올해 KIMES에서는 미국시장을 스마트하게 뚫어내고 있는 회사를 위주로 볼 예정이다. https://kimes.kr/ko KIMES 2025 제40회 국제의료기기병원설비 전시회kimes.kr PREVIEW : FDA미국에서 의료기기로 분류된 제품은 FDA 등록(Listing), 510(k) 신고, 또는 허가(Approval) 절차를 거쳐야 한다. FDA는 제품의 제조업체가 정한 '의도된 사용(Intent)' 을 기준으로 의료기기 여부를 판단한다. 따라서 의료기기 여부는 제품 자체가 아니라, 사용 목적과 마케팅 방식에 따라 달라질 수 있다. "의도"라는 말은 애매하게 느껴질 수 있는데, 예를 들어 베개를 판다고 생각해 보자.A medical device is any instrument, apparatus,..

cGAN (conditional generative adversarial nets)은 2014년에 나온 꽤 고전적인 생성모델 논문이다. NeurIPS에 출판된 GAN 논문과 달리, cGAN은 GAN에 conditioning을 추가한 정도의 architecture로 따로 출판된 적은 없으며 arxiv preprint로만 있다. https://arxiv.org/abs/1411.1784 물론 RoCGAN 등 cGAN의 후속 연구는 좋은 학술지나 컨퍼런스에 많이 실렸다. Conditional Generative Adversarial NetsGenerative Adversarial Nets [8] were recently introduced as a novel way to train generative model..

BCI 기술은 최소한의 침습으로 최대한 정교한 데이터를 얻는 것이 목표이다. 사람에게 아무런 침습적인 수술/시술 없이 얻는 신호 데이터(EEG, EMG 등)는 현재까지는 "충분한" 신호를 얻을 수 없는 것으로 알려져 있다. (여기서 "충분한" 신호란, interpretable brain signal을 말한다.) 그래서 적당한 타협을 보아 최소 침습적인 방식이 많이 연구되고 있다. 경막(dura mater)를 관통하여 칩을 삽입하는 Elon Musk의 Neuralink가 침습적인 BCI를 지향한다면, Neuralink 의 co-founding했던 Michael Mager가 세운 Precision Neuroscience는 경막을 관통하지 않는 BCI를 지향한다. 이번 포스팅에서 소개할 Synchron이라는..

전통적인 XAI 방법론은 특정 input에 대한 feature importance를 분석하는 것이 주된 목표였다. 아래와 같은 saliency map이 대표적인 예시이다. 개를 classify하는 모델을 만들 때, 중요하게 보는 픽셀들을 나타내는 것이다. 하지만 이러한 feature importance는 매우 설명력이 떨어진다. 개라는 사실을 판단하는 데 중요한 것인지, 개가 아니라는 사실을 판단하는 데 중요한 것인지 불확실하며 결국 그 feature들이 어떻게 모델의 판단에 영향을 미치는지를 알 수 없도록 한다. 본 논문에서는 아주 재미있는 방법으로 explainability에 접근하는데, 특정 feature를 점진적으로 강조하거나 소멸시켜서 언제 descision boundary를 넘냐를 보는 것이다..

Mechanistic interpretability란?최근 Explainable AI(XAI)에서 가장 핫한 주제 중 하나는 mechanistic interpretability 이다. XAI는 여러 가지 분야가 있다. SHAP, LIME으로 대표되는 설명가능성은 입력 데이터의 feature에 따라 모델이 어떤 반응을 보이는지를 모델 종류에 상관없이 설명할 수 있는 방법론(model agnostic post-hoc explainability)이고, Grad-CAM 같은 방법론은 propagation을 이용해 모델에 들어오는 input 중 어디가 결과에 많은 영향을 미쳤는지 설명하는 방법론이다. 하지만, 이런 방법론은 굉장히 high-level한 설명이며 인간이 이해하는 concept와 연결짓기 어렵다는 한..

전통적인 GCN(https://cascade.tistory.com/134)은 시간적 요소가 포함되어 있지 않고, node와 edge 관계가 고정된 상태에서 사용한다. ST-GCN은 특정 시간에서의 graph 구조 (spatial graph)와 시간에 따라 변하는 graph 구조 (temporal graph)를 모두 모델에 반영할 수 있는 모델이다. 본 포스팅에서는 Stanford 컴퓨터공학과 및  의학과 공동연구로 S.Gadgil, Qingyu Zhao et al이 2021년 저술한 ST-GCN fMRI classification 논문인 "Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis"을 리뷰할 것이다. 주요한 task : Age, ..