대한전자공학회에서 주최한 'ICEIC 2025 in Osaka' 국제학술대회에, Medical AI Lab실과 FDA Lab실 학생들이 다녀왔습니다.

저희 대학원 박사연구생인 '김현서' 학생과 석사연구생인 '김민수, 김응표, 황수연' 학생이 참석하여 포스터 발표를 진행하였습니다.

김현서 학생은 '식도염 진단을 지원하기 위해 딥러닝 기반의 시각화 기법인 Saliency Maps와 CAM을 활용한 연구' 에 대해 발표하였습니다. 연구에서는 DenseNet201 모델을 사용하여 정상 식도, 식도염 A, 식도염 BD, 바렛 식도를 92% 이상의 정확도로 분류하였으며, CAM 기반 시각화가 레이블 예측과 잘 일치하는 결과를 보였습니다. 또한, 향후 실시간 진단을 가능하게 하는 방법론을 제안하며, 추가 데이터 확보 후 마스크 기반 시각화 접근 방식을 구현할 계획입니다.

김민수 학생은 'StyleGAN2-ada를 활용하여 상부 위장관 내시경 이미지 생성 및 분류 성능 향상'에 대해 발표하였습니다. 실험 결과, EfficientNetB0 모델이 가장 큰 성능 향상을 보였으며, 정확도는 62.73%에서 89.28%로 증가했습니다. 이 연구는 제한된 데이터셋 문제를 해결하기 위해 GAN을 사용하여 고품질의 합성 이미지를 생성하는 방법을 제시하고 있으며, 의료 AI 기술 발전에 기여할 수 있는 가능성을 시사하고 있습니다.

황수연 학생은 'Cellpose 기반의 딥러닝을 통해 자기 나노입자가 대식세포에 미치는 형태학적 영향' 에 대한 발표를 하였습니다. 연구 결과에 따르면, 자기 나노입자 처리로 대식세포의 크기가 1.84배 증가하고, 형태학적 변동성이 커지는 등 다양한 세포 반응이 관찰되었습니다. 향후 연구에서는 대식세포의 핵-세포질 비율 변화와 자기 나노입자의 세포 형태에 미치는 영향을 심층적으로 조사할 계획입니다.

김응표 학생은 '딥러닝을 활용한 내재변동성 예측' 이라는 주제로 발표하였습니다. 이 연구에서는 옵션 가격의 예측에서 중요한 역할을 하는 내재변동성(implied volatility)을 다루고 있습니다. Black-Scholes 모델을 통해 계산되는 옵션의 이론적 가격과 실제 시장의 옵션가격을 갖게 해주는 내재변동성에 대해, 기존의 예측 모델은 비선형성과 복잡한 금융 데이터를 제대로 처리하지 못하는 한계가 있습니다. 이 연구에서는 기본적인 딥러닝 학습 모델과 랜덤 포레스트를 비교하여, 딥러닝 모델이 변동성 데이터의 복잡한 패턴을 더 잘 포착할 수 있다는 것을 발견했습니다. 향후에는 롤링 윈도우 접근법을 이용하여 과거데이터를 통해 미래를 예측할 수 있지 확인하고, 스무딩기법을 이용한 규제를 통해 보다 더 정확한 내재변동성 곡면을 만드는 것을 목표로 하고있습니다.

이번 'ICEIC 2025 in Osaka' 참가를 통해 학생들은 자신의 연구를 발표하고, 다른 연구자들과 소통하는 과정에서,

국제적인 학술 무대에서 최신 연구 동향을 파악하여 한층 더 성장할 수 있는 뜻깊은 시간이였습니다.

앞으로도 금융 및 의료 데이터 분석 분야에서 더욱 발전된 연구를 이어나가며, 실용적인 기술로 확장해 나가길 기대합니다.