• 목록

<발표 후기>
제목: Anatomy-Guided Pose Correction in Veterinary Radiographs
  본 연구는 수의 흉부 방사선 영상에서의 자세 교정을 위한 변형 가능 이미지 정합 방법론을 제안한다. 기존 학습 기반 정합 방법들은 이미지 전체에 균등한 유사도 가중치를 적용하기 때문에, 흉부 외 비관심 영역(non-ROI)의 변동이 최적화를 지배하여 정작 중요한 흉부 구조의 정합 품질이 저하되는 문제가 있음을 지적한다. 이를 해결하기 위해 Anatomical Saliency Prior (ASP)를 도입하여 어노테이션 없이도 해부학적으로 유의미한 영역을 자동으로 식별하고, 유사도 학습 과정에서 해당 영역에 가중치를 부여하는 방식을 제안한다. 또한 학습 초기에는 전역적 정합에 집중하다가 점진적으로 해부학적 강조를 심화하는 Progressive Anatomical Emphasis (PAE) 전략을 결합하여 최적화 안정성과 세밀한 정합 성능을 동시에 확보한다. 실험 결과, 다양한 기존 정합 백본에 적용했을 때 TRE 기준 6~17%의 성능 향상이 일관되게 관찰되었으며, 하이퍼파라미터 변화에 대한 강건성도 확인되었다. 수의 임상 환경의 레이블 희소성이라는 현실적 제약 속에서 어노테이션 없이 해부학 인식 정합을 달성했다는 점에서 실용적 의의가 크며, 향후 다른 동물 종 및 해부학적 부위로의 확장 가능성도 기대된다.

<청취 후기>
제목: Queueing Theory as Operational Physics: Toward Foundation Models for Manufacturing and Service Systems
  본 연구는 제조 및 서비스 시스템을 위한 산업용 foundation model 구축의 방향성을 논의한다. 순수한 데이터 중심 접근만으로는 실제 산업 환경이 갖는 복잡한 동적 특성을 충분히 포착하기 어렵다는 문제의식에서 출발하며, 큐잉 이론과 같은 고전적 이론 체계를 data-driven 방식과 결합해 모델의 해석력과 일반화 성능을 함께 끌어올리려는 시도가 핵심이다. 특히 제조 시스템을 flow 기반 시스템으로 재해석하고 물리적 관점에서 수식화하는 접근 방식이 인상적이었으며, domain knowledge를 inductive bias으로 활용하는 hybrid modeling의 가능성을 확인할 수 있었던 발표였다.

제목: A Multi-Modal BERT-Based Multi-Task Learning Framework for Predicting Emergency Department Patient Disposition and Length of Stay
  본 연구는 응급실 환자의 입원 여부 판정(disposition)과 재원 시간(length of stay) 예측을 단일 프레임워크 내에서 동시에 수행하는 멀티모달 멀티태스크 학습 방법론을 제안한다. 임상 현장에서 생성되는 의료 데이터는 수치형, 범주형, 자유 서술형 텍스트 등 이질적인 형태로 혼재하는 경우가 많은데, BERT 기반 언어 모델을 활용해 텍스트 데이터의 의미적 표현을 추출하고 이를 나머지 모달리티와 통합하는 구조가 특징적이다. 멀티태스크 학습을 통해 두 예측 과제 간 공통 표현을 공유함으로써 데이터 효율성과 예측 정확도를 동시에 개선하려는 설계가 흥미로웠으며, 텍스트가 풍부한 의료 데이터 환경에서 BERT 계열 모델의 실용적 적용 가능성을 확인할 수 있었던 발표였다.