의료 데이터 라벨링
의료 데이터 라벨링 현황 분석
데이터 사일로
HIS, PACS 등 중요 데이터의 상호 호환 및 공유가 어렵습니다.
데이터 가치 실현 곤란
데이터 가치 실현이 여러 어려움에 직면해 있습니다.
규정 준수 리스크
데이터는 민감도가 높아 공유 및 거래 시 규정 위반 가능성이 큽니다.
3D 데이터 복잡성
의료 영상 라벨링은 다면 재구성(MPR) 데이터 처리가 필요하며, 기존 도구는 3D 슬라이스 라벨링에서 레이어 스태킹 오류를 발생시킵니다.
MedicalDataCollaborationEcosystem圈
How we solve these challenges for you
01
데이터 수집 및 비식별화
의료 데이터 소스는 전자 의무기록, 의료 영상(CT/MRI/X-Ray), 임상 연구 데이터 등을 포함하며, 다양한 연령층, 질환 단계 및 의료기관 유형을 포괄해야 합니다. 수집 후 비식별화 처리가 필요하며, 환자 이름, 주민등록번호 등 직접 식별자를 제거하고 희귀질환 등 민감 정보를 가상화 처리합니다.
02
데이터 전처리 및 표준화
원시 데이터는 정제(중복 내용 제거, 의무기록 오타 수정, 불명확한 영상 제외) 및 포맷 변환(영상 해상도 통일, 표준화된 의료 용어 기술)이 필요합니다. 예를 들어, 다양한 벤더의 DICOM 영상을 균일한 픽셀 깊이로 정규화하고, 텍스트 데이터는 ICD-11 국제 질병 분류 표준 인코딩을 사용합니다.
03
라벨링 가이드라인 개발
의료 전문가가 라벨링 가이드를 제정하여 개체 인식 표준(예: 질환명 라벨링은 전칭, 별명 및 ICD 코드 포함)을 명확히 합니다. 라벨링 팀은 의료 배경을 갖추어야 하며, 사례 연구 실습을 통해 BIO 라벨링 방법(개체 시작/내부/외부 표시) 및 전문 도구 사용법을 숙지해야 합니다.
04
멀티모달 라벨링 실행
텍스트 라벨링: NER 기술로 의무기록 내 증상, 약물 개체를 라벨링하고 증상-질환 관계를 구축합니다.
영상 라벨링: 폴리곤 도구로 종양 경계를 라벨링하고, 병변 유형 및 세부 등급(예: 폐결절 크기/밀도)을 표시합니다.
골격점 라벨링: 관절 핵심 포인트를 위치 지정하여 재활 훈련 솔루션 수립에 활용합니다.
05
품질 관리 및 감사
3단계 품질관리(QA) 메커니즘을 채택합니다: 라벨러 자체 검사(정확도 95% 이상), 품질 검사팀 샘플링 검사(재현율 90% 이상), 의료 전문가 최종 검토. 이견이 있는 사례는 다학제 협의를 통해 라벨링 결과를 확정합니다.
06
데이터 전달 및 모델 훈련
구조화된 데이터 사양(CSV/JSON 파일 등) 및 관련 문서를 출력하며, 데이터 소스 설명, 라벨링 규칙 버전 등을 포함합니다. 전달 후 모델 검증이 필요하며, 영상 인식 모델은 ROC 곡선으로 진단 효능을 평가합니다.