README
🖥️ Data Egineering Project
📕 빅데이터 기반 의료 AI 서비스 (가제 : Dr.RC)
📌 주요 기능 (Description)
📗 증상을 채팅으로 상담해 병(결과)을 도출하고 결과에 따른 다양한 서비스 운용. ✓
📗 위치 기반 병원, 약국 추천 / 약 성분 조회 등. ✓
📗 증상 별 병원 진료과 안내 기능. ✓
📌 부가 기능
📗 예상 진료비 예측, 계산.
📗 실시간 상담 내용 중 가장 많은 증상, 병명 등을 조회해서 실시간 랭킹.
📗 날씨나 다른 환경적인 요인에 따른 유의 할 병과 그에 대한 증상 조회.
📗 병명을 검색하면 그에 대한 증상을 백과사전 처럼 만들어 간단하게 자가진단 할 수 있는 기능.
✓ : 중요도 높은 항목.
서비스의 내용은 상황에 따라 변동이 있을 수 있음.
✅ 주제 선정 이유
" 네이버 지식인에 1년간 자신의 증상을 질문하는 건 수만 15만 건이 넘는다는 논문을 확인하였고,
Electronic patient message는 의학적 지식을 묻는 경우도 높다.
그럼에도 의료 소비자의 정보 획득과 판단에 도움을 줄 수 있는 인공지능과 플랫폼에 대한 관심이 상대적으로 적다.
네이버 지식인의 질문 건수를 판단하건대 의료소비자들에게 의료 정보 적합한 의료 정보의 제공이 필요하다는 반증이기도 하여
소비자가 간단하게 또 편리하게 자신의 증상을 입력해 적절한 의료 정보 제공을 받을 수 있는 플랫폼을 구축하고자 한다.
이로써 의료 소비자의 정보 획득과 판단에 많은 도움을 줄 수 있기를 기대한다. "
✅ 기대 효과
- patient message에 보조적으로 활용할 가능성이 높다.
- 불필요한 의료 리소스의 낭비를 줄일 수 있다.
- 병원 접근성이 떨어지는 취약 집단에게 chat bot을 통한 의료 형평성을 증대할 수 있다.
- 즉각적인 반응을 얻을 수 있어, 치료 순응도, 복용 순응도를 증대 시킬 수 있을 것이라 기대한다.
⏰ 개발 기간
📅 24.02.07 ~ 24.03.24
👥 팀원 구성 및 소개 (Introduce)
👭 팀명 : "/.bashrc"
🤷🏻♂️ 배민석 / 팀장
⚙️ 개발 환경 (Environment)
-
AWS EC2
-
m5.xlarge (Main server)
-
t2.xlarge (Sub server)
-
mac os m2 (16, 512) * 2
-
mac os m3 (16, 512) * 1
-
Hardware: We utilized an A100 * 1 for training our model
💻 개발 version
- 냉무
자세한 버전은 requirment 파일로 기재.
👨🏻💻 사용 기술
🗣️ 협업 도구
⚒️ 개발 툴
🏛️ 설계
📗 WBS
- WBS
- 대략적인 일정과 todo 리스트를 기재.
📗 GitHub Project Loadmap
- GitHub Project Page : medical project
- 프로젝트 과정에 모든 이슈과 loadmap 자세하게 기록.
📗 System Architecture
📗 Web Architecture
📗 MLOps Architecture
✓ 한계점
❗️프로젝트를 진행 전 생각해 보는 한계점
- 데이터 셋의 질의응답은 실제 진료 환경과 매우 다를 수 있다.
- 환자에 대한 사전 정보가 없어 결과의 신뢰성이 떨어진다.
- 의료 AI의 오류에 대한 철저한 검증 해결이 필요하다.
- 결과에 대한 신뢰성이 부족하다.
❗️프로젝트를 진행하면서 느끼는 한계점
- open source model로 기업용 api의 성능을 뽑아내기 매우 어렵다. (제한된 환경, 리소스)
- 의료 데이터는 개인 정보가 포함된 만큼 데이터를 구하기 매우 어렵다.
- 결과에 신뢰성을 줄 수 있는 장치가 필요하다. (적어도 5명의 전문가가 답변을 평가하는 등등 ..) + 이 부분은 더 많은 아이디어가 필요하다.
- LLM model hallucination 문제 (RAG 모델로 해결이 가능할 듯)
- RAG model을 사용한다면 어떠한 외부 데이터로 vector store를 만들어 참조하게 할 지에 대한 문제 ( 신뢰성 있는 데이터가 필요 )
🔗 참고
hugging face solar model
ko_LLM leaderboard
한국빅데이터학회지 : 환자의 주관적 증상 텍스트에 관한 논문
Llama2 기반 korean model
그외 더 많은 참고자료
📞 문의
😀 vote
📅 Daily Scrum
- [회의기록](https://github.com/jms0522/Medical-project/discussions/68)
Contributors
Similar repos
Languages
Jupyter Notebook
99.6%
README
🖥️ Data Egineering Project
📕 빅데이터 기반 의료 AI 서비스 (가제 : Dr.RC)
📌 주요 기능 (Description)
📗 증상을 채팅으로 상담해 병(결과)을 도출하고 결과에 따른 다양한 서비스 운용. ✓
📗 위치 기반 병원, 약국 추천 / 약 성분 조회 등. ✓
📗 증상 별 병원 진료과 안내 기능. ✓
📌 부가 기능
📗 예상 진료비 예측, 계산.
📗 실시간 상담 내용 중 가장 많은 증상, 병명 등을 조회해서 실시간 랭킹.
📗 날씨나 다른 환경적인 요인에 따른 유의 할 병과 그에 대한 증상 조회.
📗 병명을 검색하면 그에 대한 증상을 백과사전 처럼 만들어 간단하게 자가진단 할 수 있는 기능.
✓ : 중요도 높은 항목.
서비스의 내용은 상황에 따라 변동이 있을 수 있음.
✅ 주제 선정 이유
" 네이버 지식인에 1년간 자신의 증상을 질문하는 건 수만 15만 건이 넘는다는 논문을 확인하였고,
Electronic patient message는 의학적 지식을 묻는 경우도 높다.
그럼에도 의료 소비자의 정보 획득과 판단에 도움을 줄 수 있는 인공지능과 플랫폼에 대한 관심이 상대적으로 적다.
네이버 지식인의 질문 건수를 판단하건대 의료소비자들에게 의료 정보 적합한 의료 정보의 제공이 필요하다는 반증이기도 하여
소비자가 간단하게 또 편리하게 자신의 증상을 입력해 적절한 의료 정보 제공을 받을 수 있는 플랫폼을 구축하고자 한다.
이로써 의료 소비자의 정보 획득과 판단에 많은 도움을 줄 수 있기를 기대한다. "
✅ 기대 효과
- patient message에 보조적으로 활용할 가능성이 높다.
- 불필요한 의료 리소스의 낭비를 줄일 수 있다.
- 병원 접근성이 떨어지는 취약 집단에게 chat bot을 통한 의료 형평성을 증대할 수 있다.
- 즉각적인 반응을 얻을 수 있어, 치료 순응도, 복용 순응도를 증대 시킬 수 있을 것이라 기대한다.
⏰ 개발 기간
📅 24.02.07 ~ 24.03.24
👥 팀원 구성 및 소개 (Introduce)
👭 팀명 : "/.bashrc"
⚙️ 개발 환경 (Environment)
-
AWS EC2
-
m5.xlarge (Main server)
-
t2.xlarge (Sub server)
-
mac os m2 (16, 512) * 2
-
mac os m3 (16, 512) * 1
-
Hardware: We utilized an A100 * 1 for training our model
💻 개발 version
- 냉무
자세한 버전은 requirment 파일로 기재.
👨🏻💻 사용 기술
🗣️ 협업 도구
⚒️ 개발 툴
🏛️ 설계
📗 WBS
- WBS
- 대략적인 일정과 todo 리스트를 기재.
📗 GitHub Project Loadmap
- GitHub Project Page : medical project
- 프로젝트 과정에 모든 이슈과 loadmap 자세하게 기록.
📗 System Architecture
📗 Web Architecture
📗 MLOps Architecture
✓ 한계점
❗️프로젝트를 진행 전 생각해 보는 한계점
- 데이터 셋의 질의응답은 실제 진료 환경과 매우 다를 수 있다.
- 환자에 대한 사전 정보가 없어 결과의 신뢰성이 떨어진다.
- 의료 AI의 오류에 대한 철저한 검증 해결이 필요하다.
- 결과에 대한 신뢰성이 부족하다.
❗️프로젝트를 진행하면서 느끼는 한계점
- open source model로 기업용 api의 성능을 뽑아내기 매우 어렵다. (제한된 환경, 리소스)
- 의료 데이터는 개인 정보가 포함된 만큼 데이터를 구하기 매우 어렵다.
- 결과에 신뢰성을 줄 수 있는 장치가 필요하다. (적어도 5명의 전문가가 답변을 평가하는 등등 ..) + 이 부분은 더 많은 아이디어가 필요하다.
- LLM model hallucination 문제 (RAG 모델로 해결이 가능할 듯)
- RAG model을 사용한다면 어떠한 외부 데이터로 vector store를 만들어 참조하게 할 지에 대한 문제 ( 신뢰성 있는 데이터가 필요 )
🔗 참고
hugging face solar model
ko_LLM leaderboard
한국빅데이터학회지 : 환자의 주관적 증상 텍스트에 관한 논문
Llama2 기반 korean model
그외 더 많은 참고자료
📞 문의
😀 vote
📅 Daily Scrum
- [회의기록](https://github.com/jms0522/Medical-project/discussions/68)
Similar repos
Contributors
Languages
Jupyter Notebook
99.6%