Nearly 4 years shipping clinical AI from research to regulated production. 연구부터 규제 프로덕션까지 임상 AI를 만들어온 4년.

AI R&D Team Lead · Lead AI Engineer — Canopus (AI Medical-Device Software for MSI Diagnosis) AI R&D 팀장 · 리드 AI 엔지니어 — Canopus (MSI 진단 AI 의료기기 소프트웨어)

OPTOLANE

• Owned Canopus end-to-end — an AI-powered Software as a Medical Device (SaMD) that classifies Microsatellite Instability as MSI-H, MSI-BL or MSS from digital-PCR high-resolution melting (HRM) data — while leading a 3-person team디지털 PCR 고해상도 멜팅(HRM) 데이터로 현미부수체 불안정성을 MSI-H · MSI-BL · MSS로 판정하는 AI 의료기기 소프트웨어(SaMD) Canopus를 3인 팀을 이끌며 엔드투엔드로 책임졌습니다
• Ran the full product lifecycle for the clinical customer, Samsung Medical Center: requirements gathering, system architecture, implementation, AI development, deployment and regulatory approval — under design controls and IEC 62304 practices임상 고객사인 삼성서울병원을 대상으로 요구사항 수집, 시스템 아키텍처, 구현, AI 개발, 배포, 인허가까지 전 제품 주기를 설계관리 및 IEC 62304 실무 아래 수행했습니다
• Developed the MSI classification model reaching ROC-AUC 0.9998 with 100% sensitivity on MSI-H (zero false negatives; 95% CI lower bound 97.3%), validated across 862 clinical samples spanning colorectal, gastric, endometrial and other cancersMSI 분류 모델을 개발해 ROC-AUC 0.9998, MSI-H 민감도 100%(위음성 0건, 95% 신뢰구간 하한 97.3%)를 달성했고, 대장·위·자궁내막 등 862개 임상 검체로 검증했습니다
• Built a synthetic Tm-Histogram data generator to overcome clinical-data scarcity — the data-centric approach that drove the largest model-quality gain, lifting MSI-H sensitivity by 14.4 points over the v1.0 baseline (85.6%) and raising MSS specificity to 97.52% with no loss of sensitivity임상 데이터 부족을 극복하기 위해 합성 Tm 히스토그램 생성기를 개발했습니다. 모델 품질 향상에 가장 크게 기여한 데이터 중심 접근으로, v1.0 기준선(85.6%) 대비 MSI-H 민감도를 14.4%p 높이고 민감도 손실 없이 MSS 특이도를 97.52%로 끌어올렸습니다
• Engineered an automated assay-to-report ML pipeline (signal processing → inference → report) that replaced 10–14-day NGS / GeneScan workflows with an ~85-minute reproducible run, deployed on-premise in a production Windows application via a robust C#–Python integration layer신호 처리 → 추론 → 리포트로 이어지는 검사-리포트 자동화 ML 파이프라인을 구축해 10–14일 걸리던 NGS / GeneScan 워크플로를 약 85분 재현 가능한 실행으로 대체했고, 견고한 C#–Python 연동 계층으로 프로덕션 Windows 애플리케이션에 온프레미스 배포했습니다
• Packaged every model release as a self-contained versioned artifact — classifier, scaler, feature-selection indices, decision threshold and preprocessing parameters bundled together — guaranteeing training–serving parity across the v1.0 → v1.3 releases delivered to the clinical site분류기·스케일러·특징 선택 인덱스·판정 임계값·전처리 파라미터를 하나로 묶은 자기완결적 버전 아티팩트로 모든 모델 릴리스를 패키징해, 임상 현장에 납품한 v1.0 → v1.3 전반에서 학습–서빙 일치성을 보장했습니다
• Leading MFDS (Korea FDA) approval of Canopus — authoring the regulatory technical documentation and Design History File (DHF), and preparing the Digital GMP / ISO 13485-based quality-system documentation required for certificationCanopus의 식약처(MFDS) 인허가를 주도하고 있습니다 — 규제 기술문서와 설계이력파일(DHF)을 작성하고, 인증에 필요한 Digital GMP / ISO 13485 기반 품질시스템 문서를 준비하고 있습니다

AI Engineer — CGT AI Cell Recognition System AI 엔지니어 — CGT AI 세포 인식 시스템

OPTOLANE

• Designed a CGT analysis system that fuses AI-based cell recognition with proprietary PCR assay dataAI 기반 세포 인식과 자사 PCR 검사 데이터를 융합하는 CGT 분석 시스템을 설계했습니다
• Developed a deep-learning cell-recognition model achieving >99.5% accuracy for automated microscopy-image analysis, trained and validated on ~10,000 well images현미경 이미지 자동 분석을 위한 딥러닝 세포 인식 모델을 개발해 >99.5% 정확도를 달성했으며, 약 10,000장의 웰 이미지로 학습·검증했습니다
• Built the full pipeline — data preprocessing, AI inference and result visualization — and independently delivered a working prototype (UI + analysis) within two months데이터 전처리, AI 추론, 결과 시각화까지 전체 파이프라인을 구축하고 2개월 내 단독으로 동작하는 프로토타입(UI + 분석)을 완성했습니다

Software Engineer — Automated DNA Extraction Device 소프트웨어 엔지니어 — 자동화 DNA 추출 장비

OPTOLANE

• Completed prototype through establishing core functions and architecture of nucleic acid extraction system핵산 추출 시스템의 핵심 기능 및 아키텍처를 구축하여 프로토타입 완성
• Designed UI scenarios and system optimization based on medical professionals' requirements, focusing on usability and security의료 전문가 요구사항을 기반으로 사용성 및 보안 중심의 UI 시나리오와 시스템 최적화 설계
• Developed automated consumable inspection and optimal path calculation systems자동화 소모품 검사 및 최적 경로 계산 시스템 개발
• Reduced device control interface development from 4 months to 2 months through vendor management벤더 관리를 통해 기기 제어 인터페이스 개발 기간을 4개월에서 2개월로 단축
• Prepared user manuals and technical documents for CE and MFDS certificationCE 및 MFDS 인증을 위한 사용자 설명서 및 기술 문서 작성

Software Engineer — LOAA-M Diagnostic PCR Platform 소프트웨어 엔지니어 — LOAA-M 진단 PCR 플랫폼

OPTOLANE

• Led Qt-based UI development across Linux and Windows clinical environmentsLinux 및 Windows 임상 환경 전반에서 Qt 기반 UI 개발을 주도했습니다
• Built a standalone Java network service on the LOAA-M platform for secure AWS connectivity, integrating diagnostic data with cloud serversLOAA-M 플랫폼에 안전한 AWS 연결을 위한 독립 Java 네트워크 서비스를 구축해 진단 데이터를 클라우드 서버와 연동했습니다
• Strengthened platform security with encryption and controlled data access암호화와 접근 제어를 적용해 플랫폼 보안 수준을 강화했습니다
• Implemented medical-device security (device/network encryption, DB access control, data-at-rest encryption) and authored the CE-IVD / MFDS technical documentation that carried the product through certification in Oct 2025의료기기 보안(기기·네트워크 암호화, DB 접근 제어, 저장 데이터 암호화)을 구현하고 CE-IVD / MFDS 기술문서를 작성해 2025년 10월 인증을 통과시켰습니다

Personal Project — Deep Learning Breast Cancer Targeting Model 개인 프로젝트 — 딥러닝 기반 유방암 표적화 모델

• Designed a breast cancer prediction model using EfficientNet-B2 for baseline classificationEfficientNet-B2 기반의 유방암 예측 모델을 설계해 기준 분류 성능을 구축했습니다
• Improved model targeting with probability-density methods to increase detection quality확률 밀도 기반 표적화 기법을 적용해 탐지 품질을 향상했습니다
• Raised overall accuracy from 86% to 93% through iterative training and evaluation반복 학습·평가를 통해 전체 정확도를 86%에서 93%로 끌어올렸습니다