개강일 지남
AI 기반 바이오헬스케어 전문가 양성과정
성균관대학교산학협력단 · 1회차 · 경기 수원시
클라우드AWS딥러닝K-디지털
프로그램 요약
- 수업일정
- 2026.08.11 ~ 2027.01.19약 5개월
- 모집정원
- 30명
- 총 시간
- 800시간
- 학습장소
- 경기경기도 수원시 장안구 서부로 2066오프라인
- 강의장
- 성균관대학교
- 수강료
- 미공개 상담 시 확인
출처 · 고용24 등록값 · 기관 표기분은 별도 표시
어떤 분이 수강하면 좋을지
- ✓전공·학력 무관 — K-디지털 트레이닝은 제도상 전공을 보지 않습니다
- ✓이공계 전공(바이오공학, 의학, 약학, 생물학, 화학)
- ✓제약바이오 관련 기초 전공 지식 보유자
- ✓파이썬 관련 기초 지식 보유자
출처 · 기관 랜딩페이지 · 제도 요건
커리큘럼
고용24 등록 교과목 28개 보기
- 클라우드 AI 기초- AWS 클라우드 기본 개념 이해 - S3, IAM, SageMaker 핵심 서비스 이해 - AWS Health 포트폴리오/ SageMaker Studio, MIMIC-IV 오픈데이터 기반 실습 환경 구성
- 헬스케어 AI 파이프라인 설계- S3, Athena, Glue 기반 데이터 엔지니어링 개념 학습 - MIMIC-IV 데이터 활용 재입원 예측 문제 정의 - SQL 분석 및 데이터 처리 흐름 실습
- 생성형 AI 애플리케이션 개발- Amazon Bedrock과 프롬프트 기초 학습 - Claude Vision 기반 CXR 해석 학습 - 멀티모달 프롬프팅과 RAG 개념 활용한 생성형 AI 애플리케이션 구조 실습
- AI 서비스 운영 배포- SageMaker Training Job 활용 모델 학습 인프라 이해 - CXR 이상 탐지 모델 구축 GPU 학습, Spot Instance 활용 등 운영·배포 방안 실습
- 의료 AI 보안 규제- HIPAA on AWS, KMS, Security Engineering 등 의료 AI 보안 기본 개념 학습 - 의료 데이터와 AI 서비스 운영 시 필요한 보안·규제 대응 방안 PBL
- 데이터 파이프라인 구축- AWS Glue, DynamoDB, Lambda 기반 데이터 파이프라인 구성 개념 학습 - Data Engineering on AWS 기반 데이터 카탈로그 및 운영 자동화 흐름 실습
- 클라우드 아키텍처 설계- AWS Cost Explorer, Spot Instance 등 활용 비용 최적화 개념 학습 - Architecting on AWS 기반 프로덕션 운영 전략과 클라우드 아키텍처 설계
- AWS 커리어 런치패드- 헬스바이오 AI 직무 포트폴리오 전략 수립 - AWS PBL 미니 프로젝트 포트폴리오화 방법과 현직자 멘토링
- M1. 바이오·헬스케어 AI 직무 이해- 헬스케어 AI 산업 동향 및 글로벌 시장 흐름 의료 도메인의 데이터 특수성 이해 - 환자 프라이버시와 의료 데이터 비식별화 - 헬스케어 AI 엔지니어의 역할과 임상의·연구자와의 협업 구조 - 의료 AI 시스템의 책임성과 윤리 - AI 모델 개발자와 임상 적용 검증자의 역할 차이 - 헬스케어 AI의 대표 활용 사례 분석
- M2-1. 헬스케어 정형 데이터 (EHR/MIMIC-IV)-MIMIC-IV 데이터셋 구조 분석 -환자 단위 시퀀스 데이터 구성 실습 -의료 코드 처리 임베딩 변환 -검사 수치 정규화 및 단위 통일, 정상 범위 기반 이상값 처리 -결측치 처리 전략 -코호트 정의 실습 (예: 패혈증 환자, 사망 예측 대상군)
- M2-2. 헬스케어 데이터 라벨링·품질 관리-의료 데이터 라벨링 기준 수립 -클래스 불균형 처리 -라벨 노이즈 탐지 및 수정 워크플로우 -데이터셋 분할 시 환자 단위 분할의 중요성 -데이터 품질 개선 전·후 모델 성능 비교 분석
- M3-1. 의료영상 데이터 기초 (DICOM)-DICOM 포맷 구조 분석 및 메타데이터 추출 -의료영상 모달리티별 특성 -윈도잉(Windowing), HU값, 정규화 등 의료영상 전처리 기법 -NIfTI 포맷과 3D 의료영상 처리 -데이터 증강(Augmentation) 기법
- M3-2. 의료영상 분류 모델 구현-CXR(흉부 X-ray) 데이터 기반 다중 라벨 질환 분류 모델 구현 -ResNet, DenseNet, EfficientNet, ViT 기반 비교 실습 -Transfer Learning 전략 (ImageNet → 의료영상 도메인 적응) -Grad-CAM, Saliency Map을 활용한 모델 해석 시각화 -AUC, Sensitivity, Specificity 등 의료 평가지표 활용ㄷ -알약 이미지 분류 미니 실습 (의약품 식별 AI)
- M3-3. 의료영상 세그멘테이션·디텍션-U-Net, U-Net++, nnU-Net 기반 의료영상 세그멘테이션 -뇌 MRI 영역 분할 실습 (병변·해부학적 구조) -CT 간암 종양 영역 세그멘테이션 실습 (Dice/IoU 평가) -Detection 모델 (YOLO, RetinaNet)을 활용한 결절·병변 탐지 -후처리: 연결성분 분석, 형태학적 연산, 임계값 최적화
- M4-1. 임상 시계열·바이오시그널-ICU 모니터링 데이터(혈압·심박·산소포화도) 시계열 처리 -ECG·EEG 신호 처리 기초 (필터링, 주파수 영역 분석, FFT) -MIMIC-IV ECG 데이터 활용 부정맥 분류 실습 -시계열 결측 대응 -시계열 윈도우 구성 및 라벨링 전략
- M4-2. 시계열 딥러닝 모델 구현-LSTM, GRU, Temporal CNN 기반 임상 예측 모델 -Transformer 기반 시계열 모델 (Time-Series Transformer) -패혈증 조기 경보, 사망률 예측 등 임상 위험 예측 실습 -모델 해석 (Attention 시각화, SHAP for time-series) -Early warning 시스템의 운영 관점 평가 (False alarm rate)
- [P1] CXR 흉부 질환 다중 분류 프로젝트[활용 데이터] -MIMIC-CXR-JPG 또는 NIH ChestX-ray14 공개 데이터셋 [세부내용] -CXR 영상 데이터 구조 분석 (DICOM 메타데이터, 영상 품질) -14개 흉부 질환 다중 라벨 정의 및 라벨 품질 검토 -데이터 전처리 파이프라인 구축 (윈도잉, 정규화, 증강) -DenseNet/EfficientNet/ViT 모델 비교 실험 -환자 단위 분할 적용한 학습/검증/테스트 셋 구성 -AUC, Sensitivity@Specificity, F1 등 의료 지표 기반 평가 -Grad-CAM 기반 모델 판단 근거 시각화 -임상 적용 시나리오 가정한 운영 검토 [프로젝트 산출물] -CXR 다중 질환 분류 AI 모델 (학습 코드 + 가중치) -학습·검증 리포트 (지표 기반 모델 비교) -Grad-CAM 시각화 결과 보고서 -임상 적용 시나리오 분석 문서
- M5-1. 멀티모달 데이터 융합 설계-멀티모달 데이터 정합 (영상-텍스트-수치 데이터 시간/환자 단위 정렬) -MIMIC-CXR + MIMIC-IV 연계 데이터 구성 실습 -Late fusion / Early fusion / Cross-attention 융합 전략 비교 -텍스트 데이터 처리 (방사선 판독문, 임상 노트 BERT 임베딩) -의료 도메인 특화 LLM (BioBERT, ClinicalBERT, Med-PaLM 개념)
- M5-2. 멀티모달 모델 구현-CLIP 기반 영상-텍스트 정합 모델 -CXR 영상 + 판독문 텍스트 결합 진단 분류 모델 구현 -영상 + EHR 수치 결합 임상 결과 예측 모델 구현 -Vision-Language Model 활용한 의료영상 자동 캡셔닝 실습 -멀티모달 vs 단일모달 성능 비교 분석 -Bedrock의 Claude 모델을 활용한 의료 텍스트 요약·임베딩 추출 실습
- M6-1. 신약개발 AI 기초-신약개발 파이프라인 이해 (타겟 발굴 → 후보물질 → 전임상 → 임상) -분자 데이터 표현 (SMILES, Molecular Fingerprint, Graph) -RDKit 활용 분자 데이터 처리 실습 -QSAR 모델링 -Graph Neural Network(GNN) 기반 분자 속성 예측 실습
- M6-2. 임상시험 데이터 AI-임상시험 데이터 구조 -환자 코호트 매칭 및 성향점수 매칭 -생존분석 기초 -약물 반응 예측 모델 구현 -부작용 시그널 탐지
- [P2] 뇌 MRI 세그멘테이션 프로젝트[활용 데이터] -BraTS 데이터셋(뇌종양) 또는 OASIS 데이터셋(뇌 MRI 공개 데이터) [세부내용] -3D 뇌 MRI 데이터 구조 분석 (T1, T2, FLAIR 시퀀스) -NIfTI 포맷 처리 및 3D 볼륨 데이터 전처리 -U-Net/nnU-Net 기반 세그멘테이션 모델 구현 -2D Slice vs 3D Volume 모델링 비교 실험 -Dice Loss, Focal Loss 적용 및 클래스 불균형 대응 -Dice Coefficient, IoU, Hausdorff Distance 평가 -후처리(연결성분 분석, 형태학적 연산) 적용 결과 비교 -결과 시각화 및 임상 의의 분석 [프로젝트 산출물] -뇌 MRI 세그멘테이션 AI 모델 -모델 비교 실험 리포트 -시각화 결과물 (3D 볼륨 렌더링 포함) -임상 적용 검토 문서
- M7-1. 의료 AI 모델 검증 및 해석-의료 AI 평가 프레임워크 (TRIPOD-AI, CONSORT-AI, STARD-AI 가이드라인) -외부 검증(External validation)과 일반화 성능 평가 -모델 해석 기법 (SHAP, LIME, Grad-CAM)을 의료영상·EHR에 적용 -신뢰도 추정(Calibration) 및 Reliability Diagram 분석 -임상의 관점 모델 검토 워크플로우 시뮬레이션
- M7-2. 의료 AI 규제 및 운영 이해-의료기기 SW(SaMD) 인허가 절차 개요 (식약처/FDA) -데이터 거버넌스와 IRB 승인, 의료 데이터 활용 윤리 -AI 모델의 임상 적용 시 위험관리 (ISO 14971 개념) -모델 모니터링과 데이터 드리프트 대응 전략 -재학습 트리거 설계와 모델 라이프사이클 관리 -[AWS 활용] CloudWatch + SageMaker Model Monitor를 활용한 운영 환경 모델 성능·드리프트 감지 개념 실습
- [P3] 간암 CT + 신약 연계 프로젝트[활용 데이터] -LiTS(Liver Tumor Segmentation) 공개 데이터셋 + 분자 데이터(공개) [세부내용] -복부 CT 영상에서 간 영역 및 종양 영역 세그멘테이션 모델 구현 -Coarse-to-Fine 2단계 세그멘테이션 전략 적용 -HU 윈도잉, 슬라이스 두께 정규화 등 의료영상 전처리 -종양 크기·위치 등 정량 지표 자동 추출 -신약개발 연계: 항암제 후보물질 SMILES 데이터 + GNN 활성 예측 -영상 기반 종양 특성과 약물 반응 예측 결과 통합 분석 -임상 의사결정 지원 시나리오 가상 설계 [프로젝트 산출물] -간 CT 종양 세그멘테이션 모델 -항암제 분자 활성 예측 GNN 모델 -통합 분석 리포트 (영상 정량 지표 + 약물 반응 예측) -임상 의사결정 지원 시나리오 문서
- [P4] 멀티모달 임상 예측 프로젝트[활용 데이터] -MIMIC-IV (EHR) + MIMIC-CXR (영상+판독문) 연계 데이터 [세부내용] -환자 단위 EHR-영상 데이터 정합 파이프라인 구축 (subject_id, study_id 매핑) -EHR 정형 피처 엔지니어링 (활력징후, 검사수치, 약물, 진단코드) -CXR 영상 임베딩 + 판독문 텍스트 BERT 임베딩 추출 -멀티모달 융합 아키텍처 설계 (Late fusion, Cross-attention 비교) -예측 태스크: ICU 입실 후 사망률 / 재입원 / 패혈증 발생 중 1개 선택 -단일모달 vs 멀티모달 성능 비교 및 모달리티별 기여도 분석 -SHAP·Attention 시각화로 모델 해석성 확보 -임상 적용 가능성 및 한계 분석 (외부검증 한계 포함) [프로젝트 산출물] -멀티모달 임상 예측 AI 모델 -EHR-영상 연계 전처리 파이프라인 코드 -모달리티 비교 분석 리포트 -모델 해석 보고서 + 임상 적용 검토 문서
- 커리어 코칭 + 최종 발표-헬스케어 AI 직무 취업 컨설팅 특강 -AI 포트폴리오 구성 멘토링 (프로젝트 산출물 정리) -의료 AI 분야 실전 면접 특강
- 총 훈련시간800 시간
출처 · 고용24
지원 혜택
기관이 공개한 혜택 정보가 없습니다. 상담에서 확인하세요.
출처 · 기관 랜딩페이지 · 훈련장려금은 제도
지원 절차
기관이 공개한 절차 정보가 없습니다. 지원하면 상담에서 안내받습니다.
출처 · 기관 랜딩페이지 · 기관마다 다릅니다
자주 묻는 질문
비전공자도 지원할 수 있나요?
K-디지털 트레이닝은 제도상 전공·학력을 보지 않습니다. 다만 기관이 밝힌 훈련 대상이 있어 위 「어떤 분이 수강하면 좋을지」를 함께 확인하세요.
내일배움카드가 꼭 있어야 하나요?
지원 시점에 없어도 됩니다. 상담 단계에서 발급을 진행합니다. 다만 수강신청은 카드가 있어야 마칠 수 있습니다.
선발 절차가 있나요?
기관이 공개한 절차에서 별도 시험·전형은 확인되지 않았습니다. 상담 후 수강신청으로 이어집니다.
예전에 국비 교육을 들었는데 또 되나요?
중복수강 제한이 있을 수 있습니다. 최근 수료 이력이 있으면 상담 단계에서 먼저 확인해야 합니다.
출처 · 제도 요건 · 과정 데이터로 답이 채워지는 질문만
기관 랜딩페이지 https://www.skkukdt.re.kr/archive-page.html?id=ai-1779753736750
고용24 2026-08-14 기준 · 매일 갱신
