KAIST

우리 대학이 31일 의과학연구센터(E7) 하자홀에서 '바이오 의료사업 발전을 위한 글로벌 의사과학자 양성 토론회'를 개최했다. 과학, 공학, 의학을 이해하는 의사과학자 양성은 글로벌 바이오 중심국가 도약을 위한 해법으로 대두되고 있다. 그러나 우리나라 의대 졸업생 중 의사과학자는 1% 미만으로 바이오 의료산업 경쟁력 제고를 위한 의사과학자 양성이 매우 시급한 상황이다. 의과학대학원이 주최하는 이번 토론회는 미국의 의사과학자 양성 시스템과 국가 정책을 살펴보고 이를 바탕으로 우리나라 의사과학자 양성 시스템의 선결 과제 및 해법을 모색하기 위해 마련됐다. 이를 위해 세계적인 연구중심 의과대학인 미국 하버드 의대의 의사과학자 양성과정인 HST(Health Sciences and Technology) 프로그램의 디렉터 볼프람 고슬링(Wolfram Goessling) 교수와 스탠퍼드 의대 김성국 교수가 발제를 맡았다. 고슬링 교수는 '하버드와 매사추세츠 공과대학 간의 의사

최근 25년간 노벨 생리의학상 수상자의 37%, 글로벌 상위 10개 제약회사 대표 과학책임자의 70%가 의사과학자다. 코로나를 겪으며 한국에서도 임상 현장과 최신 연구를 연결하는 가교 역할을 하는 의사과학자 양성이 더욱 절실해졌다. 우리 정부도 바이오·디지털헬스 글로벌 중심국가로의 도약을 위해 의사과학자 육성사업을 국정과제로 추진하고 있으며, 과학적 소양을 바탕으로 임상의 과제를 해결하는 의사과학자가 의료계와 바이오산업의 화두로 떠오르고 있다. 우리 대학은 글로벌 바이오헬스사업을 선두할 MD-데이터 공학자, AI 전문가 등의 의사공학자 양성을 위해 그간 추진해온 의과학대학원의 성공적인 운영을 12일 밝혔다. 이와 함께 그간의 성과를 바탕으로 바이오의료 분야에 특화된 과학자 및 공학자 양성을 위해 과학기술의학전문대학원을 설립할 계획이라고 밝혔다. 우리 대학은 2004년 의과학대학원을 설립하여 의사들이 첨단과학 연구역량을 습득할 수 있는 혁신적인 교육환경을 마련하

KAIST(총장 이광형)가 현지 시간으로 28일 오전 미국 보스턴의 랭햄호텔에서 美 매스 종합 브리검(Mass General Brigham) 의료서비스 시스템의 창립 회원이자 세계적인 연구중심 병원인 하버드대 매사추세츠 종합병원(Massachusetts General Hospital, 이하 매스종합병원) 및 바이오테크놀로지 기업 모더나(Moderna)와 MOU를 체결했다고 29일 밝혔다. 이날 체결식에는 각 기관 관계자 및 이영 중소벤처기업부 장관, 이인실 특허청장 등이 참석했다. 매스종합병원은 미국 보스턴에 있는 하버드 의대의 최초이자 최대 규모의 교육병원으로 세계에서 가장 혁신적인 병원이다. 세계 최대 병원 기반 연구 프로그램인 ‘매스 종합연구원(Mass General Research Institute)’을 운영해 매년 10억 달러가 넘는 연구예산을 집행하며, 13명 이상의 노벨의학상 수상자를 배출했다. KAIST는 지난해 9월 매스종합병원과 연구

우리 대학이 '융합형 의사과학자 양성을 위한 국가 전략 국회 토론회'를 오는 30일 국회의원회관 제2세미나실에서 개최한다. 바이오메디컬 시장이 급성장하며 의사과학자 양성이 국가적 과제로 대두되었지만, 우리나라 의대 졸업생 중 의사과학자를 선택하는 비율은 연간 0.3%~0.7%에 불과할 정도로 인력 육성이 정체되어 있다. 이번 토론회는 기존 의사과학자 양성 시스템의 한계점을 짚어보고 해결 방안 모색 및 국가 바이오메디컬 산업을 혁신하기 위한 산·학·연의 역할을 논의하기 위해 마련됐다. 이를 위해, 의료계·산업계·과학기술계 등 관련 분야 전문가들이 발제를 맡는다. 신찬수 한국의과대학‧의학전문대학원협회(KAMC) 이사장은 '의과대학의 의사과학자 육성 현황과 한계'를 주제로 발표한다. 교육부·과기부·보건복지부·각 의과대학·KAIST 등에서 추진해온 국내 의사과학자 양성 관

우리 대학 김재철AI대학원 최재식 교수(㈜인이지 대표이사) 연구팀이 인공지능 딥러닝의 의사결정에 큰 영향을 미치는 입력 변수의 기여도를 계산하는 세계 최고 수준의 기술을 개발했다고 23일 밝혔다. 최근 딥러닝 모델은 문서 자동 번역이나 자율 주행 등 실생활에 널리 보급되고 활용되는 추세 및 발전에도 불구하고 비선형적이고 복잡한 모델의 구조와 고차원의 입력 데이터로 인해 정확한 모델 예측의 근거를 제시하기 어렵다. 이처럼 부족한 설명성은 딥러닝이 국방, 의료, 금융과 같이 의사결정에 대한 근거가 필요한 중요한 작업에 대한 적용을 어렵게 한다. 따라서 적용 분야의 확장을 위해 딥러닝의 부족한 설명성은 반드시 해결해야 할 문제다. 최교수 연구팀은 딥러닝 모델이 국소적인 입력 공간에서 보이는 입력 데이터와 예측 사이의 관계를 기반으로, 입력 데이터의 특징 중 모델 예측의 기여도가 높은 특징만을 점진적으로 추출해나가는 알고리즘과 그 과정에서의 입력과 예측 사이의 관계를 종합하는 방법