Earticle

딥러닝 기반 의료 영상 판독 소견서 생성 연구는 최근 몇 년간 의료 영상 분석 분야에서 중요한 발전을 이루었으며, 주로 비전 모델과 언어 모델의 융합에 초점을 맞춰왔다. 이러한 연구는 의료 전문가들의 업무 효율성을 높이고, 진 단의 일관성을 향상시키며 오류를 줄이는 데 기여할 것으로 기대된다. 본 논문에서는 자연어 처리 기술과 의료 영상 분석 기술의 융합을 통해 흉부 방사선 영상에 대한 판독 소견서를 자동으로 생성하는 최근 연구들을 소개하고, 이를 위한 주요 딥러닝 모델과 공용 데이터셋인 MIMIC-CXR 및 IU-Xray를 활용하여 성능 비교를 수행하였다. 성능 분석 결과, MIMIC-CXR 데이터셋에서는 RGRG 모델이 BLEU-4에서 0.126의 점수로 우수한 성능을 보였으며, IU-Xray 데이터셋에서는 COMG 모델이 BLEU-4에서 0.206을 기록하였다. 연구 결과, 각 모델이 특정 지표에서 강점을 보이는 반면, 데이터 불균형 및 개인정보 보호 문제와 같은 한계가 존재함을 확인하였다. 이를 바탕으로 향 후 연구의 발전 방향을 제시하며, 이러한 기술이 임상 현장에서 실질적으로 적용될 수 있는 가능성을 논의한다.

Research on deep learning-based automatic generation of radiology reports has seen significant advancements in recent years, with a primary focus on the integration of vision and language models. These advancements are expected to enhance the efficiency of medical professionals, improve diagnostic consistency, and reduce errors. In this paper, we introduce recent studies that combine natural language processing and medical image analysis techniques to automatically generate radiology reports for chest X-rays. Using key deep learning models and public datasets, including MIMIC-CXR and IU-Xray, we conducted a comparative performance evaluation. The analysis shows that on the MIMIC-CXR dataset, the RGRG model achieved superior performance with a BLEU-4 score of 0.126, while on the IU-Xray dataset, the COMG model recorded a BLEU-4 score of 0.206. Our findings reveal that while each model excels in specific evaluation metrics, limitations such as data imbalance and privacy concerns persist. Based on these findings, we propose future research directions and discuss the potential for these technologies to be practically applied in clinical settings.

본 연구는 캘리포니아 전력거래소(California Independer System Operator, CAISO)의 익일 시장 가격 (Day-Ahead Market Price) 데이터를 활용하여 지역별 한계 가격제(Locational Marginal Price, LMP)를 예 측하기 위한 CNN-GRU 하이브리드 딥러닝 모델과 LSTM 모델을 비교하여 분석하였다. 고속 푸리에 변환(Fast Fourier Transform, FFT) 기반 노이즈 제거, 지연(Lag)·이동 평균(Rolling mean) 통계, 사인 코사인(Sine/ Cosine) 인코딩 등 시계열 전처리를 거쳐, 단기(7일)·중기(30일)·장기(90일) 예측 구간별 Optuna 자동 탐색 도 구를 통해 하이퍼파라미터를 자동 탐색하였다. 그 결과, 단기 예측에서는 LSTM이 평균 절댓값 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE)에서 다소 유리했으나, 중기· 장기 구간에서는 CNN-GRU 결합 모델이 대칭 평균 절대 백분율 오차(Symmetric Mean Absolute Percentage Error, SMAPE) 기준으로 상대적 오차를 효과적으로 제어함을 확인하였다. 향후 날씨·경제 지표 등 외부 요인을 추가 반영하고 트랜스포머(Transformer)·어텐션(Attention) 구조를 결합해 지역별 한계 가격제 예측 정확도를 더욱 높일 수 있는 후속 연구를 제안한다.

This study proposes a CNN-GRU hybrid deep learning model for forecasting the Locational Marginal Price(LMP) using Day-Ahead Market Price data from the California Independent System Operator(CAISO). The time series data underwent preprocessing steps, including FFT-based noise reduction, Lag and Rolling statistics, and Sine/Cosine encoding. Hyperparameters were automatically optimized using Optuna for short-term(7-day), mid-term(30-day), and long-term(90-day) forecasting horizons. While LSTM slightly outperformed in MAE and RMSE for short-term forecasts, CNN-GRU better controlled SMAPE in mid- and long-term predictions. Future research will explore integrating external factors such as weather and economic indicators, as well as incorporating Transformer and Attention mechanisms to further enhance LMP forecasting accuracy.

최근 발전한 언어 모델을 이용하여 다양한 전문 분야의 연구에 활용하고자 하는 시도가 계속되고 있다. 본 논문에서 는 경영학 도메인에 특화된 경량 언어 모델을 이용하여 경영학 논문의 초록을 이해하고 향후 연구에 도움이 될 수 있음을 보였다. 먼저, 경영학에 특화된 언어 모델의 논문 초록 문장에 대하여 Perplexity로 측정되는 이해도가 특 화되지 않은 모델에 비해서 60% 정도 향상되었음을 보였다. 이를 이용하여 각 논문의 유사도를 비교함으로써 학술 지 사이의 관계를 파악하였다. 마지막으로 특화 모델이 경영학적으로 의미를 갖는 단어를 선택함에 있어서 70%의 정확도를 보였는데, 이는 학문적인 가설 도출이나 지식 축적에 도움이 될 수 있다. 본 논문의 결과는 대규모 모델을 사용하기 어려운 경영학 분야의 연구뿐만 아니라 다른 전문 분야의 연구에도 적용되어, 학문과 기술의 발전을 가속 화 할 수 있을 것으로 기대된다.

Recent advancements in language models have led to ongoing efforts to apply them in various specialized research fields. In this paper, we demonstrate the potential of lightweight language models specific in the domain of management to understand the abstracts of research papers. First, we show that the understanding of sentences in abstracts by the specific language models improve by approximately 60% compared to general models. Using these models, the similarities between papers were compared, revealing relationships among academic journals. Finally, the specific models achieve an accuracy of 70% in selecting words that are meaningful in management contexts, which could assist in formulating academic hypotheses and accumulating knowledge. The findings of this paper are expected to apply not only to research in the field of management but also to other specific fields, thereby accelerating the advancement of academia and technology.

본 연구는 딥러닝을 바탕으로 군용객체를 검출하고, 포신을 갖고 있는 객체에 대해 포신을 제외한 몸체 영역을 추정 하는 시스템을 개발한다. 이를 위해 전차, 장갑차, 사람 객체의 클래스로 구성된 데이터셋을 구축한다. 특히, 전차 클래스는 주로 원격조종 전차를 촬영하여 얻은 데이터로 구축되고, 전체 데이터셋은 객체 탐지를 위해 YOLOX 검 출기의 학습과 테스트에 이용된다. 전차 클래스로 검출된 객체는 검출된 영역을 분리하고 영역의 하단 부분을 여러 개의 셀로 나눈다. 그 후, 각 셀의 RGB 히스토그램의 분포를 계산하고 셀 간의 유사도를 통한 스펙트럼 군집화를 적용하여 몸체와 배경을 분류한다. YOLOX-L 모델을 사용하였을 때 IoU 0.5에서 89.2%의 AP 결과를 얻었으며, 포신을 제외한 군용객체의 몸체 부분을 인식하는 것을 보였다. 본 연구에서 개발된 기술을 바탕으로 방위 시나리오 에서의 객체 탐지 능력을 향상시키고, 상대 전차의 몸체 부분을 바탕으로 포탑 구동을 통해 정확한 조준 및 포격하 는데 활용된다.

This study develops a system that detects military objects based on deep learning and estimates the bodies of military objects excluding gun barrels. For this purpose, we build a dataset consisting of classes of tanks, panzers, and human objects. In particular, the tank class mainly consists of data obtained by capturing remotely controlled tanks, and the entire dataset is used for training and testing of YOLOX detector for object detection. An object detected as the tank class is segmented into a regions of interests, and the lower part of the image is divided into several cells. After the distribution of the RGB histogram in each cell is computed, spectral clustering through similarity between histograms of cells is applied to classify the body and background. For YOLOX-L, we achieve 89.2% AP 50, and show that the body parts of military objects excluding the gun barrel are well recognized. The proposed system not only improves the ability to detect objects in defense scenarios, but also accurate aiming and artillery fire are achieved by driving the turret based on the body parts for opposing tanks.

고령화 사회에서 치매 환자가 빠르게 증가함에 따라 조기 진단 및 예측의 중요성이 커지고 있다. 본 연구는 2013년 부터 2025년까지 발표된 치매 관련 머신러닝 및 딥러닝 연구를 대상으로 시계열·네트워크 분석을 통해 기술 확산과 발전 경로를 규명하였다. PubMed 데이터베이스에서 수집한 8,422편의 문헌을 기반으로 키워드 빈도, 클러스터, 연결중심성 분석을 수행하여 연구의 구조와 핵심 주제를 도출하였다. 분석 결과, ‘humans’, ‘alzheimer disease’, ‘machine learning’은 전 기간에 걸쳐 높은 중심성을 유지하였으며, 시기별로는 초기 영상처리 기반 연구에서 분자 생물학 연구를 거쳐 환자 중심의 임상·공중보건 연구로 발전하는 경향을 보였다. 4개의 주요 연구 클러스터(의료영 상 분석, 분자생물학·유전학, 역학·임상 데이터 분석, 노인 돌봄·기술 활용)가 식별되었으며, 각 클러스터는 독립적 이면서도 상호 연계된 구조를 형성하였다. 이러한 결과는 치매 연구가 AI 기반 기초·응용 기술의 확산과 함께 융합 적·실용적 연구로 진화하고 있음을 보여주며, 향후 치매 연구의 전략적 방향을 설정하는 데 유용한 시사점을 제공할 것으로 기대된다.

As the population ages, the importance of early diagnosis and prediction of dementia is growing. This study investigated the diffusion and development trajectory of machine learning and deep learning technologies in dementia research from 2013 to 2025 through time-series and network analyses. Based on 8,422 publications retrieved from the PubMed database, keyword frequency, clustering, and degree centrality analyses were conducted to identify the structural and thematic landscape of the field. Results showed that ‘humans,’ ‘Alzheimer disease,’ and ‘machine learning’ consistently held high centrality, with research trends evolving from early image-processing-based studies to molecular biology and, more recently, to patient-centered clinical and public health applications. Four main research clusters were identified—medical image analysis, molecular biology/genetics, epidemiology and clinical data analysis, and elderly care/technology utilization—forming an interconnected yet distinct structure. These results indicate that dementia research is evolving into integrative and practical studies alongside the spread of AI-based basic and applied technologies, and are expected to provide useful insights for setting strategic directions for future dementia research.

최근 Android OS가 차량 인포테인먼트 시스템인 Android Automotive OS(AAOS)로 확장되면서 이를 탑재한 차량이 빠르게 증가하고 있다. 그러나 이러한 변화는 OS의 취약점을 악용한 악성 앱 설치와 권한 탈취를 통한 CAN 패킷 주입 등의 보안 위협을 초래할 수 있다. 본 연구에서는 AAOS 기반 차량의 보안 강화를 위해 악성 앱과 악성 CAN 패킷을 동시에 탐지할 수 있는 클라우드 기반 통합 보안 소프트웨어 프레임워크를 설계하였다. 제안된 프레임워크는 시그니처 기반 및 기계학습 기반 탐지를 결합한 악성 앱 탐지 모듈과 CAN 패킷의 필드 값 패턴을 분 석하는 악성 CAN 패킷 탐지 모듈로 구성된다. 이 모듈들은 차량 인포테인먼트 시스템에 단일 에이전트로 설치되어 실시간 탐지를 수행하며, 클라우드 자원을 활용한 분산 처리를 통해 차량의 제한된 연산 자원 문제를 해결한다. 본 연구는 차량 내 악성 소프트웨어와 네트워크 공격에 대한 통합 탐지 체계를 제시함으로써 AAOS 탑재 차량의 보안 성 강화에 기여할 것으로 기대된다.

Recently, as Android OS evolves into Android Automotive OS (AAOS) for in-vehicle infotainment systems, the number of vehicles adopting this system is rapidly increasing. However, this shift introduces security vulnerabilities that can be exploited to install malicious apps or inject CAN packets through privilege escalation. This study designs a cloud-based integrated security software framework for AAOS-based vehicles that can simultaneously detect both malicious apps and CAN packets. The proposed framework consists of a malicious app detection module combining signature-based and machine learning-based detection approaches and a malicious CAN packet detection module that analyzes field value patterns in CAN packets. These modules operate as a single agent installed on the vehicle's infotainment system for real-time detection, while addressing the limited computational resources of vehicles through distributed processing with cloud computing. This research contributes to enhancing the security of AAOS-equipped vehicles by providing an integrated detection system for both in-vehicle malicious software and network attacks.

급속한 기술 발전으로 생성형 AI가 교육에 새로운 가능성을 제시하고 있으나, 기존 연구는 정규 교육과정 학생들에 편중되어 있다. 본 연구는 평생 학습자와 전공 학생 간 협력을 통한 생성형 AI 교육 모델을 제시한다. 교육 모델은 컴퓨팅 사고력의 핵심 요소인 추상화, 알고리즘, 프로그래밍, 디버깅을 기반으로 구성하고, 페어 프로그래밍을 도입 하여 세대 융합적 지식 공유를 촉진한다. 주요 특징은 생성형 AI 엔진을 교육용 파이프라인에 통합하여 평생 학습자 의 경험을 활용한 개인화 콘텐츠 창작과 전공자의 기술 지원을 통한 디지털 역량 강화에 있다. 교육 모델의 효과성 검증을 위해 평생 학습자 10명과 전공자 5명을 대상으로 실제 교육을 진행한 결과, AI 기술 활용 능력의 유의미한 향상과 협력 학습을 통한 세대 간 지식 공유의 효과성이 확인되었다. 본 연구는 AI 시대 평생교육의 새로운 방향을 제시한다는 점에서 의의가 있다.

Generative AI presents new opportunities in the field of education. However, previous studies have predominantly focused on students in formal education settings. This study proposes an education model that facilitates generative AI learning through collaboration between lifelong learners and university students majoring in related disciplines. The model consists of the core components of computational thinking:abstraction, algorithms, programming, and debugging, and incorporates pair programming to promote effective intergenerational knowledge exchange. A core feature is the integration of a generative AI engine into the educational pipeline, enabling personalized content creation that draws on lifelong learners’ experiences while enhancing digital competencies through expert technical support. To evaluate the effectiveness of the model, an educational program was implemented with 10 lifelong learners and 5 student participants. The results demonstrated a significant improvement in AI technology utilization and confirmed the value of collaborative learning in fostering intergenerational knowledge sharing. This study offers meaningful insights into the future direction of lifelong education in the era of AI.

본 연구는 다양한 장비를 사용하는 공장 데이터를 기존 설비를 최대한 사용하면서 저비용 IoT 장치인 라즈베리 파 이와 ESP32로 모니터링 시스템을 구축하고 취득된 소리 데이터를 분석하여 이상 탐지를 수행하는 방법을 제안한 다. MIMII 데이터셋을 기반으로 정상 범위에서 벗어나는 소리를 탐지하기 위해 하이퍼파라미터와 신경망을 조정 한 모델, 노이즈 문제 해결을 위한 디노이징 오토인코더를 사용한 모델, 데이터 희소성 해결을 위해 서로 다른 SNR 데이터를 혼합한 모델의 성능을 비교한다. 결과를 바탕으로 각 설비에서 최적의 모델을 선정한 뒤 라즈베리 파이에 배포하고 이상 탐지를 수행하며 ESP32로 에러율을 PLC에 기록하고 HMI와 PLC 사이의 통신을 감청한 후 프로토콜에 따라 해석하여 필요한 데이터를 클라우드 플랫폼으로 전송 및 시각화하는 아키텍처를 제안한다. 이 를 통해 사용자는 설비의 실시간 모니터링과 이상 탐지를 수행할 수 있으며 운영자는 경제적인 스마트 팩토리 전 환이 가능하다.

This study proposes a method for anomaly detection by constructing a monitoring system utilizing low-cost IoT devices, such as Raspberry Pi and ESP32, while maximizing the use of existing equipment in factories that operate various machinery. The system collects and analyzes sound data to detect anomalies. To detect abnormal sounds deviating from the normal range, we compare the performance of three models: one that adjusts hyperparameters and neural networks based on the MIMII dataset, another that employs a denoising autoencoder to address noise issues, and a third that combines data with different SNR levels to mitigate data sparsity problems. Based on the experimental results, the optimal model for each type of equipment is selected and deployed on a Raspberry Pi for anomaly detection. The ESP32 records the calculated error rate in the PLC, and the communication between the HMI and PLC is intercepted and interpreted according to the protocol. The extracted data is then transmitted to a cloud platform for visualization. This approach enables users to monitor factory equipment in real time and detect anomalies, allowing operators to transition to a cost-effective smart factory system.

현대 도시 환경에서 공공장소의 안전 관리는 점점 더 복잡하고 중요한 사회적 과제로 부각되고 있다. 본 연구는 딥러 닝 및 컴퓨터 비전 기술을 활용하여 도시 공원 내 위법 행위를 실시간으로 탐지하고 대응할 수 있는 스마트 AI CCTV 시스템을 제안한다. 기존의 이상행동 관련 데이터세트는 대부분 실내 환경이나 일반적 행동에 초점을 맞추고 있어, 실외 공원에서 발생하는 ‘흡연’, ‘음주’와 같은 특정 위법 행위를 인식하는 데 한계가 있었다. 이를 보완하기 위 해 본 연구에서는 야외 공원 환경에서 수집된 영상을 기반으로 새로운 행동 인식 및 주류 탐지 데이터세트를 구축하 였다. 제안된 시스템은 객체 탐지와 행동 인식 알고리즘을 통합하여 흡연, 음주, 비정상적 군집 활동을 효과적으로 식별하며, 다중 검증 절차와 경보 메커니즘을 통해 실시간 대응이 가능하도록 설계되었다. 실험 결과, YOLOv6 기 반 주류 탐지 모델은 평균 mAP 81.72%의 성능을 기록하였다. 행동 인식 모델(MVD)은 평균 F1-score 기준으로 85.37%의 성능을 보였으며, 술병 탐지 결과를 결합한 경우 평균 F1-score는 88.93%까지 향상되었다. 야외 공원 환경에서 진행된 현장 실험에서도 평균 F1-score 86.5%를 달성하여 실제 환경에서도 우수한 성능을 입증하였다. 본 연구는 야외 환경에서도 안정적으로 작동하는 인공지능 기반 위법 행위 감지 시스템을 구현함으로써, 공공장소 안 전 관리의 실효성을 크게 향상시킬 수 있는 기술적 기반을 제시한다. 또한, 제안된 시스템은 유연하고 확장 가능한 구조를 바탕으로 향후 다양한 환경과 상황에 적용 가능하며, 스마트시티 기술 발전에 실질적으로 기여할 수 있다.

Ensuring safety in public spaces has become an increasingly complex and critical issue in modern urban environments. This study proposes a smart AI CCTV system that leverages deep learning and computer vision technologies to detect and respond to illegal activities in urban parks in real time. While existing datasets for abnormal behavior recognition primarily focus on indoor environments or general actions, they lack coverage of specific violations such as smoking and drinking in outdoor public spaces. To address this gap, we construct new datasets collected from real park environments, including detailed annotations for smoking and drinking behaviors as well as liquor bottle detection. The proposed system integrates object detection and action recognition algorithms to effectively identify smoking, drinking, and abnormal crowd behavior. It also incorporates a multi-stage verification process and an alert mechanism to enable timely responses. Experimental results demonstrate that the YOLOv6-based liquor detection model achieved an average mAP of 81.72%, while the action recognition model (MVD) reached an average F1-score of 85.37%. When liquor detection was combined with action recognition, the overall F1-score improved to 88.93%. Furthermore, field experiments conducted in actual park settings confirmed the system’s robustness, achieving an average F1-score of 86.5%. This research presents a practical and reliable AI-based solution for detecting unlawful behavior in public spaces, contributing to the advancement of smart city safety management. The system's flexible and scalable architecture also supports future extensions to various environments and detection scenarios.

복부 CT영상에서 세번째 요추부 (L3) 슬라이스 검출은 복부 내장 지방 및 근육량을 측정하는데 주로 선행되는 작 업이다. 최근에 딥러닝을 이용하여 L3 슬라이스를 자동으로 검출하는 연구가 활발히 진행되고 있다. Axial 슬라이 스 영상에서 L3인지 아닌지 분류하는 이진 분류기 방식이 보고되고 있는데, L3 슬라이스 부족으로 인한 클래스 불 균형 문제를 완화하고자 하는 시도가 있었다. 본 논문에서는 최근에 의료영상 분야에 활용도가 높은 생성형 인공지 능 모델을 이용하여L3 슬라이스 영상을 생성함으로써 불균형 문제를 완화했을 때, 모델의 성능에 영향을 주는지 비 교 분석한다. 공개데이터인 VerSe 데이터셋을 이용하여 axial 영상의 데이터를 추출한 후 전처리 작업을 거쳐 5-fold 교차검증으로 딥러닝 모델을 학습하고 학습에 관여하지 않은 테스트 데이터셋으로 성능을 평가하였다. 검증 결과 DCGAN, IDDPM 방식의 딥러닝 기반의 생성모델을 이용한 데이터 증강이 전통적인 데이터 증강 방식보다 분류기 성능이 향상됨을 보여준다. 결론적으로 L3 슬라이스 검출 성능을 높이기 위해 데이터 증강을 수행하고 이를 위해 전통적인 방법보다는 생성형 인공지능 모델을 이용한 방식을 사용할 것을 권장한다.

The identification of the third lumbar vertebra (L3) slice in abdominal computed tomography (CT) is a usual prerequisite for the measurement of visceral adipose tissue and muscle in the abdomen. Recently, there have been active research studies using deep learning to automatically identify the L3 slice. A method for binary classification on axial slices has been reported, and trials have been made to alleviate the issue of class imbalance caused by the scarcity of the L3 slices. In this paper, generative neural network models, highly utilized in medical imaging, are considered for the generation of the L3 images to address the class imbalance issue. A comparative analysis is performed to investigate the effectiveness of the generative neural network models in improving the model’s prediction performance. We utilized publicly available VerSe dataset, where the subjects’ axial slice data were extracted. Weper formed image pre-processing, followed by a 5-fold cross-validation for model development. Finally, we evaluated the performance on unseen test data. Our results indicated that data augmentation based on DCGAN and IDDPM model sresulted in higher F1-scores than those obtained by traditional data augmentation. Therefore, we recommend the use of generative AI models rather than traditional data augmentation methods to improve the L3 slice identification performance.