Our Goal

DEEPCancer는 Data Engineering and End-result Prediction for Cancer의 약자이며, 암 환자의 임상, 유전자, 치료의 데이터를 수집하고 이를 가공하여 암 환자들의 궁극적인 결과를 예측하는 플랫폼을 제공하는 것을 목표로 하고 설립되었습니다. 구체적으로 DEEPCancer platform은 다음과 같은 역할을 수행하 고자 합니다. 첫째, 암 치료와 연구를 수행하는 의료진들의 경험과 정보의 교류를 촉진 시키고, 공동 연구를 활성화하는 플랫폼을 제공합니다. 둘째, 대량의 다기관 의료 정보를 축적하여 정보의 신뢰도를 높이고, 정밀 의학을 실현하기 위한 데이터 가공 및 예측 알고리즘의 개발을 지원하는 플랫폼을 제공합니다. 셋째, 공공의 이익에 부합하기 위하여 연구 결과들을 대중 및 의료진들과 공유하기 위한 소통의 플랫폼을 제공합니다.
Our Team

우리 팀은 암 진료에 관여하는 의료진들과 임상 의학자, 통계 분석가, 그리고 컴퓨터 공학자와 기획 개발자로 구성되며 각 암 종 별로 총괄 책임자를 두고 있습니다.
Background

지난 20세기 의학의 가장 혁명적인 발전은 감염의 정복이라고 할 수 있을 것입니다. 감염의 정복은 감염 질환의 치료뿐만 아니라, 침습적 수술, 이식, 그리고 각종 임플란트 수술을 가능하게 만들었습니다. 감염의 원인을 찾고 치료하는 데에는 예방 의학과 통계 기법의 기반 없이는 불가능했을 것입니다. 기존의 통계 기법은 여 러 가지 위험 요인들을 하나씩 배제해 감으로써 발병의 핵심 요인 즉 감염원을 색출하는데 매우 유용한 기법이었습니다. 그러나, 이러한 통계 기법을 이용한 암의 원인 규명과 치료법을 규명하는 일은 현재까지 그렇게 성공적이라고 보기는 어렵습니다. 암의 발병은 매우 다양한 인자들의 복합적인 상호 관계에 의해 발생하는 것으로 알려져 있으며, 치료에 있어서도 이러한 복합적 요인을 통합적으로 고려해야만 합니다. 기존의 통계적 방법론은 복합적 다차원의 원인을 규명을 위해 매우 소모적인 임상 실험을 요구하고 있습니다. prospective randomized clinical trial이 대표적입니다. 이는 많은 비용과 시간이 필요할 뿐만 아니라, 많은 환자들의 희생이 요구됩니다. 지금 이 시점에서 우리 는 잠시 우리의 연구를 멈추고, 암 연구에서 있어서 현재 방법론의 타당성을 검증할 필요가 있습니다. 현재 임상 연구자들은 불완전한 방법론에 결과를 맞추기 위해 서 소모적이고 비윤리적인 임상 연구를 지속해야 하는지, 아니면 전혀 새로운 개념의 방법론을 찾을 것인지 중대한 기로에 서있습니다. 기계 학습은 암 질환과 같이 다차원의 복합적인 결과물을 수학적으로 분류하고 분석하는 방법입니다. 기계 학습컴퓨터 계산 능력의 향상과 deep learning 알고리 즘의 발전으로 최근 5년간 급격한 발전을 이루었으며, 통계 분석과 구별되는 예측 분석이라는 데이터 분석 기법의 새로운 영역을 형성하였습니다. 우리는 기계 학 습과 deep learning에 기반한 예측 분석이 암의 원인 규명과 치료 개발에 있어서 기존의 통계 기법의 한계를 극복 하는데 중요한 역할을 할 것으로 믿고 있습니다.