분당서울대학교병원 디지털 헬스케어 AI 솔루션 개발 후기

1. 프로그램 개요

- 온라인 교육

https://snubh.elice.io/courses/758096/lectures/all

---

2. 오프라인 행사

---

3. 실습

- MIMIC-III(Demo)를 활용한 저혈압 예측

추가 실험

1. Input 변수 추가
2. Cross-validation
3. 다양한 모델 적용
   1. Transformer
   2. CNN-LSTM
   3. Pre-trained model
4. Over sampling
   1. 일반적인 방법 SMOTE
   2. LLM 모델 활용
5. 성능평가
   1. Baseline: Logistic Regression
   2. LSTM
   3. Transformer
   4. CNN-LSTM
   5. Pre-trained
6. external validation: eICU
   1. https://physionet.org/content/eicu-crd-demo/2.0.1/
7. Model explanation (SHAP)
8. streamlit web-app

---

4. 실습 결과물

- Github: https://github.com/eunchanj/mimic_project/blob/main/README.md

mimic_project/README.md at main · eunchanj/mimic_project

- Streamlit: https://hypotension-predictor.streamlit.app/

Hypotension Predictor

 

- 우수 프로젝트 수상

---

5. Lesson&Learn

1) 생체신호 데이터 처리 역량 내재화

- 복잡한 시계열 데이터(Vital Signs)를 정제하고, 60분(12 timesteps)의 과거 데이터로 15분(3 timesteps) 뒤를 예측하는 윈도우 생성 등 의미 있는 데이터로 가공하는 전 과정 체득

2) 최신 딥러닝 모델링 기술 습득

- LSTM, Transformer, CNN-LSTM 등 4개 모델을 직접 구현하고 성능을 비교하며 시계열 데이터에 대한 각 아키텍처의 장단점 파악

- SHAP 분석을 통해 모델의 예측 근거(주요 변수: MAP, Heart Rate)를 해석하고, 임상적 신뢰도를 높이는 '설명가능 AI' 기술 적용

3) 엄격한 외부 검증의 중요성 체감

- 내부 검증(MIMIC-III) 최고 성능 모델(Transformer, AUC 0.856)이 외부 검증(eICU)에서는 성능이 저하(-11.7%)되는 현상 확인

- 반면 CNN-LSTM 모델은 외부 데이터에서 오히려 성능이 향상(+9.2%, AUC 0.828)되어, 실제 임상 환경에서의 일반화 성능 확보의 중요성을 경험적으로 학습