셋을 구할 수 없다면?

걱정말고 pydicom에서 제공하는 예시 데이터셋을 활용할 수 있다.

* 단! git이 설치되어 있는 경우여야 가능함 !

!pip install git+https://github.com/pydicom/pydicom-data

Dicom 파일 읽기

Pydicom 예시 데이터 dicom tags 데이터 읽기

* dicom 영상데이터 tag에는 그 파일 자체의 크기,형식 등 정보도 있겠지만

그 데이터의 환자 ID, 성별, 나이 등의 정보를 담고 있다

* Dicom tag에 어떤 정보가 담겨있는 지 알고 싶다면 아래 사이트 참고

https://www.dicomlibrary.com/dicom/dicom-tags/

# dicom 데이터셋을 읽기위해 dcmread() 사용 
from pydicom import dcmread 
from pydicom.data import get_testdata_file 


fpath= get_testdata_file("CT_small.dcm") 
fpath ## 파일 path 반환하여 확인해보기

ds= dcmread(fpath)
ds #dicom 파일 tags 살펴보기

특정요소를 추출하여 확인하고 싶다면?

# 예를 들어 데이터 획득일자를 확인하고 싶다면?

# 방법1 : 코드를 통해서- 16진수이기 때문에 앞에 '0x'를 붙여줘서 확인
ds[0x0008, 0x0022]

#방법2 : tag 이름을 통해서- 공백없이 확인
ds['AcquisitionDate']

Pydicom 예시 데이터 dicom tags 데이터 읽기

* dicom data 이미지로 확인하고 싶을 땐 matplotlib.pylot을 사용한다
* .dcm 형식 이미지 말고도 일반 jpg,png 이미지를 활용한 작업에도 사용하는 패키지이다

!pip install matplotlib

#주로 plt라고 alias를 지정해서 줄여서 사용한다
#예) numpy->np, pandas->pd, matplotlib,pyplot ->plt

import matplotlib.pyplot as plt

#이미지를 부를 패키지 준비가 되었다면!
#dcm이미지데이터.pixel_array로 2D이미지 정보를 가져와서 표시가능합니다.

plt.imshow(ds.pixel_array, cmap=plt.cm.bone) #위에서 dcmread(dcm파일) 지정한 ds변수를 그대로 사용한다면!

Github

https://github.com/LIMSONA/Digigal_Healthcare/blob/main/Pydicom%20pkg.ipynb

공식 참고 - Pydicom document 홈페이지

* 예시 데이터 가져오기 - https://pydicom.github.io/pydicom/stable/tutorials/installation.html

* dicom tags 데이터 읽기 - https://pydicom.github.io/pydicom/stable/tutorials/dataset_basics.html#getting-our-example-dataset

* dicom 이미지 읽기 - https://pydicom.github.io/pydicom/stable/old/viewing_images.html

디지털 헬스케어로 벌써 21개월차

또방91 — Wed, 28 Feb 2024 11:18:32 +0900

여전히 귀여운 둥이

이번년도부터 ER에서 CA 팀으로 변경이 되면서,

살짝의 여유가 생긴 지금!

작년까지 ER - CDSS 파트에서 업무를 수행했다면

올해부터는 CA - Clinical Research 업무로 변경되었다.

팀 규모가 커서 그런지 데이터 분석뿐만 아니라, 예측 엔진 파트 등등 전문가들이 있기에

주로 raw 의료데이터를 가공하는 업무를 최근 하고 있다ㅎ

사실 이 팀에서의 main 업무는 CRA 업무이긴한데,

현재 진행 중이거나 진행 예정인 전/후향 임상시험들이 많아서 하나씩 파악하는 중...!

다기관 의료원들과 함께하기도 하고, 큰 규모의 프로젝트들도 여러 개이다보니

꼼꼼히 살펴봐야할 게 한두개가 아니다.

그래도 S/W 의료기기 CRA 업무이다 보니,

일반 의약품 CRA와 살짝 다르긴 하지만 챙겨야 할 서류가 많다 ㅋㅋㅋ

그래도 화이팅해야지!

[오류해결] jupyter notebook Nbextensions 설치 오류 해결

또방91 — Wed, 28 Feb 2024 09:52:03 +0900

오류 발생

최근 팀이 ER에서 CA 파트로 변경이 되면서, 평소 사용했던 고사양 PC가 아닌 사무용 PC에서 사용하게 되었다.

윈도우 10이라니.... 엑셀에서 다중vlookup 수식사용만해도 허덕이는 PC....

그래서인지 어디서나 잘 설치했었던 jupyter notebook Nbextesion이 되질 않았다.

# 평소 사용했던 jupyter notebook 확장자설치 

!pip install jupyter_nbextensions_configurator jupyter_contrib_nbextensions
!jupyter contrib nbextension install --user
!jupyter nbextensions_configurator enable --user

오류메시지가 빵빵빵!!

해결

결론

1) Navigator에서 anaconda prompt 창 열어서 아래 코딩식 입력하여 설치

conda install -c conda-forge jupyter_contrib_nbextensions 
jupyter contrib nbextension install --user

2) Jupyter notebook이 켜져있다면 껐다가 다시 켜고

3) Nbextension 카테고리에 들어가 '비활성화 버튼'을 체크 해제하여 활성화 시켜준다.

이래도 안되었다면?

나의 경우는 돌이켜 생각해보니 여러 문제가 혼선되어 있었다.

1) 디폴트 값으로 설정된 C:\Users\사용자이름 여기에 anaconda3가 설치가 되지않아서 경로 혼선

2) anaconda 설치 전 python 개별설치를 한 상태여서 충돌

3) anaconda를 설치했지만 backup 파일 등 깨끗하게 삭제되지 않아서 혼선

▶ 이러한 혼선을 한 번에 해결한 방법은

1) anaconda 완전삭제 후 재설치 할 때 기본경로 그대로 설치하기

- 완전 삭제를 위해선 anaconda navigator 삭제, C드라이브 곳곳에 남아있는 anaconda 폴더들 삭제(숨김폴더까지 모두 찾아서)

2) python 깨끗하게 삭제하기 -> 어차피 anaconda 설치하면서 자동 python 설치해줌

시도했지만 실패했었던 여러 방법

1) anaconda.org 에 들어가서 직접 jupyter_contrib_nbextensions 패키지를 다운받아서 anaconda 패키지 폴더 안에 파일 넣어주기 => 해결안됨☠

2) conda, pip 업데이트

3) python, jupyter notebook 버젼 다운그레이드

이것말고도 엄청 많긴 했는데 생각이 안난다... ㅎ

대용량 csv 파일 pyarrow로 pandas 다루기 & excel 저장 (feat. 연구 데이터)

또방91 — Fri, 7 Apr 2023 14:09:10 +0900

대용량 csv 파일 pyarrow로 pandas 전처리 &excel 저장 (feat. 연구 데이터)

의료데이터를 활용한 연구를 하게 되면,

시시각각 변하는 환자들의 상태들을 체크하고 AI 분석을 위해서는

tracking 시계열정보를 활용하게 된다.

그렇다보니, 그 tracking term 기준이 몇 초냐 몇 분이냐에 따라 데이터 용량이 천차만별이겠지만

그래도 대용량 데이터가 수집되었다는 사실은 변하지 않는다.

데이터 마이닝이 나의 main job은 아니지만,

tracking time series data를 가명화 처리하는 과정으로 인해

대용량 data에 대해 접하게 되었다.

문제 상황

문제상황 1_ 가명화 처리를 위해서는 의료원의 가명화 프로그램을 활용해야하는데, 파일 업로드 상황에서는 excel 확장자만 가능

문제상황 2_ 대용량 csv는 메모장, 엑셀 프로그램으로 열리지 않음

-> 메모장: 간혹 다른 포스팅에서 가능하다고 하지만, 어느정도 용량 선을 넘어버리면 열리지 않음

-> 엑셀: 데이터>텍스트/csv 파일 가져오기 메뉴로 로드한다고 해도... 아래와 같은 문구가 뜬다.

그 문구에 따라서 텍스트 마법사에서 '구분시작행'을 입력 후 시도해봤지만 다 안불러지기도 하고, 여러번 시도하니 응답없음이란 문구가 뜨다가 꺼져버린다.

(*좋은 컴퓨터에서는 성공할지도? 성공한다면 추후 포스팅해보겠다. )

텍스트가져오기 메뉴 시 뜬 팝업창

← ← 텍스트 마법사를 활용해 그다음 나머지 데이터 가져오기 시도하는 화면

* 참고로 엑셀 한 시트당 최대 보이는 행의 수는 104876행이다.

문제 해결

01. Jupyter 실행 & 필요한 모듈 설치

pip install pyarrow

from pyarrow import csv

02. 대용량 CSV 불러오기

# CSV로 불러오고 바로 pandas화
py_df= csv.read_csv("경로/파일명.csv").to_pandas()

*참고로 억단위 raw는 시도해보지 않았지만, 천만단위 raw에서 잘 불러오는 걸 확인하였다.

판다스로만 사용할 경우, 이제 자유롭게 데이터 EDA 및 전처리 과정 바로 수행하시면 되시고~

나처럼 excel이 필요한 경우, split하여 엑셀에 저장하면 된다!

03. Split하여 excel 저장하기

##### 반복문 돌려서 나눠서 저장######

#1. 각 파일로 저장하고 싶을 때
start= 0 #처음 시작
end= 50000 #몇개 나눠서 저장할지(단위)

for i in range(나누고 싶어하는 파일갯수 숫자):
	name= "원하는 파일명"+str(i+1)
    #이 경우 파일명은 <원하는파일명1>, <원하는파일명2> ..... 이런식으로 저장된다.
	py_df.iloc[ start:end, : ].to_excel("저장하고싶은 위치/" + name + ".xlsx")
    start= end
    end= end + 50000
    
    # 마지막 행의 경우, 설정한 단위의 배수가 아닐테니~
    if end > len(py_df):
    	py_df.iloc[ start:len(py_df), : ].to_excel("저장하고싶은 위치/파일명.xlsx")
        break #반복문 종료



#2. 하나의 파일에 각 시트로 저장하고 싶을 때
start= 0 #처음 시작
end= 50000 #몇개 나눠서 저장할지(단위)

for i in range(나누고 싶어하는 파일갯수 숫자):
	name= "원하는시트명"+str(i+1)
    #이 경우 파일명은 <원하는시트명1>, <원하는시트명2> ..... 이런식으로 저장된다.
	py_df.iloc[ start:end, : ].to_excel("저장하고싶은 위치/원하는파일명.xlsx", sheet_name=name)
    #시트이름의 경우 1,2,3 .... 이런식으로 저장됩니다.
    start= end
    end= end + 50000
    
    # 마지막 행의 경우, 설정한 단위의 배수가 아닐테니~
    if end > len(py_df):
    	py_df.iloc[ start:len(py_df), : ].to_excel("저장하고싶은 위치/파일명.xlsx")
        break #반복문 종료

참고

대용량 CSV를 로드하기위해선 pyarrow 모듈 말고도 다른 방법들이 여러가지 있는데,

그 중 나에게는 아파치의 pyarrow가 가장 적합했다.

사용할 수 있는 방법으로 Apache의 Pyarrow, Dask, pandas의 chunksize 등이 있는데,

1GB파일을 로드하는데 걸린 시간을 비교실험해 본 재밌는 포스팅이 있어서 추가해본다

https://94ung.tistory.com/39

pandas 대용량 csv 파일 읽기 - dask

포스팅 개요 pandas에서 4GB csv 파일을 읽었을 때 노트북이 다운되거나 메모리가 부족하다는 에러 메세지가 나왔다. 검색해 본 결과, Apache의 Pyarrow, Dask, pandas의 chunksize를 이용하는 방법이 나와있었

94ung.tistory.com

한 줄평

위 코드식으로 시도한 뒤, 원활하게 파일형식 변환하여 연구수행 중에 있다 혹 위 코드식으로 적용했는데 되지않는 경우 댓글남겨주시기 바란다~ !

AWS Cloud Practioner Foundation 취득 (공부방법, Pearson Vue 후기까지)

또방91 — Mon, 20 Mar 2023 22:15:54 +0900

AWS Cloud Practioner Foundation 합격.... ㅋㅋㅋ

시작하기 전 주저리주저리

오랜만에 근황 끄적끄적

AWS 자격증 스킬트리를 보고 기초부터 따봐야겠다는 생각한 1인 ✋

2023년이 시작한 지 몇 달이 지난 3월말에서야 드디어 취득하였따.

그동안 연구기획관련 문서 작성으로 몇 달을 일하다가

저번 주부터 여유시간이 생긴김에 빡공한 결과물... ㅋ

드디어 AWS 첫 발걸음을 뗐다...ㅎ

시험준비 공부

컴공 출신도 아니고... AWS는 진짜 작년에 잠깐 관련도서 훑어본 정도... 지식이려나

그 것도 독학이었다보니 잘못 이해하고 있을까봐 처음부터 무서웠음.. ㅋ

결론부터 말하면 Cloud Practioner 자격증 공부 point = 기출문제 반복

그렇다.. 기출문제 반복해서 푸는 게 짱이었다..

물론 전체적인 것을 풀어이야기하자면,

이론을 전체적으로 쫙 한번 2번정도 보고 -> 기출문제 12회를 풀었다.

혹시나 싶어 오답노트도 notion으로 만들었는데, 시험보기 전에 보지도 못했다.. ㅋㅋㅋ

이론의 경우 여기 아래 페이지 들어가서 보면된다.

https://ausg.github.io/aws-certification-study/docs/doc1

--> 흔히들 말하는 AWS 백서를 깔끔하게 카테고리화해서 정리된 페이지!!

Pearson VUE

시험 당일 우여곡절이 많았다..

시험 안내글이나 시험문제 즉 시험 시스템은 한글이지만은!!!!!

ㅜㅜㅜㅜㅜ 한국어 사용 감독관이 없다는 점!!

다 잊어버린 나의 리스닝.... 때문인지 인도식 영어를 하는 감독관 때문인지......

소ㅑㄹ라샬라 말하시는 잉글리시 감독관님에게 채팅으로 전달해달라고 부탁했다...

당시에 뭐라고 말했는지는 기억이 안나지만

채팅.. 플리즈...라고 짧은 영어를 내 뱉었던 것 같다.ㅋㅋㅋ 지금와서 생각해보면 너무 창피함

(하... 영어공부 해야짓 )

까다로운 감독관이어서 그런지 나의 경우 주의를 4개정도 받았었다.

1. 책상 위 정말로 모든 짐을 다 치워 달라는 것

- 연필꽂이부터 안경케이스, 조그만 서랍등등 전부다..

심지어 지금 치운 이 짐을 어디다가 놨는지도 보여다라고 했다...ㅠㅠ

2. 그리고 듀얼모니터의 선을 정말 다뺐는지 보여달라는 점

- 전원선부터 HDMI 선까지 뺀 모니터를 들어서, 카메라에다가 뒷면을 보여줬다. ㅋㅋㅋ 제길

3. 그 다음은 머리밴드를 하고 있었는데 그것도 벗으라는 거였다 ㅋㅋㅋㅋㅋ

- 덕분에 아주 머리 산발인채로 시험을 보았다... 하 ㅠㅠㅠ 머리 묶은 상태로 카메라 킬걸 후회했다.

4. 마지막으로 무릎에 덮은 담요를 걷어서, 캠이 보이는 위치로 뒤로 치워놓으라는 점

아! 그리고 시험 중에 하나 주의를 받았는데,

시험문제가 너무 길고, 컴퓨터화면으로만 보고 읽다보니

이해가 잘 안되어서 중얼거리면서 곱씹고 보고 있었는데

조용히 하라고 주의를 받았다..

귓속말하듯이 공기 90% 소리 10% 였는데.. 감독관 당신은 소머즈인가!!

시험문제로는?

우선 내 기준으로 많이 나왔다고 생각하는 범위는

AWS-사용자 공동책임 문제 관련해서 많이 나왔다.

-> 이건 기본적인 정의들이 선택지로 나왔다기 보다는! (ex. 물리적 환경 관리, 직원 교육 등등)

-> 한 상황을 주어지고 거기에 적용되는 책임문제들을 선택지로 출제하였다.

그리고 이외에는 막 설명되어있고 이건 무슨 서비스? 이런 느낌이랑

그리고 한 서비스에 대한 정의를 찾는 문제 등등이 있었다!

글 보고 궁금하신 점 있으신 분들... 댓글 남겨주시기 바란다...ㅠ

아쥬 생생한 후기를 들려주겠어여..

그럼 안뇽!

[ifkakao2022] 초거대 AI 기술은 헬스케어에 어떻게 활용될까?

또방91 — Wed, 28 Dec 2022 16:59:34 +0900

[ifkakao2022] 초거대 AI 기술은 헬스케어에 어떻게 활용될까?

들어가기 전에

" 초거대 AI 기술은

헬스케어에 어떻게 활용될까? "

- 카카오브레인 AI기반 헬스케어 사업 및 연구 담당 zeron님

- 발표 페이지링크 : 클릭

- 발표 자료: 클릭

Part 1. 헬스케어 분야 AI 적용사례

1. 의료영상 seg.

- 헬스케어 주된 task, 서비스로 자리매김함

→ 그 이유: 1) 사람이 보면서 해석이 가능하고, 2) 병변 크기나 형태 등 정략적인 정보를 획득함으로써 치료계획에 도움

- 유넷 기술이 사용됨

- 더 정교한 seg. label을 누가 더 많이 확보하는지 따라서 제품성능 향상의 핵심이 됨

문제점

1) seg. 그리는 작업은 Dr. 노동집약적 결과물

2) 이전보다 수행동기 감소

3) 지속적 학습 감소

2. 의료영상 활용 classification

- detection AI

- 환자의 추가검사 및 치료계획 수립에 영향

- 문제점 : 모델이 어떤 것을 보고 판단하는 지에 대한 정보가 부족함 (->활용가능성 감소)

3. 생체신호 활용

- 주기적/연속적인 생체신호 활용 (ex. EKG, 애플워치 건강정보)

- 인간의 눈으로 탐지하기 힘든 어려운 패턴 조합을 찾아내어 질환 탐지

문제점 : EMR 다양한 정보와 mapping하고 cleansing하는 과정이 노동집약적

4. 입원환자 EMR V/S 데이터 활용

- 주기적/연속적 EMR 데이터를 RNN등으로 학습 (ex. 24hr 이내 입원환자의 심정지를 예측)

문제점

1) EMR data-set cleansing 힘듦

2) 실시간 데이터의 경우 효율적인 활용 어려움

Part 2. 헬스케어 AI 한계점 및 해결방향

1. 한계점

#반드시필요하지않다 #사용성이떨어진다 #비용효과성떨어진다 #신뢰가가지않는다

labor intesive ▶ not scalable ▶ un-usable & un-reliable

- 기술적 문제에 초점을 이룸

1) 학습된 data에 의존하니, 한정적임. 사람처럼 경험을 쌓으면서 지속적으로 발전이 현실적으로 어려움

2) 특정한 상황에서만 잘 판독하지만, 이외 불안함

(*ex - 경부고속도로에서만 자율주행이 good. 나머진 불안함)

- 신뢰 문제 : 진료는 생명을 다루기때문에 한 번의 잘못으로도 신뢰가 떨어짐. 이는 의료진의 업무효율 감소 야기

기술적 문제 원인

1) 못 본 data(=학습되지 않은) 많기에

2) 못 본 data를 대량으로 생산하기 어려움. 노동집약적인 일임

3) 비즈니스 모델이 불명확하면 도전하기 쉽지않음

2. 해결 방향

2가지 방법으로 접근 가능함

☝ work-flow 제대로 고려하며 사람중심으로 생각하기

: 현재처럼 반복적인 레이블링 작업을 줄이고, work-flow내에서 자연스럽게 data가 생성되도록

✌ 대량의 multi-modal 데이터를 인간처럼 학습할 수 있는 초거대 AI 활용하기

: 연관성있는 데이터끼리 결합하여 학습시켜 학습효율을 극대화시킨다.

(→ 노동집약적 레이블 의존도가 떨어짐)

이로써,

기존에 익숙한 work-flow 내에서 data가 자연스럽게 생성되면, 이를 활용하여 AI 모델을 지속발전시킬 수 있는 데이터 선순환이 가능 해짐(scalable). 이는 인간처럼 종합적으로 사고하고 실제 환경처럼 일반적으로 행동할 가능성이 높이지게 됨(usable&reliable)

- 초대량의 데이터셋 처리는 적은 레이블로도 좋은 성능을 보이는 초거대 AI기술을 활용

(초거대 AI 모델은 Ko-GPT(GPT3), Karlo(DALL-E), ALIGN(Align) 등 있음)

→ 데이터 선순환과 초거대AI 기술은 혁신을 위한 단짝임

Part 3. 헬스케어 초거대 AI 활용방향

* 이와 관련하여 카카오에서 고민 중인 연구과제 3가지

1. Multi - modal

- 연관성 있어보이는 다양한 헬스케어 데이터들을 최대한 활용해보고자 함

: 의료영상/의료서적/판독문/검사결과/임상기록지/개인생성 건강데이터 등 초대량의 데이터

- 인간처럼 복합적으로 사고하는 초거대 AI 활용

: 의료진에게 실제 도움이 되는 효용성

2. User - centric measurement

- 고객의 미충족 수요와 연관된 새로운 사용자 기반의 metric을 개발하는 것

: health-care 분야의 경우 현재 고객의 needs를 제대로 반영한 metric이 부족하다고 생각됨

3. Large - scale AI engineering

- health-care의 noisy한 초대량규모 data들로 선순환을 위해서는 user-centric metric 기반으로 automatic preprocessing 시스템이 잘 갖춰져야 함

- 주기적인 input data를 automatic cleansing하는 기술은 해당분야에서 기술격차를 벌리는데 큰 도움이 됨

- 깊은 도메인 지식과 고객 이해도가 뒷받침 되어야 함- 기업 입장 : 영역 이익률 극대화를 위해, 자연 효율화 시스템 기술력 확보는 당연히 필요함

Part 4. 앞으로 카카오에서의 활용방안

1. Multi - modal

- CXR cad S/W 상용화를 위해 노력함

: 고객이 가장 필요로하는 초안판독문 생성문제에 접근하고자 함

: seg. & classification 집중의 노동집약적인 기존과는 차별

: 이미지 to 텍스트 접근 시 multi-modal 데이터셋에서 필요한 정보들을 추출하여 접근

2. User - centric measurement

- 의료영상 판독문 생성을 사용자 관점에서 평가할 수 있는 metric 개발 노력함

: 생성된 텍스트의 유의미성을 평가하기 위한 다양한 metric이 기존이 있긴하지만, 의료진의 needs를 반영했다고 보기 어려움.

(기존 metric : BLEU 스코어, Perplexity 스코어, CIDEr, ROUGE-I, SPICE)

3. Large - scale AI engineering

- 초대량거대규모의 data-set의 좋은 data-set & 효율적인 proprocessing ---> COYO dataset 참고

마치면서

이 session 발표는 최근 헬스케어 AI 연구원으로서 하고 있는 고민을

해소시켜주는 발표였다.

일단 문제를 해결함에 있어

현재 상황, 문제점 진단, 문제점에 따른 해결방안이라는 단계에 걸쳐

나름 명쾌한 접근이었기에- !

덧붙여 현재 카카오에서 노력하고 있는 것과 연관 결과물까지 어필했으니

훌륭한 발표였다고 생각한다.

다른 훌륭한 발표도 확인해봐야지

[추천] IT 근무자 지식 업그레이드 (if kakao dev 2022)

또방91 — Wed, 28 Dec 2022 15:37:29 +0900

https://tech.kakao.com/2022/11/23/ifkakao2022/

IT 근무자 지식 업그레이드 (if kakao dev 2022)

작년부터 참석해온 if kakao dev

https://if.kakao.com/

if(kakao)dev2022

함께 나아가는 더 나은 세상

if.kakao.com

IT 업계 근무 중이라면 카카오 개발자 컨퍼런스는 많은 도움이 될것이다 ㅎ

일단 IT 대기업에서 올해 성과물에 대해서 엿볼 수도 있고,

발표 대부분이 한단계 발전된 응용 결과물인 경우이기 때문이다.

링크를 클릭해서 보면

학교나 책, 검색 등으로 찾을 수 없는 개발자들의 생생한 경험과 노하우들이 담겨 있기 때문이다.

이번 if kakao dev 2022는

22/12/07~22/12/09 3일에 걸쳐서,

카카오의 여러 소속에서 다양한 트랙의 주제로 진행되었다.

‍♀️나처럼 헬스케어 IT 근무자라면 - !!!

이번 if kakao 2022에서는

12월 9일 기술세션 중 AI 트랙 session 대부분이 도움이 될 것이다! (아래 캡쳐이미지 참고)

if kakao 2022 - AI트랙 기술session

각 session의 발표를 클릭해보면,

영상과 발표자료 (다운가능)를 볼 수 있다!

하나 session당 20분 전후로 진행되니, 집중해서 잘 볼 수 있다!

카카오브레인의 텍스트 기반 이미지 생성 기술 접속 화면

처음에서도 말했듯,

아래처럼 12 가지 트랙 으로 다양하니, 관심있는 트랙 선택 후 원하는 발표를 듣길 바란다 ㅎㅎ

1015장애 회고
AI
백엔드
프론트엔드
모바일
클라우드
빅데이터
블록체인
DevOps
ESG
General
Culture

그럼 안녕!