193 편의 논문
본 연구는 임상 지식과 통계적 엄격성을 바탕으로 특징 공간을 대폭 축소하여 훈련된 광자 양자 머신러닝 아키텍처가 비소세포폐암의 항-PD-1 치료 반응 예측에서 외부 검증 데이터셋에서 기존 고전적 모델을 능가하거나 동등한 성능을 보이며, 양자 모델의 임상적 유효성과 잠재력을 최초로 입증했다고 요약할 수 있습니다.
본 논문은 에티오피아 아시 지역 312 명을 대상으로 식이 및 환경적 위험 요인을 기반으로 앙상블 머신러닝 모델을 구축하여 식도암을 98.3% 의 정확도로 예측하고 조기 진단을 지원하는 효과적인 프레임워크를 제시합니다.
이 논문은 피부 병변 진단을 위해 피부경상 이미지와 환자 임상 메타데이터를 통합하는 멀티모달 딥러닝 프레임워크를 제안하고, 기존 융합 방식보다 교차 어텐션 메커니즘이 문맥 정보를 더 효과적으로 학습하여 진단 성능을 향상시킨다는 것을 입증했습니다.
이 연구는 인공지능 기반 경험 기반 공동설계 (AI-EBCD) 방법론을 활용하여 당뇨병 고충을 겪는 성인들과 함께 맞춤형 가상현실 (VR) 마음챙김 애플리케이션의 설계 요구사항을 도출하고 프로토타입 개발을 위한 기초를 마련한 타당성 연구입니다.
이 논문은 LURIC 코호트 데이터를 기반으로 전통적 회귀 모델과 의료용 대규모 언어 모델 (MedLLM) 의 심혈관 질환 및 사망률 예측 성능을 비교 분석한 결과, 최적화된 프롬프트나 파인튜닝을 적용한 MedLLM 이 기존 회귀 기법 및 최신 의료 예측 모델과 경쟁력 있는 성능을 보였으나 과대 예측 경향이 있어 보정 기법이 필요함을 규명했습니다.
본 연구는 오하이오주 85 만 건 이상의 주소 데이터를 분석하여, 주소 태그 퍼지 매칭이 지오코딩 기반 접근법보다 훨씬 높은 정확도를 보이며, 특히 고밀도 및 빈곤 지역에서 지오코딩의 부정확한 매칭이 노출 평가의 편향을 초래할 수 있음을 규명했습니다.
이 논문은 각 클라이언트가 소수의 데이터만 보유하고 있는 크로스 디바이스 의료 환경에서도 클라이언트 간 통신 없이 m-of-n 샤미어 비밀 공유와 익명 집계 방식을 통해 개인 정보를 보호하면서 효율적인 연동 학습을 가능하게 하는 'PrivateBoost' 시스템을 제안하고 그 유효성을 입증합니다.
이 연구는 MIMIC-III 및 eICU-CRD 데이터베이스를 활용한 패혈증 자동 탐지 연구에서 방법론적 이질성으로 인해 동일한 데이터셋에서도 탐지율이 크게 달라질 수 있음을 규명하고, 연구의 재현성과 모델 견고성을 높이기 위해 방법론 보고의 표준화와 버전 관리된 소스 코드 공개를 권고합니다.
이 논문은 AIS 2015 코딩된 외상 데이터를 활용하여 사망 위험 (AIS-CD) 과 장기적 결과 (pFCI) 를 모두 고려한 RAPEX HARM 평가 방법을 개발하고, 이를 통해 기존 사망 위험 중심의 접근보다 포괄적인 중증도 측정이 가능함을 입증했습니다.
이 논문은 개인식별정보를 안전하게 보호하면서 비구조화된 심초음파 노트에서 예후 변수를 자동으로 추출하는 AI 파이프라인을 개발하여, 이를 중환자실 사망률 예측 모델에 통합함으로써 APACHE IV 점수보다 우수한 예측 정확도를 달성했음을 보여줍니다.
이 논문은 캡슐 네트워크가 의료 영상 분류 작업에서 CNN 및 비전 트랜스포머보다 적대적 공격에 대한 내성이 더 뛰어나며, 이는 더 안정적인 특징 인코딩과 베이즈-피어슨 라우팅을 통해 입증됨을 보여줍니다.
이 연구는 UK Biobank 의 남성 22 만 3 천여 명을 분석한 결과, 모자이크 Y 염색체 손실 (mLOY) 을 측정하는 방법 (강도 기반 vs 위상 기반) 에 따라 노화 관련 축적 패턴, 사망 위험 임계값 및 유병률 추정이 크게 달라질 수 있음을 보여주었습니다.
이 논문은 GDPR 의 삭제 권리를 준수하면서 항생제 내성 예측 모델의 재학습 비용을 획기적으로 줄이기 위해 쉐어드, 격리, 슬라이스, 집계 (SISA) 학습 프레임워크가 기존 방법보다 훨씬 효율적이고 정확도 손실은 미미함을 입증했습니다.
이 연구는 GPT-5 를 이용한 암 임상시험 자격 기준 분류에서, 요약문보다 전체 원문을 입력으로 사용할 때 추가적인 신호가 노이즈를 상쇄하고 분류 정확도를 유의미하게 향상시킨다는 것을 입증했습니다.
이 논문은 대규모 언어 모델 (LLM) 을 활용하여 CDISC SDTM 형식의 임상 시험 데이터를 자동으로 표준화하고 자연어 질의를 가능하게 함으로써, 임상 연구의 데이터 조화 및 탐색적 분석 효율성을 획기적으로 개선하는 프레임워크를 제안합니다.
이 연구는 PATH 코호트 데이터를 활용하여 원시 데이터 접근 없이 설문 변수 설명만으로 대규모 언어 모델 (LLM) 이 청소년 전자담배 사용 예측 요인을 효과적으로 선별하고, 이를 기반으로 구축된 모델이 기존 기준보다 우수한 예측 성능을 보임을 입증했습니다.
이 연구는 All of Us 프로그램의 데이터를 활용하여 임상 및 유전적 다중 모달 정보를 통합한 해석 가능한 생존 분석 모델을 개발함으로써, 간염 C 환자의 간경변증, 간세포암 및 사망 위험을 기존 섬유화 단계 평가보다 정교하게 예측하고 개인별 위험 계층화를 가능하게 함을 입증했습니다.
이 연구는 N3C 데이터를 기반으로 COVID-19 입원 환자의 사망률 예측에는 중등도의 유용성이 있으나 입원 기간 예측에는 한계가 있음을 확인하고, 불균형 데이터 처리 기법 (SMOTE) 적용 시 판별력과 보정도 간의 상충 관계를 보고하여 임상적 ML 연구에서 임계값 의존적 지표의 중요성을 강조했습니다.
이 연구는 자가면역 류마티스 질환 환자의 전자의무기록에서 대마초 사용 여부 및 사용 이유를 추출하기 위해 다양한 대규모 언어 모델 (LLM) 과 파인튜닝된 임상 모델을 비교 평가한 벤치마크 연구로, 파인튜닝된 GatorTron 모델이 사용 상태 분류에서 가장 높은 성능을 보였음을 입증했습니다.
이 연구는 임산부와 산후 여성을 대상으로 동기식 텔레헬트 CBT 와 비동기식 모바일 앱 (mindLAMP) 을 결합한 '디지털 클리닉' 모델이 우울증과 불안 증상을 통계적으로 유의미하게 감소시켰음을 보여줍니다.