차세대 의료 영상 소프트웨어 플랫폼: AI 통합, 커뮤니티 협업, 정량적 분석의 미래(7papers)

1. 연구 배경 및 필요성 (Background and Significance)

의료 영상 컴퓨팅은 진단, 치료 계획, 임상 연구의 패러다임을 바꾸는 핵심 분야로 자리매김했습니다. 지난 수십 년간 3D Slicer, FreeSurfer, FSL, SPM과 같은 오픈소스 소프트웨어 플랫폼은 이 분야의 발전을 견인하는 중추적인 역할을 수행해왔습니다. 이 플랫폼들은 복잡한 의료 영상을 처리, 시각화, 분석하는 표준화된 도구를 제공함으로써, 다학제적 연구자들이 협력하여 진단 영상 분석 기법을 혁신하는 핵심 동력이 되었습니다. 이들은 단순한 소프트웨어를 넘어, 전 세계 연구 커뮤니티가 지식을 공유하고 기술을 발전시키는 생태계의 기반이 되었습니다.

그러나 이러한 성공적인 플랫폼들도 시간의 흐름에 따라 지속적인 진화의 압력에 직면하고 있습니다. Lehman의 소프트웨어 진화 법칙에서 설명하듯, 소프트웨어는 끊임없이 변화하는 사용자 요구와 기술 환경에 적응하기 위해 지속적으로 성장하고 변화해야 합니다. 소스 코드의 복잡성이 기하급수적으로 증가하고, 새로운 기능을 추가하는 작업이 점점 더 어려워지며, 유지보수 비용이 증가하는 것은 모든 성숙한 소프트웨어 프로젝트가 겪는 문제입니다. 특히, 이러한 도전에 효과적으로 대응하고 장기적인 생존 가능성을 확보하기 위해서는 활발한 커뮤니티 구축과 참여를 통한 협업이 필수적입니다.

최근 의료 영상 분야는 인공지능(AI), 특히 머신러닝과 딥러닝 기술의 등장으로 인해 근본적인 패러다임 전환을 맞이하고 있습니다. AI는 알츠하이머병의 조기 예측과 같은 복잡한 임상 문제를 해결하는 데 있어 전례 없는 잠재력을 보여주며 강력한 도구로 부상했습니다. 정교한 AI 모델은 인간 전문가의 능력을 보완하거나 능가하는 수준의 정확도로 영상 분할, 병변 탐지, 질병 분류 작업을 자동화하고 있습니다.

하지만 AI 기술의 급격한 발전은 기존 오픈소스 플랫폼에 새로운 차원의 과제를 제기합니다. 이러한 과제들을 해결하지 못한다면, AI의 잠재력은 연구실 수준에 머물고 실제 임상 현장에 적용되기 어려울 것입니다. 본 연구가 해결하고자 하는 핵심 과제는 다음과 같습니다.

• 데이터 표준화: 다기관 연구에서 발생하는 스캐너, 프로토콜 차이로 인한 데이터 이질성은 AI 모델의 신뢰성을 저해합니다.
• 모델 해석 가능성: 딥러닝 모델의 "블랙박스" 특성은 임상의가 예측 결과를 신뢰하고 임상적 의사결정에 활용하기 어렵게 만듭니다.
• 임상 환경으로의 통합: 고성능 GPU를 요구하는 거대한 AI 모델을 일반적인 병원 클라이언트 PC 환경에 통합하는 것은 기술적, 비용적으로 큰 장벽입니다.
• 윤리적 고려사항: 데이터 프라이버시, 모델의 편향성 등 AI 기술의 책임감 있는 사용을 위한 윤리적 가이드라인이 필요합니다.

따라서 본 연구는 이러한 도전 과제들을 체계적으로 해결하고, 기존 오픈소스 플랫폼의 성공적인 협업 문화와 최신 AI 기술을 융합하여 차세대 의료 영상 분석 도구의 미래 방향을 제시하고자 합니다. 과거 오픈소스 플랫폼의 성공이 커뮤니티 기반 '개발'에 달려있었다면, AI 시대의 임상적 성공은 신뢰성 확보를 위한 커뮤니티 기반 '검증' 생태계 구축에 달려있습니다. 본 연구는 바로 이 지점에서 출발합니다.

2. 연구 목표 (Research Objectives)

본 연구의 궁극적인 목표는 기존 오픈소스 의료 영상 플랫폼의 성공 요인과 현재의 AI 기반 분석 기술 동향을 결합하여, 미래 지향적인 의료 영상 소프트웨어 개발 및 배포를 위한 통합 프레임워크를 제안하는 것입니다. 이는 AI 기술의 접근성을 높이고, 예측 결과의 신뢰성을 확보하며, 커뮤니티 기반의 지속 가능한 발전을 도모하는 것을 핵심으로 합니다.

이러한 포괄적인 목표를 달성하기 위해, 본 연구는 다음과 같은 세 가지 구체적인 핵심 목표를 설정합니다.

1. AI-Native 소프트웨어 아키텍처 제안 계산 집약적인 AI 모델을 효율적으로 지원하고, 표준 클라이언트 하드웨어에서의 접근성을 극대화하는 분산형 클라이언트-서버 아키텍처의 설계 원칙을 정립합니다. 이를 통해 사용자는 고사양의 하드웨어 없이도 최신 AI 분석 기능을 활용할 수 있게 하여 기술의 민주화를 추구합니다.
2. 신뢰 가능한 AI 모델 통합 프레임워크 개발 해석 가능성(XAI)과 다중 모드(Multi-modal) 데이터 융합을 핵심으로 하는 AI 모델 통합 프레임워크를 개발합니다. 이는 AI 모델이 내린 예측의 근거를 시각적으로 제시하고, 여러 종류의 영상 데이터를 종합적으로 분석하여 AI 예측의 신뢰성을 높이고 임상적 의사결정 지원 능력을 강화하는 것을 목표로 합니다.
3. 커뮤니티 주도형 검증 및 표준화 플랫폼 구축 다기관 연구에서 발생하는 데이터 이질성 문제를 해결하고, AI 모델의 일반화 가능성을 확보하기 위해 커뮤니티가 참여하는 데이터 표준화 및 모델 검증을 위한 플랫폼의 개념적 모델을 제시합니다. 이는 재현 가능하고 신뢰도 높은 AI 연구 생태계를 조성하는 기반이 될 것입니다.

3. 선행 연구 분석 (Analysis of Prior Research)

3.1. 기존 오픈소스 플랫폼의 진화와 한계

본 섹션에서는 의료 영상 분야의 현재 상태를 진단하기 위해, 지난 수십 년간 해당 분야를 이끌어온 대표적인 오픈소스 플랫폼들의 성공 요인과 기술적 한계를 심층적으로 분석합니다. 이를 통해 차세대 플랫폼이 나아가야 할 방향에 대한 통찰을 얻고자 합니다.

Viar-Hernández 등(2024)의 연구에 따르면, 4개의 주요 오픈소스 플랫폼(3D Slicer, FreeSurfer, FSL, SPM)은 각기 다른 진화의 궤적을 보여왔습니다. 각 플랫폼의 특징은 아래 표와 같이 요약할 수 있습니다.

플랫폼 명 (Platform Name)	주요 적용 분야 (Primary Application Area)	영향력 추세 (Impact Trend)	핵심 프로그래밍 언어의 변화 (Evolution of Core Programming Languages)
3D Slicer	다목적 영상 분석 및 시각화	지속적 성장	Tcl에서 C++/Python으로 전환
FreeSurfer	신경 영상 (구조 분석)	안정화 추세	C/C++가 지배적이며, 다른 언어의 점진적 증가
FSL	신경 영상 (기능, 구조, 확산)	안정화 추세	C/C++가 지배적이며, Tcl의 사용 감소
SPM	신경 영상 (기능 분석)	최고점 도달 후 감소 추세	Matlab이 지배적

플랫폼들의 성공 요인을 분석해보면, 3D Slicer의 지속적인 성장세가 두드러집니다. 이는 특정 분야에 국한되지 않는 다목적 활용성과, 강력한 커뮤니티를 기반으로 한 확장 기능(Extension) 개발 생태계 덕분입니다. 사용자들이 필요로 하는 기능을 직접 개발하고 공유하는 개방적인 구조가 플랫폼의 지속적인 성장을 이끌었습니다. 반면, 신경 영상이라는 특정 분야에 고도로 특화된 FSL 등은 인기도가 정체되고 있으며, SPM의 경우 2004년경 최고점에 도달한 후 감소 추세에 있는 것으로 분석됩니다.

그러나 이러한 성공적인 플랫폼들도 최신 AI 기술을 통합하는 데에는 명백한 아키텍처상의 한계를 보입니다. de Vente 등(2025)의 연구에서 지적하듯이, 대규모 AI 모델을 실행하기 위해서는 막대한 계산 자원(예: 10GB 이상의 VRAM을 갖춘 NVIDIA GPU)이 필요합니다. 기존 플랫폼들은 대부분의 연산을 클라이언트 측에서 수행하는 모놀리식(monolithic) 아키텍처를 가지고 있어, 일반 사용자나 병원의 표준 PC에서 이러한 요구사항을 감당하기 어렵습니다. 이로 인해 AI 모델이 Windows와 Linux에서만 실행 가능하여, macOS와 같은 특정 운영체제에서는 호환성 문제가 발생하는 등 기술 접근성에 장벽이 생깁니다. 이러한 분석은 AI 시대를 맞아 새로운 아키텍처 설계가 시급함을 명확히 보여줍니다.

3.2. AI 기반 자동화의 현재 동향

의료 영상 분할(segmentation) 기술은 수동 방식에서 시작하여 AI 기반의 완전 자동화 및 대화형 방식으로 빠르게 진화해왔습니다. 이러한 기술적 궤적은 영상 분석의 효율성과 정확성을 획기적으로 개선하고 있습니다.

• 반자동 방식의 효용성과 한계: 과거에는 사용자의 개입을 최소화하는 반자동 방식이 주를 이루었습니다. 예를 들어, Egger 등(2013)의 연구에서는 3D Slicer의 GrowCut과 같은 반자동 분할 도구를 사용하여 뇌종양(GBM) 부피 측정 시간을 순수 수동 작업 대비 시간을 평균 39% 단축시켰습니다. 이는 상당한 효율성 향상을 의미하지만, 여전히 사용자가 초기 시드(seed)를 지정하고 결과를 수정해야 하는 등 상당한 수준의 개입이 필요하다는 한계를 가집니다.
• 최신 AI 기반 방식의 혁신: 최근 딥러닝 기술의 발전은 영상 분할을 새로운 차원으로 이끌고 있습니다.
  • 엔드투엔드(End-to-end) 자동화: Chavan 등(n.d.)의 연구에서 제시된 ICA-net은 3D U-Net을 기반으로 하여, 동적 PET 영상에서 내경동맥(ICA)을 완전히 자동으로 분할합니다. 이는 특정 반복 작업에 대해 인간의 개입 없이 일관된 결과를 도출할 수 있음을 보여줍니다.
  • 대화형(Interactive) AI: de Vente 등(2025)의 연구에서 소개된 nnInteractive와 같은 모델은 한 걸음 더 나아가, 사용자의 간단한 프롬프트(점, 박스, 스크리블 등)에 실시간으로 반응하여 정교한 3D 분할 결과를 즉각적으로 생성합니다. 이는 자동화의 정확성과 사용자의 직관적인 제어 능력을 결합한 새로운 방식입니다.

이러한 기술 발전은 단순히 분석 시간을 단축하는 것을 넘어, 복잡한 정량 분석을 자동화하고 영상 분석 비전문가조차도 정교한 작업을 수행할 수 있도록 하는 패러다임의 전환을 의미합니다. 이는 정량적 영상 바이오마커의 대중화를 앞당기는 중요한 계기가 될 것입니다.

3.3. 정량적 분석의 주요 과제

AI 모델이 아무리 정교한 자동화 기능을 제공하더라도, 그 결과가 임상적으로 유의미하려면 근본적인 신뢰성 문제를 해결해야 합니다. 특히 정량 분석의 정확성과 재현성을 저해하는 두 가지 주요 과제는 다음과 같습니다.

• 데이터 이질성 및 표준화 문제: 다기관 임상 연구는 AI 모델의 개발과 검증에 필수적이지만, 필연적으로 데이터 이질성 문제를 야기합니다. Ambekar 등(2025)의 연구에서 지적하듯이, 각 병원의 스캐너 하드웨어(제조사, 자기장 세기 등), 소프트웨어 프로토콜, 촬영 매개변수(voxel size, echo time 등)의 차이는 영상 데이터에 기술적 변동성(technical variability)을 발생시킵니다. 이러한 이질성은 AI 모델의 성능을 저하시키고 연구 결과의 재현성과 기관 간 비교 가능성을 심각하게 훼손합니다. 이를 해결하기 위해 COMBAT이나 RAVEL과 같은 사후 데이터 보정(harmonization) 기법이 제안되었으며, 이는 AI 모델링에 앞서 데이터를 표준화하는 필수적인 전처리 과정으로 인식되고 있습니다.
• 모델 일반화 및 견고성 부족: Rudroff 등(2024)의 연구에 따르면, 현재 개발된 많은 AI 모델들은 상대적으로 규모가 작고 동질적인 데이터셋(예: ADNI)으로 학습되는 경우가 많습니다. 이러한 모델을 실제 임상 환경의 다양성이 높은 데이터(서로 다른 인구 통계, 질병 하위 유형, 다양한 스캔 품질 등)에 적용할 경우, 예측 성능이 급격히 저하되는 일반화(generalizability) 문제가 발생합니다. 따라서 개발된 모델의 임상적 유효성을 입증하기 위해서는 대규모의, 독립적이고, 다양한 데이터셋을 이용한 엄격한 외부 검증(external validation)이 필수적입니다.

결론적으로, 데이터 표준화와 모델 일반화라는 두 가지 과제가 해결되지 않는다면, AI 기반 정량 분석 기술은 임상 현장에서 신뢰를 얻기 어려우며 '연구를 위한 연구'에 머물게 될 위험이 큽니다.

4. 연구 내용 및 방법 (Proposed Research and Methodology)

4.1. AI-Native 아키텍처 설계

본 연구는 선행 연구에서 분석된 기존 플랫폼의 한계를 극복하고 AI 기술의 잠재력을 최대한 활용하기 위해, de Vente 등(2025)이 제시한 개념을 확장한 AI-Native 분산형 아키텍처를 제안합니다. 이 아키텍처는 계산 집약적인 작업과 사용자 상호작용을 명확히 분리하여 효율성과 접근성을 극대화하는 것을 목표로 합니다.

제안하는 아키텍처의 구성 요소는 다음과 같습니다.

• 클라이언트 측 (Client-Side):
  • 3D Slicer와 같은 경량(lightweight) 뷰어 역할을 수행합니다.
  • 주요 책임은 **사용자 인터페이스(UI), 데이터 시각화, 사용자 상호작용(예: 분할을 위한 점, 박스 프롬프트 입력)**에 국한됩니다.
  • 최소한의 하드웨어 요구사항을 목표로 하여, 일반적인 노트북이나 데스크톱 PC에서도 원활하게 작동하도록 설계됩니다.
• 서버 측 (Server-Side):
  • GPU 클러스터 또는 고성능 컴퓨팅(HPC) 자원으로 구성됩니다.
  • 무거운 AI 모델 추론, 대규모 데이터 전처리, 정량 계산 등 모든 계산 집약적인 작업을 전담합니다.
  • 모델의 실행 환경이 중앙 서버에 집중되어 있어, 모델 업데이트 및 배포 관리가 용이합니다.
• API 통신 (API Communication):
  • 클라이언트와 서버는 FastAPI와 같은 표준화된 웹 API를 통해 통신합니다.
  • 클라이언트는 서버에 원본 이미지 데이터와 사용자 프롬프트를 전송하고, 서버는 AI 모델 추론 결과(예: 분할 마스크)를 클라이언트에 반환합니다. 이 통신 프로토콜은 효율적이고 안정적인 데이터 교환을 보장하도록 설계됩니다.

이러한 아키텍처가 가져올 기대 이점은 다음과 같습니다.

1. AI 모델의 접근성 향상: 사용자는 고가의 GPU 장비 없이도 최첨단 AI 모델의 성능을 경험할 수 있습니다.
2. 완벽한 운영체제 호환성 확보: 모든 AI 연산이 서버에서 이루어지므로, 클라이언트 소프트웨어는 Windows, Linux, macOS 등 모든 주요 운영체제를 완벽하게 지원할 수 있습니다.
3. 모델 업데이트와 배포의 용이성: 새로운 AI 모델이나 업데이트 버전을 배포할 때, 중앙 서버만 업데이트하면 모든 클라이언트 사용자가 즉시 최신 기능을 사용할 수 있어 유지보수가 간편해집니다.

4.2. 설명 가능 AI(XAI) 및 멀티모달 모델 통합 프레임워크 개발

AI 모델, 특히 딥러닝은 종종 "블랙박스"로 작동하여 예측 결과의 근거를 이해하기 어렵습니다. 이는 임상 현장에서의 수용성을 저해하는 주요 요인입니다. 본 연구는 AI 예측의 신뢰도와 투명성을 높이기 위해 설명 가능 AI(XAI) 기술과 다중 모드 데이터 융합을 지원하는 프레임워크 개발을 제안합니다.

• 설명 가능 AI(XAI) 기술 통합: Rudroff 등(2024)의 연구에서 언급된 Grad-CAM(Gradient-weighted Class Activation Mapping)이나 LRP(Layer-wise Relevance Propagation) 와 같은 XAI 기법을 연구하고, 이를 제안하는 아키텍처에 통합하는 방법을 탐구합니다. 구체적으로, AI 모델이 특정 질병(예: 알츠하이머)을 예측하거나 특정 영역을 분할할 때, 입력 영상의 어느 영역을 주요 판단 근거로 삼았는지 히트맵(heatmap) 형태로 시각화하는 기능의 프로토타입을 개발합니다. 이를 통해 임상의는 AI의 판단 과정을 직관적으로 이해하고 결과의 타당성을 검증할 수 있습니다.
• 다중 모드 데이터 융합 지원: Rudroff 등(2024)은 또한 단일 종류의 영상(single-modality)을 사용하는 것보다 MRI(구조)와 PET(기능) 같은 다중 영상(multi-modality) 데이터를 함께 사용했을 때 AI 모델의 예측 성능이 향상된다는 결과를 제시했습니다. 이를 바탕으로, 여러 종류의 영상 데이터를 동시에 입력받아 특징을 추출하고 융합하여 분석할 수 있는 AI 모델 통합 파이프라인을 설계합니다. 이 프레임워크는 다양한 영상 조합에 유연하게 대응할 수 있도록 모듈식으로 구성될 것입니다.

이 연구는 AI 모델에 대한 임상의의 신뢰를 구축하는 데 결정적인 역할을 할 것입니다. 예측의 근거를 투명하게 제시하고, 더 풍부한 정보를 바탕으로 정확도를 높임으로써, AI를 단순한 자동화 도구에서 신뢰할 수 있는 진단 보조 파트너로 발전시키는 데 기여할 것으로 기대됩니다.

4.3. 커뮤니티 기반 데이터 표준화 및 모델 검증 플랫폼 구축

AI 모델의 일반화 성능과 연구 결과의 재현성을 확보하기 위해서는 개별 연구실의 노력을 넘어선 커뮤니티 기반의 체계적인 접근이 필수적입니다. 본 연구는 3D Slicer와 같은 성공적인 오픈소스 생태계의 협업 문화를 AI 모델 개발 및 검증 과정에 도입하는 것을 목표로 합니다.

• 다기관 데이터 표준화 모듈 구축: Ambekar 등(2025)의 연구에서 영감을 받아, 다기관 연구에서 발생하는 데이터 이질성 문제를 해결하기 위한 데이터 보정(harmonization) 모듈을 플랫폼 내에 구축하는 연구를 수행합니다. 사용자가 자신의 데이터와 함께 스캐너 정보(제조사, 모델 등)를 입력하면, 플랫폼이 COMBAT과 같은 검증된 통계적 보정 알고리즘을 자동으로 적용하여 데이터의 기술적 변동성을 줄여주는 워크플로우를 설계합니다. 이는 서로 다른 기관에서 수집된 데이터를 비교 가능한 수준으로 표준화하여 모델의 안정적인 성능을 보장합니다.
• 커뮤니티 주도형 모델 벤치마킹 시스템 제안: 개발된 AI 모델의 성능을 객관적이고 공정하게 평가하기 위한 커뮤니티 주도형 벤치마킹 시스템의 개념을 제시합니다. 전 세계의 개발자들은 자신들이 개발한 AI 모델을 플랫폼에 제출할 수 있습니다. 플랫폼은 사전에 구축된, 다양한 기관에서 수집된 비공개(private) 테스트 데이터셋을 사용하여 제출된 모델의 성능(예: Dice 계수, 정확도, 민감도 등)을 자동으로 평가합니다. 평가 결과는 익명화된 리더보드(leaderboard) 형태로 투명하게 공개되어, 건전한 기술 경쟁을 유도하고 현재 기술의 최고 수준(state-of-the-art)을 명확히 제시합니다.

이러한 플랫폼은 의료 AI 분야의 연구개발 생태계를 근본적으로 혁신할 잠재력을 가집니다. 데이터와 모델을 투명하게 검증하는 문화를 정착시키고, 커뮤니티의 집단 지성을 활용함으로써, 의료 AI 분야 전체의 신뢰성을 높이고 기술 발전을 가속화할 수 있을 것입니다.

5. 기대 효과 및 활용 방안 (Expected Outcomes and Applications)

본 연구가 성공적으로 수행될 경우, 의료 영상 AI 분야 전반에 걸쳐 학문적, 기술적, 산업적으로 상당한 파급 효과를 가져올 것으로 기대됩니다. 제안된 프레임워크는 연구, 임상, 산업 현장에서 AI 기술의 활용을 촉진하는 핵심 기반이 될 것입니다.

본 연구를 통해 기대되는 주요 효과는 다음과 같습니다.

• 의료 AI 기술의 임상 연구 적용 가속화 신뢰할 수 있고 해석 가능한 AI 도구를 제공함으로써, 연구자들은 새로운 AI 모델을 실제 임상 데이터에 더 빠르고 자신감 있게 적용할 수 있게 됩니다. 이는 질병의 새로운 바이오마커를 발굴하고, 치료법을 개발하는 연구 주기를 단축시키는 데 기여할 것입니다.
• 첨단 영상 분석 기술의 접근성 확대 클라이언트-서버 아키텍처를 통해 고사양의 하드웨어 없이도 누구나 최신 AI 분할 및 분석 도구를 사용할 수 있게 됩니다. 이는 자원이 부족한 연구 기관이나 개발도상국의 의료 환경에서도 첨단 의료 영상 분석의 혜택을 누릴 수 있게 하여, 의료 영상 분석의 민주화에 기여합니다.
• 정량적 영상 분석의 재현성 및 신뢰도 향상 커뮤니티 기반 데이터 표준화 및 모델 검증 플랫폼은 다기관 연구 결과의 신뢰도를 획기적으로 높이고, AI 기반 진단 지표의 표준화를 촉진합니다. 이는 정량적 영상 바이오마커가 임상시험 및 실제 진료 지침에 채택되는 데 필수적인 기반을 제공하며, 3D Slicer와 같은 플랫폼의 협업 정신을 계승하여 오픈소스 의료 영상의 진화를 위한 필수적인 다음 단계를 제시합니다.

본 연구 결과는 다음과 같은 다양한 분야에서 구체적으로 활용될 수 있습니다.

• 신약 개발 임상시험: 치료 반응을 평가하는 정량적 영상 바이오마커 분석을 자동화하고 표준화하여 임상시험의 효율성과 객관성을 높일 수 있습니다.
• 정밀 종양학: 암 환자의 종양 부피, 형태, 대사 활성도 변화를 정밀하게 추적하여 개인 맞춤형 치료 반응 평가 및 예측에 활용될 수 있습니다.
• 퇴행성 뇌질환 연구: 알츠하이머병이나 파킨슨병과 같은 퇴행성 뇌질환의 진행 상태를 정량적으로 추적하고, 질병의 진행을 예측하는 모델 개발에 기여할 수 있습니다.

6. 연구 추진 일정 (Research Timeline)

본 연구는 총 3년 과제로 수행될 예정이며, 연구 목표를 체계적으로 달성하기 위해 아래와 같이 단계별 추진 계획을 수립하였습니다. 각 연차별 연구 내용은 제안한 방법론과 긴밀하게 연계되어 있으며, 명확한 달성 목표를 통해 연구 진행 상황을 관리할 것입니다.

연차 (Year)	연구 단계 (Phase)	세부 연구 내용 (Detailed Activities)	달성 목표 (Milestones)
1년차	기반 설계 및 프로토타이핑	- AI-Native 클라이언트-서버 아키텍처 상세 설계<br>- 기본 API 통신 프로토콜 구현<br>- 단일 AI 모델(예: 3D U-Net) 탑재 프로토타입 개발	- 클라이언트-서버 통신 기반의 원격 AI 모델 추론 기능 구현<br>- 기본 아키텍처 성능 검증
2년차	핵심 기능 개발 및 통합	- XAI 시각화 모듈(Grad-CAM 등) 통합<br>- 다중 모드 데이터 입력 및 처리 파이프라인 개발<br>- 데이터 표준화(COMBAT) 모듈 프로토타입 구축	- AI 예측 근거 시각화 기능 제공<br>- MRI+PET 데이터 동시 분석 모델 지원<br>- 초기 버전의 데이터 보정 기능 구현
3년차	플랫폼 고도화 및 검증	- 커뮤니티 기반 모델 검증 시스템 구축<br>- 다양한 데이터셋을 이용한 통합 플랫폼의 종합 성능 평가<br>- 연구 결과 논문 작성 및 오픈소스 커뮤니티에 공개	- 자동화된 모델 벤치마킹 리더보드 시스템 완성<br>- 다기관 데이터에서의 프레임워크 유효성 입증<br>- 연구 성과물 공개 및 확산

7. 참고 문헌 (References)

1. Ambekar, A., Zielinski, R., & Eloyan, A. (2025). "TRAECR: A Tool for Preprocessing Positron Emission Tomography Imaging for Statistical Modeling". arXiv.
2. Chavan, R. et al. (n.d.). "AN END-TO-END DEEP LEARNING PIPELINE TO DERIVE BLOOD INPUT WITH PARTIAL VOLUME CORRECTIONS FOR AUTOMATED PARAMETRIC BRAIN PET MAPPING". arXiv.
3. de Vente, C., Vaidhya Venkadesh, K., van Ginneken, B., & Sánchez, C. I. (2025). "SlicerNNInteractive: A 3D Slicer extension for nnInteractive". arXiv.
4. Egger, J. et al. (2013). "GBM Volumetry using the 3D Slicer Medical Image Computing Platform". Scientific Reports.
5. National Cancer Institute. (2020). "Quantitative Imaging Network (QIN) Working Group Report".
6. Rudroff, T., Rainio, O., & Klén, R. (2024). "AI for the prediction of early stages of Alzheimer's disease from neuroimaging biomarkers – A narrative review of a growing field". arXiv.
7. Viar-Hernández, D. et al. (2024). "A case study of medical image software evolution and its impact in the medical imaging community". Heliyon.