병원정보시스템(HIS)·의료IT 분야를 목표로 하는 개발자 건양대학교 의료IT공학과 재학 · 2027년 2월 졸업 예정

의료 현장의 문제를 딥러닝과 웹으로 푸는 일을 해왔습니다. 학부 재학 중 학회 논문 2편을 제1저자로 발표했고, 그중 의료영상 AI 주제는 1인 연구와 졸업 팀 캡스톤으로 각각 끝까지 구현했습니다. 산학협력 R&D 과제에서는 데이터 파트를 맡아 식품 검사용 AI 학습 데이터셋을 설계·구축했습니다.

• 관심 분야 — 병원정보시스템(HIS), 의료 데이터, 의료영상 AI
• 연락처 — taeral04@gmail.com

Practical Domain Adaptation for Computer-Aided Sperm Analysis: Quality-Aware Video Normalization and Augmentation-Based Morphology Classification 김태경(제1저자), 허용도(교신저자) — 건양대학교 의료IT공학과 Proceedings of KKITS, Vol. 20, No. 1 (2026)

컴퓨터 보조 정자 분석(CASA) 모델이 깨끗한 벤치마크에서는 잘 되지만 실제 임상 영상에서는 무너지는 문제를 다뤘습니다. 학습 데이터(MHSMA)로 훈련한 형태 분류 모델을 실제 현미경 영상(VISEM-Tracking)에 적용하자 정상 형태율이 0.5%까지 붕괴했고, 이를 추론 비용 없는 방법만으로 해결했습니다.

의사 라벨링 · 기하학적 측정 · TTA · 앙상블 등 4가지 대안을 먼저 시도해 모두 실패한 뒤 얻은 결론이며, 실패 기록도 논문에 함께 실었습니다. 실제 참가자 4명의 영상(정자 크롭 1,824개)에서 전원 WHO 기준을 충족하는 것으로 검증했습니다.

sperm-ai · v1.4.0

현미경 영상 하나로 운동성·키네마틱·형태를 통합 분석하고 WHO 6판 기준 보고서를 출력하는 Flask 웹 시스템입니다. 기획부터 모델·웹까지 전 과정을 혼자 개발했습니다.

• 파이프라인 — YOLO11(검출) → ByteTrack(추적) → 앙상블 회귀(운동성) → EfficientNet-B3(형태 분류) → 설명형 해석
• 성과 — 동일 데이터셋(VISEM)에서 운동성 MAE 6.9%p로 기존 논문 최고 기록(motilitAI, 7.31%p)을 상회. YOLO11 mAP@0.5 = 0.677
• 의의 — 전용 CASA 장비 없이 일반 현미경 영상과 브라우저만으로 접근 가능한 보조 분석 도구

seed-project · Ver 1.0.0

위 1인 연구를 5인 팀 프로젝트로 확장한 정자 자동 탐지·형태·운동성 통합 분석 시스템입니다. 모체 논문보다 높게 설정한 성능 목표를 전부 달성하고 최종 발표를 마쳤습니다.

• 역할 (ENG1) — 시스템 구조 설계, 모듈 통합 관리, 성능 개선, 형태 분석 모델 구현
• 기술 — Python · PyTorch · YOLO11 · ByteTrack · Flask
• 프로세스 — 폭포수(Waterfall) 방법론, 단계별 산출물·검증 문서화 / Team T.O.P (PM·CM·QA·ENG1·ENG2)

AI 식품 비전검사기를 위한 데이터 수집 설계와 구현: 건빵 사례 연구 김태경, 김민지, 한주혁, 조용석 — 대한전자공학회(IEIE) 2025년도 추계학술대회 (2025.11) · 제1저자

소규모 식품 제조업체를 위한 보급형 AI 검사 시스템을 개발하는 기업 연계 과제에서 데이터 수집·정의 파트를 맡았습니다. 모델을 만드는 일이 아니라 모델이 학습할 대상을 정의하는 일이었고, 여기서 "판단 기준을 근거로 설계한다"는 것을 배웠습니다.

• 불량 클래스를 규범 기반으로 정의 — 정상·부서짐·과도한 익음·이물 혼입 4종을 Codex·UNICEF·식약처(MFDS) 기준과 공중보건 근거에 맞춰 정의. 임의로 나누지 않고 각 클래스마다 국제·국내 규정 문헌을 근거로 붙였습니다
• 정량 판정 기준 작성 — "부서짐 minor는 외곽 1020%, split은 2조각, fragmented는 3조각 이상", "갈변 면적 30%/70% 구간", "이물 68px 이상" 등 라벨러가 흔들리지 않도록 수치화. 반사·그림자는 불량이 아니라는 예외 규칙과, 복합 결함 시 클래스 우선순위 규칙까지 명시
• 데이터셋 구축 — 224×224 단일 개체 이미지 4,066장(클래스별 약 1,000장) + 생산 라인을 모사한 다량 이미지 200장. 컨베이어 촬영 프로토콜(밀도·배치·조명·모션블러·빈 배경 샷 포함)도 함께 설계
• 라벨링·버전관리 파이프라인 — Roboflow 기반 수동 + Box Prompting·Label Assist 반자동 라벨링, 버전별 분할·전처리·증강·수정 이력을 기록해 재현성 확보. YOLO·COCO·TFRecord로 내보내 환경에 관계없이 동일하게 사용 가능하도록 구성

📂 불량 정의 근거, 정량 판정 기준, 촬영 프로토콜까지 설계 과정 전체를 정리해두었습니다 → food-vision-dataset-design

_{※ 과제 데이터셋과 내부 산출물은 기업 소유이므로 공개하지 않습니다.}

병원 대기·돌봄 앱에서 출발해 의료영상 AI를 거쳐 완성형 의료 AI 시스템까지, 4년에 걸쳐 단계적으로 범위를 넓혀왔습니다.

2025년 의료영상 AI 라인(LungCT → AILungandLiver)은 같은 팀으로 한 시스템을 두 학기에 걸쳐 발전시킨 프로젝트입니다. PM에서 QA로 역할을 바꿔 만드는 쪽과 검증하는 쪽을 모두 경험했습니다.

아래는 LLM과 AI 에이전트를 실제 제품에 엮어내는 역량을 기르려고 만든 것들입니다. 공통 구조는 데이터 수집 → LLM 분석 → 정적 사이트 자동 배포이며, GitHub Actions 위에 올려 서버·운영비 없이 매일 자동으로 갱신되도록 만들었습니다. 같은 구조를 도메인만 바꿔 반복 적용하면서, 어디까지 자동화가 버티고 어디서 사람이 필요한지를 확인했습니다.

_{각 저장소 README에는 팀 구성·역할·아키텍처와 함께 제가 직접 한 부분과 하지 않은 부분, 실패한 시도를 함께 적어두었습니다.}